[发明专利]基于卷积神经网络的分布式人脸识别门锁系统

权利要求书

1.一种基于卷积神经网络的分布式人脸识别门锁系统，其特征在于：包括树莓派主控端和神经网络识别服务器从控端；

树莓派主控端包括：主运行逻辑模块、用户管理与数据集准备模块、指令与通信管理模块，树莓派主控端用于锁状态控制、图像采集、数据准备和预处理，传送指令至神经网络识别服务器的工作，通过红外传感器输入红外信号至主运行逻辑模块；

用户管理与数据集准备模块，包括添加用户模块、删除用户模块；

指令与通信管理模块包括APP交互控制，监听APP请求函数：监听函数主要于主函数处被以线程方式被启动，在第一层循环中系统等待连接，一旦APP连接完成，系统即进入单次指令接收循环，接收完成后分析请求内容，根据内容修改控制字，请求包括：上锁、放行、解锁模式、添加用户、删除用户、即时查看、查看解锁记录，当主控处在等待神经网络服务器训练时系统会保持上锁模式，屏蔽状态修改请求，以对服务器数据写保护，防止干扰神经网络服务器训练；每次控制字修改完成后，系统自动关闭socket连接，跳出本次请求接收循环，返回上一级循环等待下一次APP的随时连接；

神经网络识别服务器包括：神经网络训练模块、识别判断模块和主服务逻辑模块，神经网络服务器作为分布式从控端，接收树莓派主控端的指令，对发送来的数据进行判断并回复，而APP接口由树莓派主控端负责监听其传来的状态修改请求并对当前状态切换。

2.根据权利要求1所述的基于卷积神经网络的分布式人脸识别门锁系统，其特征在于神经网络识别服务器包括：

神经网络服务器的服务逻辑通过bind函数绑定与主控通讯的8002端口并监听主控发送指，通过send和recval l函数进行收发操作；循环服务逻辑正式启动前，需将标志参数初始化，

通过主控指令与通信模块相同的socket连接方法，服务逻辑接收一次指令后修改指令字，完成后向主控发送提示准备好执行指令并断开连接，等待主控下一次连接后直接进入指令执行的动作如接收图片判断用户号；

执行指令时系统统一接收图片流长度信息，再根据指令使用OpencCV将图片stream流解码保存到对应指令操作的文件夹中，之后再通过操作号进入不同的执行操作，检测用户操作，需要训练和测试两组指令和动作分别保存训练数据集和测试数据集后训练完成后，模型跟新请求执行操作，每次操作完成后系统都进入监听并准备连接状态，支持主控系统随时发来指令。

3.根据权利要求2所述的基于卷积神经网络的分布式人脸识别门锁系统，其特征在于：引入数据集之后，定义卷积神经网络层各组件、变量和参数，包括卷积核及尺寸shape、权重weight、偏移量bias参数，fweight用于定义全连接层卷积核权重，相比全连接层，卷积层的卷积核在权重上AlexNet多使用了一次L2正则化操作；conv2d和max_pool分别为卷积层和池化层定义，卷积层卷积的横纵步长设置为1，即让卷积和一像素一像素地平移采样，池化层横纵步长设置为2，以对半稀疏卷积核采样的数据，丰富采样的泛化性，采样方式全部为‘SAME’不越过边缘采样，最后设置初始输入的张量尺寸为64*64，单通道。

4.根据权利要求3所述的基于卷积神经网络的分布式人脸识别门锁系统，其特征在于：所述的神经网络层，配置五层卷积池化和两层全连接结构，通过首层的大卷积核配合48个多通道，之后多层池化和卷积对采样数据具体细化分类，最后predict通过将所有卷积核神经元的输出相加得到12输出通道中各通道的数值对应标签号，数值高的通道即为对应匹配度高的标签号；

神经网络训练通过trainner方法作为训练器，使用Adam优化器去检查张量经过网络图后输出的值与标注标签差距的loss函数，通过寻找梯度下降的方向调整网络中卷积核及神经元权重和偏移量让差值loss逐渐减少，最终让loss下降到一个最小值来达到最优解；

accuracy方法测试数据集来检测每步训练得到的网络模型对训练数据集之外的图片识别准确度，此方的输出法直接反映了网络的训练拟合程度和识别效果；最后start_train即建立tensoflow对话，加载参数和神经网络图，使用数据集进行多轮训练并整图保存神经网络和其参数的方法，在服务逻辑的训练服务中被调用。