一种智能防疫系统

技术领域

本发明涉及防疫检测技术领域，尤其涉及到一种智能防疫系统。

背景技术

传统的防疫方式单纯依靠人工值守，不仅耗费巨大人力，给各个小区的人 员调动带来压力，同时也无法做到零接触。

在科技飞速发展的今天，智能化产品也越来越多。其中基于树莓派的微 型防疫门禁的系统为了方便人们工作，解决疫情识别器件对人们出入小区等 场所进行控制，是时代发展的产物，受到越来越多的关注。

有很多的工作场景通常人工操作会浪费一些人工的成本，并且有些环境 人工也无法24小时观测，人工进行工作成本又高，并且耗费时间，并且还很 危险，增加了疫情被感染的风险。为此，我们提出一种智能防疫系统。

本系统主要使用人工智能技术，集成了一套能用于小区、以及办公楼等 场所门禁的智能防疫系统。

发明内容

为至少部分地解决上述问题，本发明提供了一种智能防疫系统，所述系 统包括智能感应开关、信息储存模块、图像采集模块、人脸识别模块、体温 检测模块、信息处理模块、语音模块和通行装置；

智能感应开关，用于在人员到达入口时启动智能防疫系统；

信息储存模块，用于录入并储存本小区人员的虹膜数据特征图；

图像采集模块，用于由摄像头采集入口处人员面部图像及虹膜图像；

人脸识别模块，用于对人员面部图像进行识别，对人员的额头、是否正 确佩戴口罩进行判决；

体温检测模块，用于对入口处人员的额头进行红外体温探测；

信息处理模块，用于接收人脸识别模块、体温检测模块的信息，入口人 员满足是本小区人员、体温正常且正确佩戴口罩时，向通行装置传递开启命 令；

语音模块，用于就通行装置不开启原因对人员进行语音说明或提醒；

通行装置，用于接收信号处理模块发送的开启指令进行通行装置的开启， 并在人员通过后关闭通行装置。

进一步地，所述信息储存模块执行如下操作：

收集本小区人员的虹膜数据特征图，并添加左右眼属性；

将收集的虹膜数据特征图采用K近邻的方式存储在数据库中。

进一步地，所述人脸识别模块采用基于深度学习图像识别方法对入口处 人员面部的实时图像进行分析，确定入口人员是否正确佩戴口罩。

进一步地，所述人脸识别模块执行如下操作：

采集正确戴口罩、未正确戴口罩及人员面部额头的图像

对采集的图像进行矩形框标注，分别将人员面部额头图像、正确戴口罩 图像和未正确戴口罩图像进行矩形框标注，将标注好的图像信息分为训练集 和测试集；

建立深度神经网络目标检测模型，并将训练集和测试集图像用于模型训 练及测试，获取训练好的深度神经网络目标检测模型；

将训练好的深度神经网络目标检测模型用于人脸面部图像识别，判定人 脸面部额头区域以及是否正确佩戴口罩。

进一步地，所述还包括虹膜识别模块，所述虹膜识别模块执行如下操作：

获取图像采集模块采集的入口处人员的虹膜图像；

将获取的入口处人员的虹膜图像与数据库中存储的虹膜数据特征图进行 特征对比，通过对比结果判定是否为本小区人员。

进一步地，所述将获取的入口处人员的虹膜图像与数据库中存储的虹膜 数据特征图进行特征对比，包括：

步骤A1，通过以下公式判断入口处人员的虹膜图像中的异常像素点，并 进行剔除：

其中，P(x

步骤A2，获取去除异常像素点的入口处人员的虹膜图像，并将其图像数 据整合为数据特征向量，并将所述数据库中存储的虹膜数据特征图也整合为 数据特征向量，根据以下公式确定二者之间的相似度：

其中，sim(C,D)代表所述去除异常像素点的入口处人员的虹膜图像的数 据特征向量与所述数据库中存储的虹膜数据特征图对应的特征向量之间的相 似度，C代表所述去除异常像素点的入口处人员的虹膜图像的数据特征向量， 且C＝(β

进一步地，所述体温检测模块执行如下操作：

根据人脸识别模块判定的人脸面部额头区域采用红外探测进行体温检测， 并将信息传统给信息处理模块。

进一步地，所述信息处理模块还用于接受虹膜识别模块的信息，满足入 口人员为本小区人员、体温正常且正确佩戴口罩时，则向通行装置传递开启 命令。

进一步地，所述语音模块中就通行装置不开启原因包括体温异常、不是 本小区人员和未正确佩戴口罩。

进一步地，在不需要对疫情防控的时候，选择关闭图像采集模块、人脸 识别模块、体温检测模块、语音模块、信息处理模块及虹膜识别模块的全部 或部分功能。

与现有技术相比，本发明的有益效果：本发明提供了一种智能防疫系统， 所述系统包括智能感应开关、信息储存模块、图像采集模块、人脸识别模块、 虹膜识别模块、体温检测模块、信息处理模块、语音模块和通行装置，在需 要对疫情进行防控的时候，系统能智能识别，只允许正确佩戴口罩、体温正 常及本小区人员进入，从而通行装置每次只能通过一人，进而限制人员数量， 避免人员过于密集，消除了人员之间相互传染的安全隐患，减轻安保人员的 工作量，降低高频接触人员的工作危险性。

下文中将结合附图对实施本发明的最优实施例进行更详尽的描述，以便 能容易地理解本发明的特征和优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下文中将对本发明实施例 的附图进行简单介绍。其中，附图仅仅用于展示本发明的一些实施例，而非 将本发明的全部实施例限制于此。

图1为本发明所述的一种智能防疫系统框图。

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，所描述的实施例仅仅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，本领域普通技术人员在没有做 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。

如图1所示，本发明解决的技术问题是，提供一种智能防疫系统，所述系统 包括智能感应开关、信息储存模块、图像采集模块、人脸识别模块、体温检 测模块、信息处理模块、语音模块和通行装置；

智能感应开关，用于在人员到达入口时启动智能防疫系统；

信息储存模块，用于录入并储存本小区人员的虹膜数据特征图；

图像采集模块，用于由摄像头采集入口处人员面部图像及虹膜图像；

人脸识别模块，用于对人员面部图像进行识别，对人员的额头、是否正 确佩戴口罩及是否是本小区人员进行判决；

体温检测模块，用于对入口处人员的额头进行红外体温探测；

信息处理模块，用于接收人脸识别模块、体温检测模块的信息，入口人 员满足是本小区人员、体温正常且正确佩戴口罩时，向通行装置传递开启命 令；

语音模块，用于就通行装置不开启原因对人员进行语音说明或提醒；

通行装置，用于接收信号处理模块发送的开启指令进行通行装置的开启， 并在人员通过后关闭通行装置。

上述技术方案的工作原理：智能感应开关采用微波雷达和红外传感器， 在人员达到入口时启动智能防疫系统；智能防疫系统中的信息存储模块录入 并储存本小区人员的虹膜数据特征图，收集本小区人员的虹膜数据特征图， 并添加左右眼属性，将收集的虹膜数据特征图采用K近邻的方式存储在数据库 中；图像采集模块为设置在入口处的摄像头，用于采集入口处人员面部图像 及虹膜图像；通过人脸识别模块对人员面部图像进行识别，对人员的额头区 域、是否正确佩戴口罩进行判决；体温检测模块基于采用红外探测对入口处 人员的额头区域进行体温测量，并将信息传统给信息处理模块；智能防疫系 统还包括虹膜识别模块用于判断是否为本小区人员，通过获取图像采集模块 采集的入口处人员的虹膜图像，将获取的入口处人员的虹膜图像与数据库中 存储的虹膜数据特征图进行特征对比，通过对比结果判定是否为本小区人员； 信息处理模块接收人脸识别模块、虹膜识别模块、体温检测模块的信息，入 口人员满足是本小区人员、体温正常且正确佩戴口罩时，向通行装置传递开 启命令，当不满足其中一条，则无法传递开启命令；通行装置在接收到信号 处理模块发送的开启指令，进行通行装置的开启，并在人员通过后关闭通行 装置；其中，人脸识别模块采用基于深度学习图像识别方法对入口处人员面 部的实时图像进行分析，确定入口人员是否正确佩戴口罩,；语音模块中就通 行装置不开启原因包括体温异常、不是本小区人员和未正确佩戴口罩；智能 防疫系统在不需要对疫情防控的时候，可以选择关闭图像采集模块、人脸识 别模块、体温检测模块、语音模块、信息处理模块及虹膜识别模块的全部或 部分功能。

上述技术方案的有益效果：以上技术方案集成了一套能用于小区、以及 办公楼等场所门禁的智能防疫系统，在存储虹膜数据特征图，采用的机器学 习算法K近邻的方式，加快了比对速度，同时系统中采用深度神经网络目标检 测模型，不仅对图像类别进行分类识别，还可以对图像类别区域进行定位， 使得可以精准的确定人员额头区域位置，从而进行体温检测，系统能智能识 别，只允许正确佩戴口罩、体温正常及本小区人员进入，从而通行装置每次 只能通过一人，进而限制人员数量，避免人员过于密集，消除了人员之间相 互传染的安全隐患，通过这种系统，减轻疫情防控人员工作的负担，提高疫 情防控效率。

本发明提供的一个实施例中，所述人脸识别模块执行如下操作：

采集正确戴口罩、未正确戴口罩及人员面部额头的图像；

对采集的图像进行矩形框标注，分别将人员面部额头图像、正确戴口罩 图像和未正确戴口罩图像进行矩形框标注，将标注好的图像信息分为训练集 和测试集；

建立深度神经网络目标检测模型，并将训练集和测试集图像用于模型训 练及测试，获取训练好的深度神经网络目标检测模型；

将训练好的深度神经网络目标检测模型用于人脸面部图像识别，判定人 脸面部额头区域以及是否正确佩戴口罩。

上述技术方案的工作原理：首先，采集正确戴口罩、未正确戴口罩及人 员面部额头的图像；然后，对采集的图像进行矩形框标注，分别将人员面部 额头图像、正确戴口罩图像和未正确戴口罩图像进行矩形框标注，其中未正 确戴口罩例如(露出鼻子，露出鼻子和嘴巴)，将标注好的图像信息分为训练 集和测试集；其次，建立深度神经网络目标检测模型，并将训练集和测试集 图像用于模型训练及测试，获取训练好的深度神经网络目标检测模型；最后， 将训练好的深度神经网络目标检测模型用于人脸面部图像识别，判定人脸面部额头区域以及是否正确佩戴口罩，其中训练好的深度神经网络目标检测模 型表示模型在测试集上的预测准确率高于99％。

上述技术方案的有益效果：以上技术方案采用深度神经网络目标检测模 型用于人脸面部图像识别，其中对人脸面部图像采用了CNN卷积提取，从而更 好的学习矩形框中的图像特征，神经网络采用BP反向迭代训练，使得网络中 的参数能够更好的拟合，大大的提高了深度神经网络目标检测模型的预测的 准确率。

本发明提供的一个实施例中，所述虹膜识别模块中将获取的入口处人员 的虹膜图像与数据库中存储的虹膜数据特征图进行特征对比，包括：

步骤A1，通过以下公式判断入口处人员的虹膜图像中的异常像素点，并 进行剔除：

其中，P(x

步骤A2，获取去除异常像素点的入口处人员的虹膜图像，并将其图像数 据整合为数据特征向量，并将所述数据库中存储的虹膜数据特征图也整合为 数据特征向量，根据以下公式确定二者之间的相似度：

其中，sim(C,D)代表所述去除异常像素点的入口处人员的虹膜图像的数 据特征向量与所述数据库中存储的虹膜数据特征图对应的特征向量之间的相 似度，C代表所述去除异常像素点的入口处人员的虹膜图像的数据特征向量， 且C＝(β

以上技术方案的工作原理：首先判断入口处人员的虹膜图像中的异常像 素点，并进行剔除，剔除方式利用邻近区域内的像素均值代替；然后，将去 除异常像素点的入口处人员的虹膜图像，并将其图像数据整合为数据特征向 量，并将所述数据库中存储的虹膜数据特征图也整合为数据特征向量，二者 进行相似度对比，从而判决是否为本小区的人员，对本小区的人员实行放行， 不是本小区的人员及首次进入小区，系统录入身份信息、居住信息以及健康 状况，从外省返回的要登记返回时间，从而进行判断是否给予通过，对于外省返回者，中高风险地区的不给予放行。

以上技术方案的有益效果：利用上述技术获取到的入口处人员的虹膜图 像中的异常像素点，使得异常像素点修改为邻近区域内的均值，从而避免了 因异常像素点影响虹膜识别模块的识别率，其中通过虹膜识别模块的进一步 检查，从而进一步提高了安全性能，防止不是本小区人员的进入，以上算法 通过相似度计算公式获取的对比相似度，能够有效的提高相似度判断的准确 性，进一步提高了虹膜识别模块的识别准确率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本 领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和 原则范围之内，所做的任何修改、等同替换、改进等，均应包含在本发明的 保护范围之内。