室内外通用人脸识别新算法安防系统技术方案

本发明专利技术设计了室内外通用人脸识别新算法安防系统，包括：人身份数据检查/输入模块，训练人工智能模型模块，验证、保存人工智能模型模块，人工智能模型测试模块，模型计算模块，通信模块，中央系统权限发放模块；对人脸照片进行深度学习训练，训练完毕的模型进行测试、评估与保存，中央系统设置权限，下发到智能门锁终端。

A new algorithm security system for indoor and outdoor face recognition

【技术实现步骤摘要】
室内外通用人脸识别新算法安防系统
：本专利技术涉及社区安防自动化领域，更具体的，涉及到利用人工智能技术设计的室内外通用人脸识别新算法安防系统。
技术介绍
：近年来，随着城镇化的推进和居民生活水平的提高，越来越多的居民住进了社区，社区的规模越来越大，社区安防成为公众和政府治安部门关注的重点问题之一。现有的社区安防仍然以人力安防为主，自动化程度低，需要昼夜值班，消耗人力大，对于社区居民，经常忘记带钥匙和钥匙被他人挪用而进入社区也是一个要考虑的问题。计算机自动化的程度不断提高，特别是人工智能技术的到来，为解决问题提供新的思路。
技术实现思路
：本专利技术的目的是，提出室内外通用人脸识别新算法安防系统，该系统与传统社区安防系统相比，更加智能化，有全面地身份识别数据库。为达到以上目的，本专利技术采用如下技术方案：总体结构设计包括以下，输入第三方人脸数据库，应用于深度学习或者迁移学习，在此过程中进行精度评估。将从迁移学习数据库中训练的模型进行迁移，利用测试数据对模型进行评估，如果测试通过，保存模型，该模型用于人脸识别的身份验证。在管理端可以对模型进行下发，管理各个门锁的准入权限。个人身份数据检查/输入。数据输入前（包括迁移学习数据和测试数据），检查数据的文件夹是否按trainvalidationtest三个文件夹分类，检查三个文件夹里的数据命名是否按训练规则，三个文件夹数据比例，以及文件格式。训练人工智能模型。先应用标准数据库中的数据训练模型，然后可以将该模型进行保存和迁移（迁移，即将模型学习到的能力应用到另一个模型中）。应用上一步检查完毕的数据，进行新的模型训练（应用是训练数据集train）。训练人工智能模型数据来源于两个大规模的人脸库(FERETandFRGCv2.0)。验证训练人工智能模型。将训练完的模型用验证数据集合（3.1步骤里的validation数据集）验证，验证精度是否达到标准，标准为自己设定，一般为88%左右。没达到要求，重新进行模型训练；达到要求，可选择保存模型。验证人工智能模型数据来源于两个大规模的人脸库(FERETandFRGCv2.0)的随机采样部分。模型精度评估。精度评估在整个过程中都存在，包括训练数据集，验证数据集和测试数据集的评估，在精度评估中计算精度、召回率和绘制精度-召回率曲线来对模型精度进行评估模型测试/计算数据功能。测试过程包括用目标数据的一部分作为测试数据集，对训练完毕的模型进行精度测试与评估，没有达到设定的阈值，则判断模型不满足要求，对模型重新进行训练；如果测试精度达到要求，满足精度要求，则将其应用于目标数据。模型测试精度达到要求时，对目标数据进行计算和分类，最终计算的结果保留、存储，同时可保留计算和分类的精度报告。中央系统权限发放。中央系统权限发放功能包括将训练完毕的模型通过网络传输到门禁终端，这些终端包括社区的门禁系统和社区各用户安装的门禁系统。权限发放功能也包括将个人信息传输到门禁终端，控制是否允许特定的个人开锁。系统权限也包括控制终端将终端存储的部分人身份信息传递到总系统。系统可以下发对终端固件升级的命令。附图说明：图1个人身份数据检查/输入功能流程图图2训练人工智能模型功能流程图图3验证训练人工智能模型功能流程图图4模型精度评估功能流程图图5模型测试/计算数据功能流程图图6中央系统权限发放功能流程图具体实施方式：个人身份数据检查/输入。数据输入前（包括迁移学习数据和测试数据），检查数据的文件夹是否按trainvalidationtest三个文件夹分类，检查三个文件夹里的数据命名是否按训练规则进行命名，三个文件夹数据比例，如3：1：1，以及文件格式。训练人工智能模型。先应用标准数据库中的数据训练模型，然后可以将该模型进行保存和迁移（迁移，即将模型学习到的能力应用到另一个模型中）。应用上一步检查完毕的数据，进行新的模型训练（应用是训练数据集train）。训练人工智能模型数据来源于两个大规模的人脸库(FERETandFRGCv2.0)。验证训练人工智能模型。将训练完的模型用验证数据集合（3.1步骤里的validation数据集）验证，验证精度是否达到标准，标准为自己设定，一般为88%左右。没达到要求，重新进行模型训练；达到要求，可选择保存模型。模型精度评估。精度评估在整个过程中都存在，包括训练数据集，验证数据集和测试数据集的评估，在精度评估中计算精度、召回率和绘制精度-召回率曲线来对模型精度进行评估模型测试/计算数据功能。测试过程包括用目标数据的一部分作为测试数据集，对训练完毕的模型进行精度测试与评估，没有达到设定的阈值，则判断模型不满足要求，对模型重新进行训练；如果测试精度达到要求，满足精度要求，则将其应用于目标数据。模型测试精度达到要求时，对目标数据进行计算和分类，最终计算的结果保留、存储，同时可保留计算和分类的精度报告。模型测试/计算数据功能中，利用一种串、并行结合的方式将全局和局部面部特征进行集成:首先利用全局特征进行粗略的匹配,然后再将全局和局部特征集成起来进行精细的确认.在该方法中,全局和局部特征分别采用傅里叶变换和Gabor小波变换进行提取。全局和局部特征在人脸感知过程中所起的作用不同.因此,为了利用更多的判别信息,我们需要把这两种特征有效地集成到一起.从频谱分析的角度来说,全局特征对应低频,而局部特征对应高频.因此,本文采用傅里叶变换系数的低频部分作为全局特征,而采用Gabor小波变换系数作为局部特征.Gabor小波变换可以增强图像上的边缘,因此从某种意义上来说,Gabor小波变换提取的是高频信息.全局傅里叶特征提取。傅里叶变换是一种常用的频谱分析方法.本文采用二维离散傅里叶变换(discreteFouriertransform,简称DFT)系数的低频部分作为全局特征.对一幅图像做二维离散傅里叶变换可以用如下公式表示:其中,f(x,y)表示M×N大小的二维图像,u和v是频域变量.图像f(x,y)是一个实值函数,因此傅里叶变换的输出是复数形式,即其中,R(u,v)和I(u,v)分别表示F(u,v)的实部和虚部.经过傅里叶变换后,图像可以表示为所有频段的实部和虚部变换系数.尽管所有频段的变换系数都包含图像中的信息,但是图像的全局信息大都包含在低频的系数中.因此，只保留低频系数作为全局特征.对于一幅人脸图像,傅里叶变换得到的低频系数(包括实部和虚部)被串接起来形成一个特征向量,称其为全局傅里叶特征向量(globalFourierfeaturevector,简称GFFV).局部Gabor特征提取。二维Gabor小波变换(2DGaborwavelettransform,简称GWT)最早由Daugman提出[11],用于模拟初级视觉皮层简单细胞的空间感受野,近年来被认为是最成功的人脸描述方法之一.二维Gabor小波的核函数定义为一个用高斯包络函数约束的平面波:...

【技术保护点】
1.室内外通用人脸识别新算法安防系统，其特征在于，包括：人身份数据检查/输入模块，训练人工智能模型模块，验证、保存人工智能模型模块，人工智能模型测试模块，模型计算模块，通信模块，中央系统权限发放模块。/n

【技术特征摘要】
1.室内外通用人脸识别新算法安防系统，其特征在于，包括：人身份数据检查/输入模块，训练人工智能模型模块，验证、保存人工智能模型模块，人工智能模型测试模块，模型计算模块，通信模块，中央系统权限发放模块。


2.根据权利要求1所述的系统，其特征在于，所述的个人身份数据检查/输入模块，数据输入前（包括迁移学习数据和测试数据），检查数据的文件夹是否按trainvalidationtest三个文件夹分类，检查三个文件夹里的数据命名是否按训练规则，三个文件夹数据比例，以及文件格式。


3.根据权利要求1所述的系统，其特征在于，所述的训练人工智能模型模块，数据输入前（包括迁移学习数据和测试数据），检查数据的文件夹是否按trainvalidationtest三个文件夹分类，检查三个文件夹里的数据命名是否按训练规则，三个文件夹数据比例，以及文件格式；
所述的验证、保存人工智能模型模块，将训练完的模型用验证数据集合验证，验证精度是否达到标准，标准为自己设定，没达到要求，重新进行模型训练...

【专利技术属性】
技术研发人员：陈工，宋经纬，郭二帅，
申请(专利权)人：百廿科技北京有限公司，
类型：发明
国别省市：北京;11