一种面向闸机设备的安防识别方法及设备

技术领域

本发明一般地涉及闸机相关领域。更具体地，本发明涉及一种面向闸机设备的安防识别方法及设备。

背景技术

现有的闸机可通过人脸识别技术对来访人员进行验证，具有对小区等区域安防的作用，但是由于闸机放行具有一定的延时，会导致部分未知人员混入，进而对小区产生一定不可估计的安全隐患。

现有技术中存在对来访人员的人脸信息进行一一核对的方法，以防止未知人员混过闸机，其中，该闸机对应的数据库中未具有该未知人员的信息，但是由于每次仅通过一个来访人员，导致来访人员通过闸机的效率较低。而且，在对来访人员队列中的等待人员进行人脸识别时，该等待人员的脸部往往会被前面的人员等遮挡，对该等待人员进行的人脸识别的效率较低，且准确度较低。

发明内容

为解决上述一个或多个技术问题，本发明提出通过根据预测轨迹确定行人的优先级，进而获取通行队列，对通行队列中至少一个行人进行人脸识别确定该行人的通行率，进而确定第一通行人数，一次通行该第一通行人数的行人，对其中包括非允许行人，进行预警。为此，本发明在如下的多个方面中提供方案。

在本发明实施方式的第一方面中，提供了一种面向闸机设备的安防识别方法，包括：获取闸机附近的视频数据；对所述视频数据中的视频帧进行检测，获取至少一个行人的预测轨迹，进而得到所述行人到达闸机口附近位置的预测时间和所述闸机口附近位置与闸机口的预测距离，根据所述预测时间和预测距离得到所述行人的优先级；根据所述优先级得到通行队列；对所述通行队列中至少一个识别行人在对应至少一个视频帧下进行人脸识别，得到识别结果和对应的置信度，所述识别结果包括行人通行和行人拒行，进而得到识别差异程度和参考置信度；根据所述识别差异程度和参考置信度，得到所述识别行人的通行率；响应于实际通行行人包括至少一个非允许行人，进行预警，所述非允许行人根据所述通行率确定。

在一个实施例中，根据所述识别差异程度和参考置信度，得到所述识别行人的通行率，包括：所述通行率根据

在一个实施例中，所述识别差异程度和参考置信度的获取方法，包括：获取所述识别行人的行人通行对应的第一置信度直方图，其中，所述第一置信度直方图的横坐标为置信度，所述第一置信度直方图的纵坐标为所述行人通行的数量，根据高斯函数对所述第一置信度直方图进行拟合，获得第一高斯函数模型；获取所述识别行人的行人拒行对应的第二置信度直方图，其中，所述第二置信度直方图的横坐标为置信度，所述第二置信度直方图的纵坐标为所述行人拒行的数量，根据高斯函数对所述第二置信度直方图进行拟合，获得第二高斯函数模型；根据所述第一高斯函数模型和第二高斯函数模型，通过KL散度公式计算获得所述识别行人的识别差异程度；将所述识别行人的至少一个行人通行对应的置信度的平均值作为所述识别行人的参考置信度。

在一个实施例中，根据所述优先级得到通行队列，包括：将所述优先级大于或等于预设优先级阈值的行人按照优先级从大到小进行排列，得到通行队列。

在一个实施例中，根据所述预测时间和预测距离得到所述行人的优先级，包括：所述优先级根据

在一个实施例中，所述预测距离和预测时间的获取方法，包括：将所述行人的预测轨迹中第一位置坐标距离闸机边缘像素点的第二位置坐标的最小值作为所述行人的预测距离；将所述行人的预测轨迹中距离所述第二位置坐标最小的位置坐标作为第三位置坐标，将当前视频帧的第一序列值与所述第三位置坐标对应的视频帧的第二序列值的差值绝对值作为所述行人的预测时间。

在一个实施例中，所述预测轨迹的获取方法，包括：在一个视频帧中，获取所述行人的包围框，将所述包围框的中心的坐标作为所述行人的在该视频帧下的位置坐标；根据所述行人的在至少一个视频帧下的位置坐标，获得所述行人的实际轨迹；根据最小二乘法对所述实际轨迹进行拟合，获得所述行人的预测轨迹。

在一个实施例中，对所述通行队列中至少一个识别行人在对应至少一个视频帧下进行人脸识别，包括：对所述通行队列中前预设数量个识别行人在对应至少一个视频帧下进行人脸识别，所述至少一个视频帧包括至少一个历史视频帧。

在一个实施例中，响应于实际通行行人包括至少一个非允许行人，进行预警，所述非允许行人根据所述通行率确定，包括：在所述前预设数量个识别行人中，前最多数量个行人的通行率大于预设通行阈值，将所述最多数量作为第一通行人数；响应于实际通行人数等于所述第一通行人数，且响应于实际通行行人包括至少一个非允许行人，进行预警，所述非允许行人的通行率小于或等于所述预设通行阈值。

在本发明实施方式的第二方面中，提供了一种面向闸机设备的安防识别设备，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述任一实施例的方法。

本发明的有益效果包括：

根据预测轨迹，获取对应行人的优先级，进而获取通行队列，优先级表征对应行人通行的优先程度，该通行队列中行人通行的优先程度较大，筛选出了通行优先程度较大的行人。

对通行队列中至少一个识别行人在对应至少一个视频帧下进行人脸识别，当该至少一个视频帧包括历史视频帧时，历史视频帧中行人的位置距离闸机口较远，对该行人的在该历史视频帧下脸部识别的准确度较高，原因在于，脸部距离闸机越远，该脸部未被遮挡的可能性越大，进而对该脸部识别的准确度越高。

对闸机实际通行的人数进行计数，当实际通行人数等于第一通行人数时，控制闸机关闭。由于一次通过多个人，通行效率较高。若实际通行行人中包括至少一个非允许行人，进行预警，使得通行更加安全，安防效果更好。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出根据本发明的实施例的一种面向闸机设备的安防识别方法流程图；

图2是示意性示出根据本实施例中的一种面向闸机设备的安防识别设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图来详细描述本发明的具体实施方式。

图1是示意性示出根据本发明的实施例的一种面向闸机设备的安防识别方法流程图。如图1所示，首先，根据本发明的第一方面，提供了一种面向闸机设备的安防识别方法，包括：获取闸机附近的视频数据；对所述视频数据中的视频帧进行检测，获取至少一个行人的预测轨迹，进而得到所述行人到达闸机口附近位置的预测时间和所述闸机口附近位置与闸机口的预测距离，根据所述预测时间和预测距离得到所述行人的优先级；根据所述优先级得到通行队列；对所述通行队列中至少一个识别行人在对应至少一个视频帧下进行人脸识别，得到识别结果和对应的置信度，所述识别结果包括行人通行和行人拒行，进而得到识别差异程度和参考置信度；根据所述识别差异程度和参考置信度，得到所述识别行人的通行率；响应于实际通行行人包括至少一个非允许行人，进行预警，所述非允许行人根据所述通行率确定。

具体说明如下，包括步骤S1至S4：

如图1所示，在步骤S1中，获取闸机附近的视频数据。

闸机上具有相机模组，其可用于采集RGB图像数据，该相机模组可实时采集闸机前方区域的视频数据，闸机通过线缆与安防平台的数据处理中心相互连接，闸机通过线缆可将视频数据实时传输至该数据处理中心，该数据处理中心具有可通行人员的人脸数据的数据库，该数据处理中心通过比对闸机视频中人员的人脸数据和该数据库中的人脸数据，进而可实现安防的目的。因此，需要获取闸机附近的视频数据。需要说明的是，安防平台可为小区安防平台等。

如图1所示，在步骤S2中，根据行人的预测轨迹得到预测时间和预测距离，进而得到所述行人的优先级。具体而言，对所述视频数据中的视频帧进行检测，获取至少一个行人的预测轨迹，进而得到所述行人到达闸机口附近位置的预测时间和所述闸机口附近位置与闸机口的预测距离，根据所述预测时间和预测距离得到所述行人的优先级。

在得到视频数据后，利用预训练的行人检测网络，对视频数据中视频帧图像进行行人识别并编号，得到行人检测框，其中，视频帧包括当前视频帧和历史视频帧。根据视频数据中不同视频帧下的行人检测结果，获取行人的优先级。

对于一个行人，该行人在不同视频帧中的位置可能不同，因此，可根据该行人在不同视频帧中的位置，得到该行人的实际轨迹。行人的轨迹具有一定的惯性，因此可根据行人的实际轨迹，预测行人的未来的轨迹，预测轨迹包括该行人未来的轨迹。根据行人的预测轨迹，可得到行人到达闸机口附近位置的预测时间和所述闸机口附近位置与闸机口的预测距离。其中，预测时间用于表征预测的对应行人从当前时刻起至闸机口附近位置的第一时间，该第一时间与对应行人通过闸机的优先程度有关；预测距离与预测的对应行人通过闸机的意愿程度有关，该意愿程度与对应行人通过闸机的优先程度有关。优先级用于表征对应行人通过闸机的优先程度，因此可根据预测时间和预测距离得到对应行人的优先级。后续可根据优先级，对优先程度较小的行人不进行人脸识别，减少了计算量。

如图1所示，在步骤S3中，根据优先级得到通行队列中至少一个识别行人的识别差异程度和参考置信度，进而得到所述识别行人的通行率。具体而言，根据所述优先级得到通行队列；对所述通行队列中至少一个识别行人在对应至少一个视频帧下进行人脸识别，得到识别结果和对应的置信度，所述识别结果包括行人通行和行人拒行，进而得到识别差异程度和参考置信度；根据所述识别差异程度和参考置信度，得到所述识别行人的通行率。

根据行人的优先级进行人脸识别检测，其中由于排队时会存在较多的不稳定因素影响人脸识别检测效率，进而对视频数据中该行人的历史人脸识别结果进行分析，得到准确度较高的人脸识别结果。其中，不稳定因素为该行人的脸部被前面的行人遮挡等；历史人脸识别结果根据历史视频帧得到。

根据优先级得到通行队列，该通行队列中的行人通过闸机的优先程度较大。在获得通行队列之后，对通行队列中至少一个识别行人在对应的至少一个视频帧下进行人脸识别，以判断该行人是否能够通行。其中，通过现有预训练的人脸识别网络对行人进行人脸识别，该人脸识别网络可为FaceNet网络。实施者可根据具体的实时场景选择其他合适的现有的预训练的人脸识别网络。

在一个行人的一个视频帧中，对该行人的人脸识别结果有能通过闸机和不能通过闸机两种情况，其中，能通过闸机用行人通行表示，不能通过闸机用行人拒行表示。

人脸识别结果对应的置信度是指神经网络对识别结果的确定度，该置信度越大，则对应的识别结果越可信即对应的识别结果正确的可能性越大。一个行人在一个视频帧下的人脸识别结果对应一个置信度。

识别差异程度用于表征人脸识别的效果，参考置信度用于表征对对应行人进行人脸识别的结果为行人通行的整体上的准确程度，人脸识别的效果和对对应行人进行人脸识别的结果为行人通行的整体上的准确程度与对应的行人是否能够通行有关，通过对应行人的通行率可确定该行人是否能够通行，因此，可根据识别差异程度和参考置信度，得到对应识别行人的通行率。

如图1所示，在步骤S4中，响应于实际通行行人包括至少一个非允许行人，进行预警，所述非允许行人根据所述通行率确定。

当实际通行行人包括至少一个非允许行人时，说明不能通行的行人通过了闸机，应该进行预警，其中，实际通行行人为实际一次通过闸机的行人。通过对应行人的通行率可确定该行人是否能够通行，将不能通行的行人作为非允许行人。

在一个实施例中，所述预测轨迹的获取方法，包括：在一个视频帧中，获取所述行人的包围框，将所述包围框的中心的坐标作为所述行人的在该视频帧下的位置坐标；根据所述行人的在至少一个视频帧下的位置坐标，获得所述行人的实际轨迹；根据最小二乘法对所述实际轨迹进行拟合，获得所述行人的预测轨迹。

获取视频数据后，本实施例采用具有行人检测的行人重识别预训练神经网络模型，对视频数据中的视频帧进行行人检测。其中，本实施例选择采用预训练的yolov8神经网络模型对视频帧图像进行行人检测。

在一个具有行人的视频帧中，获取该行人的包围框，利用现有的包围框中心的提取方法获取该包围框的中心，将该中心对应的坐标作为该行人的在该视频帧下的位置坐标。在其他具有该行人的视频帧中，同理，获取该行人的该视频帧分别对应的位置坐标。根据该行人的不同视频帧分别对应的位置坐标，该不同视频帧都具有该行人的图像，获得该行人的位置坐标序列，其可表示实际轨迹。根据最小二乘法对该行人的位置坐标序列进行多项拟合，即可获得该行人的预测位置坐标序列，其可表示该行人的预测轨迹。最小二乘法为本领域技术人员所熟知的现有技术，在此不再赘述。

在一个实施例中，所述预测距离和预测时间的获取方法，包括：将所述行人的预测轨迹中第一位置坐标距离闸机边缘像素点的第二位置坐标的最小值作为所述行人的预测距离；将所述行人的预测轨迹中距离所述第二位置坐标最小的位置坐标作为第三位置坐标，将当前视频帧的第一序列值与所述第三位置坐标对应的视频帧的第二序列值的差值绝对值作为所述行人的预测时间。

由于闸机具有不同的安装方式，闸机口在视频帧中的位置并不固定，相关经验人员可根据具体实施场景标注出闸机口在视频帧中的像素点坐标。其中，在对闸机口标注时，由于一个相机只考虑其本身对应的闸机口，该闸机口在视频帧中被标注为一个块状连续的区域，进而对闸机口对应的区域进行连通域提取，得到该连通域的边缘像素点，其为闸机边缘像素点。

计算一个行人的预测位置坐标序列中的各个位置坐标与各个闸机边缘像素点的位置坐标的距离，将该距离的最小值作为该行人的预测距离。该行人的预测距离越大，说明该行人在预测的距离闸机口最小的位置偏离闸机口越大，进而预测的该行人通过闸机的意愿程度越低，进而该行人通过闸机的优先程度越低。

在采集视频数据时，每相邻两个视频帧之间的时间间隔相等，每个视频帧都具有一个序列值，对于相邻的两个视频帧，生成时刻较晚的视频帧的序列值与另一个的视频帧的序列值的差为1，换句话说，较新的视频帧的序列值与另一个视频帧的序列值的差为1。两个视频帧的序列值的差值绝对值与对应的时间间隔呈正相关。当前视频帧的第一序列值与第三位置坐标对应的视频帧的第二序列值的差值绝对值越大，预测的对应行人从当前时刻起至第三位置坐标对应的位置的时间越大，该行人从当前位置到达闸机口所需时间越长，说明该行人越偏离闸机口即越偏向排队队列的后面，进而该行人通过闸机的优先程度越低，其中第三位置坐标的位置为预测的距离对应闸机最近的位置，当前时刻为当前视频帧对应的时刻，当前位置为该行人在当前视频帧下的位置。因此，预测时间越大，对应的该行人通过闸机的优先程度越低。

在一个实施例中，根据所述预测时间和预测距离得到所述行人的优先级，包括：所述优先级根据

若一个行人的预测轨迹在向闸机口靠近，而且预测的该行人的从当前时刻到达闸机口的时间较短，则该行人通过闸机的优先程度较大。

第j个行人的预测距离越小，该行人通过闸机的优先程度越高。行人通过闸机的优先程度通过该行人的优先级表征。第j个行人的预测距离越小，第j个行人的优先级越大。

第j个行人的预测时间越小，该行人通过闸机的优先程度越大。行人通过闸机的优先程度通过该行人的优先级表征。第j个行人的预测时间越小，第j个行人的优先级越大。

第j个行人的预测距离和预测时间的和与该行人的优先级呈负相关，因此，可将第j个行人的预测距离和预测时间的和负相关映射得到该行人的优先级。第j个行人的优先级越大，该行人通过闸机的优先程度越大。在一个实施例中，负相关映射的函数可为

举个示例，若行人a的预测距离相较于行人b的预测距离小，且行人a的预测时间相较于行人b的预测时间小，则行人a的优先级大于行人b的优先级。

在一个实施例中，根据所述优先级得到通行队列，包括：将所述优先级大于或等于预设优先级阈值的行人按照优先级从大到小进行排列，得到通行队列。

在根据视频帧检测行人时，一个行人对应一个优先级，有可能出现这种情况，所有人的优先级都较低，或者有一些人的优先级都较低，对于优先级较低的人，不应当对其进行人脸识别，进而不需要计算通行率。因此，将优先级大于或等于预设优先级阈值的行人按照优先级从大到小进行排列，得到通行队列，该通行队列中的行人的优先级较高。在本实施例中，预设优先级阈值设为5。在其他实施例中，预设优先级阈值可由实施者根据具体场景自行设置。

在一个实施例中，对所述通行队列中至少一个识别行人在对应至少一个视频帧下进行人脸识别，包括：对所述通行队列中前预设数量个识别行人在对应至少一个视频帧下进行人脸识别，所述至少一个视频帧包括至少一个历史视频帧。

对每一个人都可进行人脸识别和计算通行率，但是这样会导致计算量过大，进而，为了减少运算量，对通行队列中前预设数量个行人进行人脸识别和计算通行率，在本实施例中，该前预设数量为5。该预设数量为超参数。在其他实施例中，实施者可根据具体实施场景设置前预设数量。需要说明的是，前预设数量个行人的优先级较大。

由于行人距离闸机较近时，对应的相机不一定能够拍到该行人的人脸的正视图，并且该行人在排队时该行人的人脸被其他行人等遮挡的可能性较大，导致对该行人进行人脸识别的准确率较低。但是，行人在历史视频帧下的对应位置距离闸机较远，由于行人距离闸机较远时，对行人的人脸拍摄的效果较好的可能性较大，原因在于，行人距离闸机较远时该行人的脸部被遮挡的可能性较小，且行人在不同距离时会被拍摄到不同的视频帧，该不同的视频帧中该行人的人脸都被遮挡的可能性较小，若该不同的视频帧中该行人的人脸都被遮挡，则该行人可能故意遮挡脸部，该行人具有安全风险。因此，对通行队列中至少一个识别行人在对应至少一个视频帧下进行人脸识别，该至少一个视频帧包括至少一个历史视频帧。

在一个实施例中，所述识别差异程度和参考置信度的获取方法，包括：获取所述识别行人的行人通行对应的第一置信度直方图，其中，所述第一置信度直方图的横坐标为置信度，所述第一置信度直方图的纵坐标为所述行人通行的数量，根据高斯函数对所述第一置信度直方图进行拟合，获得第一高斯函数模型；获取所述识别行人的行人拒行对应的第二置信度直方图，其中，所述第二置信度直方图的横坐标为置信度，所述第二置信度直方图的纵坐标为所述行人拒行的数量，根据高斯函数对所述第二置信度直方图进行拟合，获得第二高斯函数模型；根据所述第一高斯函数模型和第二高斯函数模型，通过KL散度公式计算获得所述识别行人的识别差异程度；将所述识别行人的至少一个行人通行对应的置信度的平均值作为所述识别行人的参考置信度。

其中，根据高斯函数对直方图进行拟合的方法为本领域技术人员所熟知的现有技术，在此不再赘述。KL散度公式为本领域技术人员所熟知的现有技术，在此不再赘述。需要说明的是，若第一高斯函数模型和第二高斯函数模型之间的差异越大，则对应的识别差异程度越大。相反，若第一高斯函数模型和第二高斯函数模型之间的差异越小，则对应的识别差异程度越小。

对于一个识别行人，获取了该识别行人在不同视频帧下的人脸识别结果和该人脸识别结果对应的置信度。其中，识别结果在同一视频帧下的只有行人通行和行人拒行两种情况，在人脸识别效果较好的情况下，行人通行和行人拒行两种情况之间存在较大的差异，即行人通行的数量较多，且行人通行对应的置信度较大，或者行人拒行的数量较多，且行人拒行的对应的置信度较大。在人脸识别效果较差的情况下，行人通行和行人拒行两种情况之间存在较小的差异，对应的识别行人不能通过闸机可能性较大。

为了衡量一个识别行人的行人通行和行人拒行两种情况之间存在的差异，根据第一高斯函数模型和第二高斯函数模型，通过KL散度公式计算获得识别行人的识别差异程度，其用于表征该两种情况之间存在的差异。

一个识别行人的行人通行和行人拒行两种情况之间存在的差异越大，第一高斯函数模型和第二高斯函数模型的差异越大，进而该识别行人的识别差异程度越大。识别差异程度用于表征人脸识别的效果。识别差异程度越大，对对应识别行人进行人脸识别的效果越好。

选择一个识别行人的至少一个行人通行对应的置信度的平均值作为该识别行人的参考置信度，而不是选择该识别行人的至少一个行人拒行对应的置信度的平均值作为该识别行人的参考置信度，原因在于，需要根据对识别行人的识别结果为行人通行判断该识别行人是否能够通行。

在另一个实施例中，选择一个识别行人的每一个行人通行分别对应的置信度的平均值作为该识别行人的参考置信度。

一个识别行人在一个视频帧下的人脸识别结果对应一个置信度，该置信度越大，该人脸识别结果越可信即对应的识别结果正确的可能性越大。因此，该行人的参考置信度越大，对对应识别行人进行人脸识别的结果为行人通行的整体上的准确程度越大。

在一个实施例中，根据所述识别差异程度和参考置信度，得到所述识别行人的通行率，包括：所述通行率根据

第i个识别行人的识别差异程度越大，对对应识别行人进行人脸识别的效果越好，该行人应该通过闸机的程度越高。该行人应该通过闸机的程度通过该行人的通行率进行表征。因此，第i个识别行人的识别差异程度越大，该行人的通行率越大。

第i个识别行人的参考置信度越大，对对应识别行人进行人脸识别的结果为行人通行的整体上的准确程度越大，进而该行人应该通过闸机的程度越高。该行人应该通过闸机的程度通过该行人的通行率进行表征。因此，第i个识别行人的参考置信度越大，该行人的通行率越大。

越大且/>

第i个识别行人的识别差异程度和参考置信度的积与该行人的通行率呈正相关，因此可将该积归一化得到该行人的通行率。通行率越大，该行人应该通过闸机的程度越大。在一个实施例中，归一化函数可为

举一个示例，若识别行人c的识别差异程度相较于识别行人d的识别差异程度大，且识别行人c的参考置信度相较于识别行人d的参考置信度大，则识别行人c的通行率大于识别行人d的通行率。

在一个实施例中，响应于实际通行行人包括至少一个非允许行人，进行预警，所述非允许行人根据所述通行率确定，包括：在所述前预设数量个识别行人中，前最多数量个行人的通行率大于预设通行阈值，将所述最多数量作为第一通行人数；响应于实际通行人数等于所述第一通行人数，且响应于实际通行行人包括至少一个非允许行人，进行预警，所述非允许行人的通行率小于或等于所述预设通行阈值。

在前预设数量个识别行人中，将一个行人的预测位置坐标序列中距离闸机边缘像素点最小的位置坐标作为第三位置坐标。当最大优先级的行人到达对应的第三位置坐标对应的位置时，若其的通行率大于预设通行阈值，则表示该最大优先级的行人可以通行；同理，判断次大优先级的行人是否可以通行；以此类推，直至判断的行人出现不可通行的情况，不可通行的行人的通行率小于或等于预设通行阈值，或者前预设数量个识别行人都可通行，并累计可通行人员的数量，需要说明的是，当判断到一个行人不可通行时，停止累计可通行人员的数量。其中，累计的可通行人员的数量即为第一通行人数，不可通行的行人即为非允许行人。

在一个实施例中，预设通行阈值设为0.8。在其他实施例中，预设通行阈值由实施者根据具体实时场景自行设置。

实际通行行人为实际一次通过闸机的行人，实际通行人数为对应的实际一次通过闸机的行人的数量，该数量可由对应闸机的感应设备对通过闸机的人进行计数获得，当实际通行人数与第一通行人数相等时，控制闸机关闭，防止其他行人再通行，此时出现两种情况：第一种情况，对应的实际通行行人中包括非允许行人，进行预警，进而完成闸机设备的安防识别；第二种情况，对应的实际通行行人中不包括非允许行人，不进行预警，重新计算通行队列，进入下一个循环。

举一个示例，最大优先级的行人g到达对应的第三位置坐标对应的位置时，若其通行率为0.9，预设通行阈值设为0.8，次大优先级的行人f到达对应的第三位置坐标对应的位置时，若其通行率为0.7，则第一通行人数为1。对应的闸机感应到一个人通过后，控制闸机关闭，若实际通行行人中包括非允许行人，则进行预警。

图2是示意性示出根据本实施例中的一种面向闸机设备的安防识别设备的结构框图。

本发明还提供了一种面向闸机设备的安防识别设备。如图2所示，所述设备包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明第一方面所述的一种面向闸机设备的安防识别方法。

所述设备还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。