访客管理系统及其方法技术方案

公开了一种访客管理系统及其方法，其通过利用基于对抗生成网络的去遮挡生成器对所采集访客的人脸图像进行去遮挡处理；然后，通过包含深浅特征融合模块的卷积神经网络模型进行图像特征的提取以得到人脸特征图，其中，所述人脸特征图的沿通道维度的各个特征矩阵表示各个人脸局部特征；接着，基于转换器思想，对所述各个人脸局部特征进行基于全局的上下文语义编码以提取所述各个人脸局部特征的全局关联特征，最后通过分类器得到用于表示人脸识别结果的分类结果。这样，可以提高访客人脸识别的精准度，以进行访客智能管理。以进行访客智能管理。以进行访客智能管理。

【技术实现步骤摘要】
访客管理系统及其方法


[0001]本申请涉及智能管理
，且更为具体地，涉及一种访客管理系统及其方法。

技术介绍

[0002]进出访客管理系统是新一代聚集了高新技术于一体的电子产品，代替了传统的手工登记的方式，为企业的访客管理带来了很大的帮助，避免了传统手工登记上的漏洞。
[0003]访客在访问公司前，会通过设备或者软件来进行访客登记，例如，上传身份信息等，这样在访客来进行访问公司时，能够通过人脸识别进行访客身份智能识别以确定是否可以放行。
[0004]但是，在进行人脸识别时，数据库中的访客身份信息是访客的身份证上的照片，而实际上访客的长相相较于身份证上的人脸图像已发生变化，这会导致访客身份识别的失败。同时，在进行访客人脸识别时，访客还可能带着帽子、太阳镜等遮挡物，进一步增加了访客识别难度。
[0005]因此，期待一种优化的访客管理系统，其能够更为精准地进行访客身份识别。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种访客管理系统及其方法，其通过摄像头采集访客的人脸图像并进行去遮挡处理；然后，通过包含深浅特征融合模块的卷积神经网络模型进行图像特征的提取以得到人脸特征图，其中，所述人脸特征图的沿通道维度的各个特征矩阵表示各个人脸局部特征；接着，基于转换器思想，对所述各个人脸局部特征进行基于全局的上下文语义编码以提取所述各个人脸局部特征的全局关联特征，最后通过分类器得到用于表示人脸识别结果的分类结果。这样，可以提高访客人脸识别的精准度，以进行访客智能管理。
[0007]根据本申请的一个方面，提供了一种访客管理系统，其包括：
[0008]访客人脸图像采集模块，用于获取由摄像头采集的访客的人脸图像；
[0009]去遮挡模块，用于将所述人脸图像通过去遮挡生成器以得到生成人脸图像；
[0010]卷积编码模块，用于将所述生成人脸图像通过包含深浅特征融合模块的卷积神经网络模型以得到人脸特征图；
[0011]局部特征池化模块，用于将所述人脸特征图的沿通道维度的各个特征矩阵进行基于行向量方向或列向量方向的池化以得到多个人脸局部特征向量；
[0012]优化模块，用于对所述多个人脸局部特征向量中各个人脸局部特征向量进行优化以得到多个优化人脸局部特征向量；
[0013]全局编码模块，用于将所述多个优化人脸局部特征向量排列为向量的序列后通过基于转换器的上下文编码器以得到人脸全局语义关联特征向量；和
[0014]访客识别结果生成模块，用于将所述人脸全局语义关联特征向量通过分类器以得到分类结果，所述分类结果为人脸识别结果。
[0015]在上述访客管理系统中，所述去遮挡生成器为对抗生成网络。
[0016]在上述访客管理系统中，所述卷积编码模块，包括：特征提取单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以从所述卷积神经网络模型的浅层提取浅层特征图和从所述卷积神经网络模型的深层提取深层特征图；以及，融合单元，用于将所述浅层特征图和所述深层特征图进行级联以得到所述人脸特征图。
[0017]在上述访客管理系统中，所述卷积神经网络模型的浅层为1
‑
6层，所述卷积神经网络模型的深层为所述卷积神经网络模型的最后一层。
[0018]在上述访客管理系统中，所述局部特征池化模块，进一步用于：将所述人脸特征图的沿通道维度的各个特征矩阵进行基于行向量方向或列向量方向的均值池化以得到所述多个人脸局部特征向量。
[0019]在上述访客管理系统中，所述优化模块，进一步用于：使用如下公式对所述多个人脸局部特征向量中各个人脸局部特征向量进行优化以得到所述多个优化人脸局部特征向量；其中，所述公式为：
[0020][0021]其中，v
i
是所述人脸局部特征向量中各个位置的特征值，v
i
′
是所述优化人脸局部特征向量中各个位置的特征值，μ和σ是所述人脸局部特征向量中所有位置的特征值集合的均值和方差，ReLU()表示非线性修正单元，Sigmoid()表示Sigmoid激活函数，exp(
‑
σ)表示以所述人脸局部特征向量中所有位置的特征集合的方差的负值为幂的自然指数函数值。
[0022]在上述访客管理系统中，所述全局编码模块，包括：上下文语义编码单元，用于使用所述基于转换器的上下文编码器对由所述多个优化人脸局部特征向量排列的向量的序列进行基于全局的上下文语义编码以得到多个人脸语义局部特征向量；以及，级联单元，用于将所述多个人脸语义局部特征向量进行级联以得到所述人脸全局语义关联特征向量。
[0023]在上述访客管理系统中，所述访客识别结果生成模块，进一步用于：使用所述分类器以如下公式对所述人脸全局语义关联特征向量进行处理以生成分类结果，其中，所述公式为：O＝softmax{(W
n
,B
n
):
…
:(W1,B1)|X}，其中X表示所述人脸全局语义关联特征向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表示各层全连接层的偏置向量。
[0024]根据本申请的另一方面，提供了一种访客管理方法，其包括：
[0025]获取由摄像头采集的访客的人脸图像；
[0026]将所述人脸图像通过去遮挡生成器以得到生成人脸图像；
[0027]将所述生成人脸图像通过包含深浅特征融合模块的卷积神经网络模型以得到人脸特征图；
[0028]将所述人脸特征图的沿通道维度的各个特征矩阵进行基于行向量方向或列向量方向的池化以得到多个人脸局部特征向量；
[0029]对所述多个人脸局部特征向量中各个人脸局部特征向量进行优化以得到多个优化人脸局部特征向量；
[0030]将所述多个优化人脸局部特征向量排列为向量的序列后通过基于转换器的上下文编码器以得到人脸全局语义关联特征向量；和
[0031]将所述人脸全局语义关联特征向量通过分类器以得到分类结果，所述分类结果为人脸识别结果。
[0032]在上述访客管理方法中，所述去遮挡生成器为对抗生成网络。
[0033]在上述访客管理方法中，所述将所述生成人脸图像通过包含深浅特征融合模块的卷积神经网络模型以得到人脸特征图，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以从所述卷积神经网络模型的浅层提取浅层特征图和从所述卷积神经网络模型的深层提取深层特征图；以及，将所述浅层特征图和所述深层特征图进行级联以得到所述人脸特征图。
[0034]在上述访客管理方法中，所述卷积神经网络模型的浅层为1
‑
6层，所述卷积神经网络模型的深层为所述卷积神经网络模型的最后一层。
[0035]在上述访客管理方法中，所述将所述人脸特征图的沿通道维度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种访客管理系统，其特征在于，包括：访客人脸图像采集模块，用于获取由摄像头采集的访客的人脸图像；去遮挡模块，用于将所述人脸图像通过去遮挡生成器以得到生成人脸图像；卷积编码模块，用于将所述生成人脸图像通过包含深浅特征融合模块的卷积神经网络模型以得到人脸特征图；局部特征池化模块，用于将所述人脸特征图的沿通道维度的各个特征矩阵进行基于行向量方向或列向量方向的池化以得到多个人脸局部特征向量；优化模块，用于对所述多个人脸局部特征向量中各个人脸局部特征向量进行优化以得到多个优化人脸局部特征向量；全局编码模块，用于将所述多个优化人脸局部特征向量排列为向量的序列后通过基于转换器的上下文编码器以得到人脸全局语义关联特征向量；和访客识别结果生成模块，用于将所述人脸全局语义关联特征向量通过分类器以得到分类结果，所述分类结果为人脸识别结果。2.根据权利要求1所述的访客管理系统，其特征在于，所述去遮挡生成器为对抗生成网络。3.根据权利要求2所述的访客管理系统，其特征在于，所述卷积编码模块，包括：特征提取单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以从所述卷积神经网络模型的浅层提取浅层特征图和从所述卷积神经网络模型的深层提取深层特征图；以及融合单元，用于将所述浅层特征图和所述深层特征图进行级联以得到所述人脸特征图。4.根据权利要求3所述的访客管理系统，其特征在于，所述卷积神经网络模型的浅层为1
‑
6层，所述卷积神经网络模型的深层为所述卷积神经网络模型的最后一层。5.根据权利要求4所述的访客管理系统，其特征在于，所述局部特征池化模块，进一步用于：将所述人脸特征图的沿通道维度的各个特征矩阵进行基于行向量方向或列向量方向的均值池化以得到所述多个人脸局部特征向量。6.根据权利要求5所述的访客管理系统，其特征在于，所述优化模块，进一步用于：使用如下公式对所述多个人脸局部特征向量中各个人脸局部特征向量进行优化以得到所述多个优化人脸局部特征向量；其中，所述公式为：其中，v
i
是所述人脸局部特征向量中各个位置的特征值，v
i
′
是所述优化人脸局部特征向量中各个位置的特征值，μ和σ是所述人脸局部特征向量中所有位置的特征值集合的均值和方差，ReLU()表示非...

【专利技术属性】
技术研发人员：韦小伟，
申请(专利权)人：杭州韵度信息科技有限公司，
类型：发明
国别省市：