[发明专利]一种用于门禁设备的人脸识别系统

说明书

本发明涉及一种用于门禁设备的人脸识别系统，包括主控模块、监测模块、人脸识别模块、通信模块、云服务器和终端；监测模块与所述主控模块双向连接，主控模块的输出端与云服务器的输入端IP连接；云服务器驱动人脸识别模块进行人脸检测、识别和人脸属性识别，人脸识别模块搭建深度学习卷积神经网络模型；人脸识别模块的数据信息传输至主控模块，主控模块通过所述通信模块与终端进行数据透传。一种搭建了深度学习卷积神经网络的人脸识别系统通过对人脸图像进行人脸轮廓和条纹分布的提取，使用卷积神经网络进行人脸识别，实现对人脸身份进行识别和对人脸属性年龄、性别的识别的功能；人脸信息可以通过通信模块传输至终端，准确快捷地提取人脸信息。

技术领域

本发明涉及神经网络和人脸识别算法领域，更具体地，涉及一种用于门禁设备的人脸识别系统。

背景技术

一般来说智能家居门禁设备按进出识别方式可分为以下三大类：密码识别、卡片识别和生物识别。随着人工智能的发展，生物识别在门禁系统中逐渐替代了其他方式。而在生物识别技术中采用的最多的是人脸识别技术。人脸识别技术运用的算法经历了早期算法、机器学习人工特征+分类器和深度学习这3个阶段，然而在目前的智能家居门禁系统中，人脸识别技术还未能决解安全、快速准确地识别人脸以及提取人脸信息的问题。

在现有技术中，论文[韩进,秦宏超,杨颖超,刘文武.基于OpenCV的嵌入式智能门禁系统设计[J].大众科技,2015,17(03):1-4.]实现的方案是：采用OpenCV中的Viola-Jones算法进行人脸检测、与识别对比神经网络，对人脸特征提取效果不太好。而使用神经网络，对人脸特征提取具有鲁棒性。根据[陈奎,邢雪妍,田欣沅,王吉豪,王顺.基于CNN的人脸识别门禁系统设计[J].徐州工程学院学报(自然科学版),2018,33(04):89-92.]采用的方案：使用传统卷积神经网络对人脸提取特征，最后使用Softmax层识别分类来达到人脸识别的效果，并不太理想，当添加新的人脸数据，需要重新训练卷积神经网络模型，使得该系统的使用性下降。因为传统卷积神经网络人脸识别需要先训练一个分类器，把网络某一层输出导入分类器获取识别信息，因此存在间接低效的缺点，即模型产生的特征泛化能力不高且维数达上千维。有的方法采用PCA降维，但PCA是一种线性变换方法，本身对高层神经网络的改善不大，甚至会影响网络的功能。

发明内容

本发明为解决现有的智能家居门禁系统中，人脸识别技术无法快速准确地提取人脸信息的技术缺陷，提供了一种用于门禁设备的人脸识别系统，代替了传统人脸识别系统，在传统系统基础上使用深度学习卷积神经网络提高了提取人脸特征。

为实现以上发明目的，采用的技术方案是：

一种用于门禁设备的人脸识别系统，包括主控模块、监测模块、人脸识别模块、通信模块、云服务器和终端；所述监测模块与所述主控模块双向连接，所述主控模块的输出端与所述云服务器的输入端IP连接；所述云服务器驱动人脸识别模块进行人脸检测与识别，所述人脸识别模块搭建有深度学习卷积神经网络模型；所述人脸识别模块的数据信息传输至所述主控模块，所述主控模块通过所述通信模块与所述终端进行数据透传。

上述方案中，一种搭建了深度学习卷积神经网络的人脸识别系统通过对人脸图像进行人脸轮廓和条纹分布的提取，使用卷积神经网络进行人脸识别，实现对人脸身份进行识别和对人脸属性——年龄、性别的识别的功能；人脸的信息可以通过通信模块传输至终端，准确快捷地提取人脸信息。

所述主控模块为树莓派主控模块。

上述方案中，在本专利中选择使用拥有ARM架构和Linux系统的树莓派三代B+来作为硬件核心模块，相比FPGA来说，树莓派的控制性能较好而且还能够使用Python语言编程调用OpenCV库对图像进行处理，并且在智能家居方面，树莓派的应用比较广泛。

所述监测模块包括门铃键和摄像头；门铃键被触发时，其电信号传送至树莓派，所述树莓派驱动摄像头进行图片采集，并将图片信息传输至云服务器。