一种基于深度学习的人脸识别安防系统及其方法

技术领域

本发明涉及人脸识别技术领域，具体地说，涉及一种基于深度学习的人脸识别安防系统及其方法。

背景技术

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份，在某些需要保护起来的区域中，为了确定每个人的身份和安防区域内的安全，就广泛用到人脸识别技术，而人脸识别技术在采集安防区域内允许通过的人员信息时，如果想要采集全面，则需要消耗大量的时间，而不采集全面就会导致面部识别的准确率和成功率较低，因此，提出一种基于深度学习的人脸识别安防系统及其方法。

发明内容

本发明的目的在于提供一种基于深度学习的人脸识别安防系统及其方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明目的之一在于，提供了一种基于深度学习的人脸识别安防系统，包括图像处理系统、身份确认模块、深度学习模块和安全控制模块；

所述图像处理系统对安防范围内的面部图像进行实时采集，然后对采集的面部图像进行预处理，提高面部图像的可用性，所述图像处理系统对面部图像进行预处理之后，所述身份确认模块提取图像处理模块中的面部特征，根据面部特征确认身份，所述身份确认模块确认身份之后，所述深度学习模块持续采集图像预处理模块传输的信息，将面部图像传输至身份确认模块进行面部识别，根据后期的识别结果将身份确认模块判断错误的面部图像储存在身份确认模块中，所述安全控制模块根据身份确认模块的识别结果对安防设备进行控制。

作为本技术方案的进一步改进，所述图像处理系统包括图像采集模块和图像预处理模块；

所述图像采集模块采用拍摄设备对面部图像进行采集，所述图像采集模块对面部图像进行采集之后，所述图像预处理模块对面部图像进行预处理。

作为本技术方案的进一步改进，所述图像采集模块采用摄像头对进出人员的面部进行实时拍摄，获得面部图像之后将其传输至图像预处理模块。

作为本技术方案的进一步改进，所述图像采集模块对面部图像进行采集并将其转化为电信号之后，所述图像预处理模块对图像采集模块传输的信息进行预处理，预处理包括图像尺寸调整和去噪。

作为本技术方案的进一步改进，所述图像预处理模块对图像采集模块采集的面部图像进行预处理之后，所述身份确认模块对面部图像进行边缘检测，对面部图像进行特征提取，然后将提取的特征和数据库中的面部特征信息进行对比，确认该面部特征的身份。

作为本技术方案的进一步改进，所述身份确认模块确认出入安防区域人员的身份之后，所述图像采集模块持续采集其面部信息，并将面部信息传输至深度学习模块中，所述深度学习模块将新的面部信息传输至身份确认模块丰富该人员的面部特征的数据库。

作为本技术方案的进一步改进，所述身份确认模块对人员进行面部识别之后，所述安全控制模块根据身份确认模块的识别结果对安防区域的出入口关卡进行控制，并将面部识别结果通知管理人员。

本发明目的之二在于，提供了一种基于深度学习的人脸识别安防方法，包括上述中任意一项所述的基于深度学习的人脸识别安防系统，包括如下方法步骤：

S1、图像采集模块对安防区域内和出入关卡位置进行实时拍摄，然后图像预处理模块对拍摄的面部图像进行预处理；

S2、提取图像预处理模块中面部图像的特征并和身份确认模块中储存的面部特征进行对比，进而确定人员的身份信息；

S3、深度学习模块采集面部识别不通过的面部图像，并根据后期识别结果将身份确认模块判断错误的面部特征储存在身份确认模块中；

S4、安全控制模块根据身份确认模块的控制结果对安防区域内的安保设施进行控制。

与现有技术相比，本发明的有益效果：

该基于深度学习的人脸识别安防系统及其方法中，可以对安防区域内和关卡位置进行拍摄，在人员通过关卡位置的面部识别之后，可以成功进入安防区域的内部，并且如果出现一开始面部识别不通过，调整位置后识别通过，或者人工操作匹配身份信息，则将不通过的面部图像储存在身份确认模块中，同时在安防区域的内部持续对每个人进行面部识别，如果出现连续面部识别不通过，但在关卡位置识别成功，则将识别不通过的面部图像储存，实现了面部识别的学习效果，有效提高后期对面部识别的成功率和准确，并且保证安防区域内的安保质量。

附图说明

图1为本发明的整体流程框图。

图中各个标号意义为：

1、图像采集模块；

2、图像预处理模块；

3、身份确认模块；

4、深度学习模块；

5、安全控制模块。

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。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例1：请参阅图1所示，本实施例目的之一在于，提供了一种基于深度学习的人脸识别安防系统，包括图像处理系统、身份确认模块3、深度学习模块4和安全控制模块5；

图像处理系统对安防范围内的面部图像进行实时采集，然后对采集的面部图像进行预处理，提高面部图像的可用性，图像处理系统对面部图像进行预处理之后，身份确认模块3提取图像处理模块中的面部特征，根据面部特征确认身份，身份确认模块3确认身份之后，深度学习模块4持续采集图像预处理模块2传输的信息，将面部图像传输至身份确认模块3进行面部识别，根据后期的识别结果将身份确认模块3判断错误的面部图像储存在身份确认模块3中，安全控制模块5根据身份确认模块3的识别结果对安防设备进行控制。

图像处理系统包括图像采集模块1和图像预处理模块2；

图像采集模块1采用拍摄设备对面部图像进行采集，图像采集模块1对面部图像进行采集之后，图像预处理模块2对面部图像进行预处理。

图像采集模块1采用摄像头对进出人员的面部进行实时拍摄，获得面部图像之后将其传输至图像预处理模块2，摄像头分两种，其中一种设置于出入口位置，在有人员出入安防位置时，需要其处于摄像头拍摄位置进行拍摄，通过身份确认后打开出入口的门；另一种设置在安防区域内，平时作为安防区域内的监控设备，在有人经过时，采集其面部信息，实现安防区域内的身份确认，和面部信息的丰富程度，在摄像头拍摄面部图像之后，采用计算机处理面部图像使其转化成电信号，便于将其传输至图像预处理模块2进行进一步处理。

图像采集模块1对面部图像进行采集并将其转化为电信号之后，图像预处理模块2对图像采集模块1传输的信息进行预处理，预处理包括图像尺寸调整和去噪，在对面部信息进行分析之前，由于摄像头和被拍摄人员的面部距离不同，拍摄的面部图像的尺寸不同，所以需要根据实际情况对面部图像进行缩放，使其尺寸合适；在摄像头采集面部图像时，会受到各种噪声的影响，如椒盐噪声、高斯噪声等，这些噪声会影响后续算法的准确性，但是这些去噪方法会影响面部图像的细节，所以根据摄像头设置的实际情况采用合适的去噪方法，提高面部图像的可用性。

图像预处理模块2对图像采集模块1采集的面部图像进行预处理之后，身份确认模块3对面部图像进行边缘检测，对面部图像进行特征提取，然后将提取的特征和数据库中的面部特征信息进行对比，确认该面部特征的身份，图像的边缘检测是图像处理中的一个基本的研究方向和板块，它的主要原理在于识别出数字图像中那些颜色变化或者亮度变化明显的像素点，这些像素点的显著性变化往往代表图像的这部分属性发生了重要变化，其中包括了深度上的不连续、方向上的不连续及亮度上的不连续等，边缘检测算法在对图像的边缘进行检测时，先大概检测出图像轮廓的一些像素点，然后通过面部连接规则将那些像素点连接起来，最后再检测并连接一些之前未被识别的边界点、去除检测到的虚假的像素点和边界点并形成一个整体的边缘，得到一个整体的边缘后，采用LBP算法对面部图像的特征进行提取，LBP算法的步骤如下：

①、在面部图像里确定一个圆心g0；

②、定义R，R是面部图像里距离圆心g0的像素点的个数；

③、定义P，P是面部图像里以R为圆心画一个圆，然后在圆P内部形成的像素点的个数；

④、对像素点进行判断，其判断的依据为：将步骤③中形成的像素点以多尺度的方式分割，形成若干9×9的方格，9×9方格中周围格子的灰度值比中间的灰度值大，则该格记为1；9×9方格中周围格子灰度值比中间的灰度值小的，则该格记为0，在9×9方格中定义一个起点，再根据起点旋转，根据旋转经过的格子列出二进制码；

⑤、将二进制码换算成十进制的数，这个数就是该像素区域的LBP，此LBP是0∧P的范围，LBP为局部二进制图案；

⑥、得到每个像素分割的LBP，建立一个直方图，每个LBP的种类作横轴，每种LBP出现的次数为纵轴，该直方图就是该图像的特征。

根据面部图像中的特征和数据库中进行搜索对比，如果数据库中有和该面部图像相同特征的图像，则可以确认其身份；如果数据库中没有和该面部图像相同特征的图像，则不可确认其身份。

身份确认模块3确认出入安防区域人员的身份之后，图像采集模块1持续采集其面部信息，并将面部信息传输至深度学习模块4中，深度学习模块4将新的面部信息传输至身份确认模块3丰富该人员的面部特征的数据库，由于对面部特征进行识别，一般是通过对人脸正面特征进行提取，然后将提取的特征和数据库中储存的信息进行对比，进而对人员的身份进行分辨，而如果在对人员的身份进行识别时，拍摄的角度和原来记录在数据库中储存的不同，则会导致身份确认失败，此时需要采用人工进行确认，所以在该安防系统刚投入使用时，如果出现身份确认失败，而人工操作端选择对应的身份并允许进入后，将此次身份确认失败的面部图像的特征储存在数据库中，并且在人员处于安防区域内部时，处于安防区域内的摄像头对安防区域内进行监控，采集能看到人员面部的图像信息，并和身份确认模块3中储存的信息进行对比，设定合适的对比次数，如果有人员连续对比次数达到设定值都显示不通过，则该人员需要进行出入口处的面部识别，如果出入口处的面部识别成功，则将对比不通过的面部图像特征储存进数据库中，实现对安防区域内的人员身份进行分辨的效果，并且持续丰富数据库，提高后续对人员面部识别的成功率，同时在有人员通过安防区域内其他出入口进入安防区域内时，快速进行识别，提高安防的安全性。

身份确认模块3对人员进行面部识别之后，安全控制模块5根据身份确认模块3的识别结果对安防区域的出入口关卡进行控制，并将面部识别结果通知管理人员，人员处于安防区域的出入口关卡时，通过面部识别的结果直接控制关卡，如果面部识别通过则直接打开关卡，如果面部识别不通过，则锁定关卡，并将脸部特征传输至人工控制端，此时人员可以在原位置重新进行面部拍摄，面部识别通过后打开关卡，将不通过的面部图像储存进对应的人员身份信息中，或者人工控制端直接匹配合适的人员身份，打开关卡，此时将将不通过的面部图像储存进对应的人员身份信息中，便于后期提高面部识别的成功率；人员处于安防区域内部时，如果有人员连续对比次数达到设定值都显示不通过，则通知安防区域内的管理人员进行重新确认。

本实施例目的之二在于，提供了一种基于深度学习的人脸识别安防方法，包括上述中任意一项的基于深度学习的人脸识别安防系统，包括如下方法步骤：

S1、图像采集模块1对安防区域内和出入关卡位置进行实时拍摄，然后图像预处理模块2对拍摄的面部图像进行预处理；

S2、提取图像预处理模块2中面部图像的特征并和身份确认模块3中储存的面部特征进行对比，进而确定人员的身份信息；

S3、深度学习模块4采集面部识别不通过的面部图像，并根据后期识别结果将身份确认模块3判断错误的面部特征储存在身份确认模块3中；

S4、安全控制模块5根据身份确认模块3的控制结果对安防区域内的安保设施进行控制。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。