[发明专利]一种智能校园自习室监控管理系统

说明书

本发明公开了一种智能校园自习室监控管理系统，属于自习室监控管理技术领域，包括监控模块、传输模块、PC端、图形预处理模块和反馈模块，所述监控模块的输出端与传输模块的输入端电性连接，所述传输模块的输出端与PC端的输入端电性连接，所述PC端的输出端与反馈模块的输入端网络连接。本发明中，通过采用了改进的阶段特征融合卷积神经网络模型，可以使低层和高层卷积结果交叉连接增强泛化能力，防止过拟合现象的发生，拥有更好的鲁棒性，结合分类器的构造，更好地提取了未被遮挡区域的信息，并提高了正确的表情识别率，运用了FaceNet结构，可以及时的通过信息处理，人脸识别可以准确快速的进行身份识别记录与反馈。

技术领域

本发明属于自习室监控管理技术领域，尤其涉及一种智能校园自习室监控管理系统。

背景技术

人类进入21世纪，随着计算机和网络技术的日渐发达，信息识别与检测显示出很高的重要性，随着技术的发展，传统的身份识别方法已经受到越来越多的挑战，可靠性大为降低，势必出现新的信息识别与检测技术。

深度学习的概念来源于人工神经网络，是用来模拟人脑活动的一种神经网络结构，近几年来，深度学习飞速发展，已经成为机器学习研究中的热门领域。早期由于实验条件的限制，发展到多层神经网络时，前向传播的网络训练容易产生大量计算量，因此在实际应用上多层次网络结构并没有得到过多成果。直到2006年Hinton提出的深度信念网络为解决网络训练困难提供了一种新思路，多层网络又被大家重视起来。同时随着互联网的飞速发展，数据量巨大提升，计算机的计算能力也大大提高，现在已经可以很好的训练深层网络。

基于深度学习的方法近十年随着＂深度学习＂的发展浪潮，特别是从传统CPU计算到GPU计算的迁移，让训练复杂的神经网络成为可能。国内外的诸多顶尖科技公司包括Facebook，Google，Microsoft，Baidu等都投入很多资源用于神经网络的研究。卷积神经网络(CNN)是传统神经网络的一种发展，它尤其适合处理图像这种原始数据包含多个维度的建模问题。它将向量的点乘操作扩展成二维的卷积操作，卷积算子把原始图像编码成包含特定特征的图像。卷积神经网络采用共享参数的设置，卷积核只有两个维度，对于图像该种包含RGB深度的数据来说采用共享参数的方式可大大降低参数的数量。

发明内容

本发明的目的在于：为了解决如何对自习室的学生进行人脸识别，如何对已识别的同学进行异常行为识别，建立对于异常行为同学的扣分记录及反馈系统的问题，而提出的一种智能校园自习室监控管理系统。

为了实现上述目的，本发明采用了如下技术方案：一种智能校园自习室监控管理系统，包括监控模块、传输模块、PC端、图形预处理模块和反馈模块，所述监控模块的输出端与传输模块的输入端电性连接，所述传输模块的输出端与PC端的输入端电性连接，所述PC端的输出端与反馈模块的输入端网络连接。

作为上述技术方案的进一步描述：

所述PC端由图形预处理模块、人脸检测模块、行为特征识别模块、人脸识别模块与分类统计模块组成，所述图形预处理模块的输出端与人脸检测模块的输入端数据连接，所述人脸检测模块的输出端分别与行为特征识别模块及人脸识别模块的输入端数据连接，所述行为特征识别模块及人脸识别模块的输出端均与分类统计模块的输入端数据连接。

作为上述技术方案的进一步描述：

所述监控模块由自习室内多个摄像头构成。

作为上述技术方案的进一步描述：

所述人脸检测模块、行为特征识别模块、人脸识别模块基于深度卷积神经网络处理，深度卷积神经网络基于深度学习Tensorflow框架建立。

作为上述技术方案的进一步描述：

所述人脸识别模块的模型为FaceNet。

作为上述技术方案的进一步描述：