本发明涉及安防系统技术领域，具体涉及一种基于区块链的人脸识别门禁系统。
背景技术：
随着当今社会科技的不断进步，人们正感受着高科技带来的方便和益处，同时，人们对于高科技服务与生活的要求也越来越高。但是随着科技的发展，也带来了许多不安全的方面，例如，运用高科技手段进行盗窃、抢劫和间谍等犯罪行为与日俱增。
怎样才能使人们的安全防范措施跟得上科技的发展，并且更有效的阻止这些犯罪行为的侵犯行为成为人们亟待解决的问题。仅仅依靠普通的门锁、防盗门或者固定的存储介质已经不能满足人们对安全性能的要求。
技术实现要素：
针对上述问题，本发明提供一种基于区块链的人脸识别门禁系统。该系统利用了区块链的分布式数据存储的特点，将用户的人脸图像存储于区块链数据库中，当采集到开门人的人脸图像时，系统从区块链数据库中获取用户的人脸图像并与开门人的人脸图像进行分析处理，控制器根据处理结果发出相应的控制指令。
本发明的目的采用以下技术方案来实现：一种基于区块链的人脸识别门禁系统，该人脸识别门禁系统包括区块链数据库、人脸识别器、处理器、控制器、电磁锁和报警器；
区块链数据库，用于存储有门禁权限的用户人脸图像；
人脸识别器，用于采集开门人的人脸图像，并将采集的人脸图像发送至处理器；
处理器，用于对采集的人脸图像和区块链数据库中存储的人脸图像进行处理，并把相应的结果发送至控制器；
控制器，用于根据处理结果，向电磁锁和报警器发出相应的控制指令，若处理结果显示开门人具有门禁权限，控制器控制电磁锁开启，若处理结果显示开门人不具有门禁权限，控制器向报警器发出报警指令，报警器进行报警。
本发明的有益效果为：与现有技术相比，利用区块链数据库对用户的人脸图像进行存储，避免了一个节点挂掉或者被攻击而导致的整个系统失效的风险，提升了门禁系统的安全等级。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图；
图2是本发明处理器的框架结构图。
附图标记：区块链数据库1；人脸识别器2；处理器3；控制器4；电磁锁5；报警器6；预处理模块31；超图构建模块32；超图预选模块33；前景提取单元311；过分割单元312；视觉超图构建单元321；空间超图构建单元322。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，一种基于区块链的人脸识别门禁系统，该人脸识别门禁系统包括区块链数据库1、人脸识别器2、处理器3、控制器4、电磁锁5和报警器6；
区块链数据库1，用于存储有门禁权限的用户人脸图像；
人脸识别器2，用于采集开门人的人脸图像，并将采集的人脸图像发送至处理器；
处理器3，用于对采集的人脸图像和区块链数据库中存储的人脸图像进行处理，并把相应的结果发送至控制器；
控制器4，用于根据处理结果，向电磁锁和报警器发出相应的控制指令，若处理结果显示开门人具有门禁权限，控制器4控制电磁锁5开启，若处理结果显示开门人不具有门禁权限，控制器4向报警器6发出报警指令，报警器6进行报警。
作为优选，区块链数据库1由多个区块链节点组成，所述区块链节点用于存储有门禁权限的用户人脸图像。
有益效果：利用区块链数据库1对用户的人脸图像进行存储，避免了一个节点挂掉或者被攻击而导致的整个系统失效的风险，提升了门禁系统的安全等级。
作为优选，控制器4为单片机。
作为优选，参见图2，处理器3包括预处理模块31、超图构建模块32和超图预选模块33；
预处理模块31，用于根据获取的开门人的人脸图像和区块链数据库1中的人脸图像构建一集合
超图构建模块32，用于通过构建超图模型描述预处理后的集合t中的人脸图像之间的关系；
超图预选模块33，用于根据构建的超图模型，从区块链数据库1中预选出与开门人的人脸图像相似度最高的人脸图像，并对相似度值进行判断，并将相应的结果发送至控制器4。
作为优选，参见图2，预处理模块31包括前景提取单元311和过分割单元312；
前景提取单元311用于从集合t的每张人脸图像中提取包含人脸轮廓信息的前景图像，并将提取得到的前景图像加入集合
过分割单元312用于对得到的前景图像ipf进行过分割处理，具体是将得到的前景图像ipf划分为互不重叠的子区域，并将得到的子区域加入公共子区域集合r，其中
作为优选，从集合t的每张人脸图像中提取包含人脸轮廓信息的前景图像，其中，从人脸图像ip中提取包含人脸轮廓信息的前景图像，具体为：
(1)将人脸图像ip中的像素点进行初始化分类，得到初始前景像素点集合
(2)利用概率函数对ip中的所有像素点属于前景像素点和背景像素点的概率进行估计；其中，计算像素点pl隶属于前景像素点的概率函数为：
式中，pfore(pl)是像素点pl隶属于前景像素点的概率值，if是初始前景像素点的个数，g(pl)是像素点pl的灰度值，g(pi)是像素点pi的灰度值，d(pl)是像素点pl的坐标，d(pi)是像素点pi的坐标，‖d(pl)-d(pi)‖是像素点pl和像素点pi的欧式距离，σ1、σ2是设定的参数，γ1、γ2是权重因子，满足γ1+γ2＝1，且γ1＞0，γ2＞0；
计算像素点pl隶属于背景像素点的概率函数为：
式中，pback(pl)是像素点pl隶属于背景像素点的概率值，ib是初始背景像素点的个数，g(pl)是像素点pl的灰度值，g(qj)是像素点qj的灰度值，d(pl)是像素点pl的坐标，d(qj)是像素点qj的坐标，||d(pl)-d(qj)||是像素点pl和像素点qj的欧式距离，σ3、σ4是设定的参数，γ3、γ4是权重因子，满足γ3+γ4＝1，且γ3＞0，γ4＞0；
计算图像ip中所有像素点隶属于前景像素点的概率值和隶属于背景像素点的概率值，并比较pfore(pl)和pback(pl)的概率值大小，如果pfore(pl)≥pback(pl)，像素点pl属于前景像素点，并将像素点pl加入到前景像素点集合中，如果pfore(pl)＜pback(pl)，像素点pl属于背景像素点，并将像素点pl加入到背景像素点集合中，遍历图像ip所有像素点，得到更新后的前景像素点集合和背景像素点集合；
(3)根据更新后的前景像素点集合和背景像素点集合，利用步骤(2)中的概率函数，重新计算pfore(pl)和pback(pl)，比较pfore(pl)和pback(pl)的大小并对像素点pl进行重新归类，遍历图像ip中所有像素点，实现对前景像素点集合和背景像素点集合的更新，重复步骤3，直至收敛，得到前景像素点集合；
(4)对前景像素点集合进行二值图像闭操作处理，经过二值图像闭操作处理后的前景像素点构成的集合即是前景图像ipf。
在上述实施例中，比较pfore(pl)和pback(pl)的大小并对像素点pl进行重新归类，方法是：如果pfore(pl)≥pback(pl)，像素点pl属于前景像素点，并将像素点pl加入到前景像素点集合中，如果pfore(pl)＜pback(pl)，像素点pl属于背景像素点，并将像素点pl加入到背景像素点集合中。
有益效果：利用上述算法，该算法分别计算了人脸图像中每个像素点属于前景或者背景的概率值，并根据计算得到的概率值对图像中每个像素点进行重新分类，进而细化图像中的人脸主体外观特征，有效消除人脸图像中的背景信息，保留图像中人脸的主体外观，为后续工作奠定了基础，且该算法能够自适应的调整分类信息，通过不断迭代优化前景提取的结果，细化前景图像的人脸的轮廓信息，得到准确度高的前景图像。
作为优选，一个由多个顶点和超边构成的图称之为超图，可表示为grh＝(v,exh,wxh)，其中，v为超图中所有顶点的集合，exh为超图中所有超边的集合，wxh是超图中所有超边的权重值构成的集合。
作为优选，参见图2，超图构建模块32包括视觉超图构建单元321和空间超图构建单元322；
视觉超图构建单元321，用于根据子区域之间的视觉特征的关联性构建视觉超图；
空间超图构建单元322，用于根据子区域之间空间位置关系构建空间超图。
作为优选，根据子区域之间的视觉特征的关联性构建视觉超图，具体是：
(1)选取前景图像ipf中的子区域rm作为顶点，其中，m＝1,2,…,ml，ml是前景图像ipf中的子区域的个数；
(2)根据选取的子区域rm，计算子区域rm与除ipf以外的剩余nl张前景图像的每个子区域的视觉特征相似度值，将与子区域rm视觉特征相似度值最高的q个子区域进行连接，得到关于子区域rm的视觉超边，其中q为系统自定义的参数，其中，视觉特征相似度值的计算公式为：
式中，sim(rm,rg)是子区域rm与子区域rg的视觉特征相似度值，α1、α2和α3是权重因子，且满足α1+α2+α3＝1，d1(rm)是子区域rm的颜色特征向量，d1(rg)是子区域rg的颜色特征向量，d2(rm)是子区域rm的纹理特征向量，d2(rg)是子区域rg的纹理特征向量，d3(rm)是子区域rm的形状特征向量，d3(rg)是子区域rg的形状特征向量；
(3)选取公共子区域集合r中的每一个子区域作为顶点，重复步骤(1)和步骤(2)，得到一个包含k条视觉超边的集合eh＝{e1,e2,…,ek,…,ek},k为视觉超边的条数；
(4)计算每条视觉超边的权重值，并将计算的每条视觉超边的权重值加入到集合wh中，其中，计算各条视觉超边的权重值的式子如下：
式中，w(ek)是视觉超边ek的权重值，sim(ra,rb)是子区域ra和子区域rb的视觉特征相似度值，θ1是所有子区域视觉特征相似度的平均值；
(5)根据得到的c、eh和wh构建视觉超图xh＝(c,eh,wh)，其中，c表示视觉超图中所有顶点构成的集合，eh表示所有视觉超边构成的集合，wh表示所有视觉超边的权重值构成的集合。
有益效果：通过从颜色、纹理、形状三个方面考虑人脸图像的视觉特征，进而构建视觉超图，从视觉特征层面表达了不同子区域之间的高阶联系，有利于后续对人脸图像的再识别。
作为优选，根据子区域之间空间位置联系构建空间超图，构建空间超图的过程是：
(1)将公共子区域集合r中每一个子区域作为一个顶点，并选取任一子区域作为顶点并连接除自身所在前景图像之外的其余前景图像中空间位置上最近邻子区域形成空间超边，将得到的空间超边加入空间超边集合ys中，其中，ys＝{y1,y1,…ys,…ys,}，s是空间超边的条数；
(2)利用下式计算各个空间超边的权重值；
式中，w(ys)是空间超边ys的权重值，ds(ru,rv)是子区域ru和子区域rv的空间位置距离，θ2是所有顶点间的平均空间距离；
(3)根据得到的c、ys和ws构建空间超图oh＝(c,ys,ws)，其中，c表示空间超图中所有顶点构成的集合，ys表示所有空间超边构成的集合，ws表示所有空间超边的权重值构成的集合,s是空间超边的条数。
有益效果：利用子区域之间的空间位置关系，构建空间超图，该空间超图的构建过程考虑了在实际获取人脸图像时中，由于摄像机之间的视觉差异和光照会使人脸图像发生不可预知的状态变化，通过构建该空间超图，获取不同图像中空间位置相对稳定的子区域，该做法有利于提升再识别的准确度。
作为优选，根据构建的超图模型，从区块链数据库1中预选出与开门人的人脸图像相似度最高的人脸图像，并对相似度值进行判断，随后将得到的判断结果发送至所述控制器，具体是：对已构建的视觉超图xh和空间超图oh进行直推式学习并进行特征匹配度计算，进而从区块链数据库1中预选出与开门人的人脸图像相似度最高的人脸图像，计算两个人脸图像的相似度值，并将计算得到的相似度值和系统自设的阈值λth进行比较，并将比较的结果发送至控制器4。
作为优选，根据处理结果，向所述电磁锁和报警器发出相应的控制指令，具体是，如果计算得到的相似度值δ≥λth，则处理结果显示开门人具有门禁权限，控制器4控制电磁锁5开启，反之，如果计算得到的相似度值δ＜λth，则处理结果显示开门人不具有门禁权限，控制器4向报警器6发出报警指令。
有益效果：与现有技术相比，利用区块链数据库对用户的人脸图像进行存储，避免了一个节点挂掉或者被攻击而导致的整个系统失效的风险，提升了门禁系统的安全等级。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。