【技术实现步骤摘要】
基于多生物特征融合的智能化门禁系统
本专利技术属于生物特征融合理论技术,具体为一种基于多生物特征融合的智能化门禁系统。
技术介绍
随着我国信息技术的高速发展,对于安防领域的安全性等,要求的越来越高。对于政府、企业、军队等安全性要求极高的部门,例如保密室等,更是有极高的保密要求。目前门禁系统各式各样,主要分为传统型门禁系统和生物特征识别门禁系统。传统型门禁系统一般采用密码或者IC卡等方式进行认证,这种验证方式极为不便并且存在忘记带卡、忘记密码或者卡密被盗用被复制的风险。随着技术的发展,传统型的门禁系统已经不能满足现有的需要,慢慢的涌现出一批以人体生物特征为认证方式的生物特征识别门禁系统,相比传统型门禁系统,生物特征识别门禁系统提升了系统的安全性和可靠度,但是目前的生物特征识别门禁系统存在以下几个问题:1、生物特征识别方式单一。目前常见的生物特征识别门禁系统有指纹识别、掌纹静脉识别、人脸识别、虹膜识别、声音识别等,这些系统中只验证单一的生物特征,验证成功后即判定人的身份,误判的概率比较大;2、同一个系统多种生物特征进行分别认证,没有融合判别。一个系统中采用多种生物特征进行认证,但是每一种认证方式是独立的,例如仅仅是判别人脸或者声音等,根据每一种认证的结果进行判断。这种方式没有对多种生物特征信息进行融合判别,识别的准确率存在较大误差,并且存在同一人不同生物特征认证不一致的问题;3、采用特征层融合或者数据层融合的方式进行多种生物特征进行融合,丢失过多的生物特征信息。这种融合层的选择会将所携带的生物特征 ...
【技术保护点】
1.一种基于多生物特征融合的智能化门禁系统,其特征在于,包括图像传感采集器、声音传感采集器、数据处理器、门禁控制设备;/n所述图像传感采集器、声音传感采集器分别用于对目标进行感知和人脸图像信采集、声音信息的采集,并把采集到的人脸图像信息、声音信息通过发送给数据处理器;/n所述数据处理器用于处理接收到的人脸图像和声音信息,进行二者的特征信息融合,并辅以深度学习算法对特征信息进行识别、存储和训练,将判别结果输出给门禁控制设备;/n所述门禁控制设备用于接收数据处理器所发送的判别结果,判别门禁是否响应,如判别成功则打开门禁锁,如判别失败,则重新采集生物信息,数据处理器重新进行生物信息认证,当识别超过限定次数,门禁控制设备中的报警器发出报警。/n
【技术特征摘要】
1.一种基于多生物特征融合的智能化门禁系统,其特征在于,包括图像传感采集器、声音传感采集器、数据处理器、门禁控制设备;
所述图像传感采集器、声音传感采集器分别用于对目标进行感知和人脸图像信采集、声音信息的采集,并把采集到的人脸图像信息、声音信息通过发送给数据处理器;
所述数据处理器用于处理接收到的人脸图像和声音信息,进行二者的特征信息融合,并辅以深度学习算法对特征信息进行识别、存储和训练,将判别结果输出给门禁控制设备;
所述门禁控制设备用于接收数据处理器所发送的判别结果,判别门禁是否响应,如判别成功则打开门禁锁,如判别失败,则重新采集生物信息,数据处理器重新进行生物信息认证,当识别超过限定次数,门禁控制设备中的报警器发出报警。
2.根据权利要求1所述的门禁系统,其特征在于,所述数据处理器包括预处理模块、特征数据存储模块、人脸识别模块、声纹识别模块、特征融合模块;
所述预处理模块,用于对人脸图像和声音信息进行预处理;
所述特征数据存储模块用于存储预处理模块发送过来的人脸图像信息和声音信息、人脸识别模块提取到的人脸特征信息和声纹识别模块提取到的声音特征信息、人脸识别模块训练好的人脸特征信息和声纹识别模块训练好的声音特征信息;
所述人脸识别模块用于解析人脸图像信息,通过向量变换和图像映射,提取人脸图像的生物特征信息;
所述声纹识别模块用于解析声音信息,通过MFCC特征对声音信息进行特征提取;
所述特征融合模块并在决策层进行二者特征信息的融合,从特征数据存储模块中提取出人脸识别模块和声纹识别模块提取到的人脸特征信息和声音特征信息,作为SVM算法的输入信息,建立决策融合矩阵,将信息带入矩阵中进行输出判别。
3.根据权利要求2所述的门禁系统,其特征在于,所述人脸识别模块包括第一样本训练单元和人脸匹配单元;
所述第一样本训练部分单元用于人脸特征信息的训练和学习,通过深度学习算法对特征数据存储模块中的人脸图像信息进行大量特征分析,人脸图像信息输入网格进行处理,经层级变换计算输出结果,并将输出结果存储于特征数据存储模块,用于后续人脸特征信息对比匹配;
所述人脸匹配单元采用主成分分析法+线性判别分析法对同一张人脸图像依次解析,将解析的结果值融合交叉计算得到人脸识别的识别率。
4.根据权利要求3所述的门禁系统,其特征在于,所述第一样本训练单元具体工作过程如下:
步骤1、从特征数据存储模块中提取人脸图像信息样本α,输入到deepID2-plus算法和深度卷积神经网络算法中,并设定理想的输出值;
步骤2、计算实际的输出值Y0:
Y0=Fβ(…(F2(F1(aw(1))w(2))...)w(β))
其中F1至Fβ表示人脸图像信息样本经过网格1至β层变换后的输出向量,w(1)至w(β)表示1至β层的网格卷积权值矩阵;
步骤3、通过matlab中的conv函数,计算人脸图像信息向前传播的特征;
向前传播算法如下:
picQ=conv(picP,filter,valid)
其中picQ表示返回的图像卷积中心特征,picP为原始卷积向量,filter为卷积算法过滤向量,valid为向量卷积返回类型;
步骤4、计算出实际输出值Y0和理想输出值Yp的误差,进行反向传播卷积:
epicP=conv(epicQ,filterRot180,full)
其中epicP表示图像反向传播卷积中心特征,Rot为转向率,full为向量卷积返回类型,e为系数;
步骤5、采用极小化误差法,调整矩阵权值,进行分类对比,提取出人脸图像特征,存储于特征数据存储模块中,再进行下一次的训练学习;其中权值调整公式...
【专利技术属性】
技术研发人员:吴键,张潇,马皓,刘建成,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。