基于机器学习的人脸特征识别安防控制方法及系统

1.本发明涉及安防技术领域，具体涉及基于机器学习的人脸特征识别安防控制方法及系统。


背景技术：

2.目前，门禁安防的相关系统主要包括使用ic卡、图像识别、指纹识别等识别方式的系统，但其安全性都较低，图像、指纹、 ic卡都可以被人为盗用，从而轻松攻破安防系统。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
3.人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频进行判断，目前已经取得了许多重要突破。人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频进行判断，系统输入一般是一张或者一系列含有未确定身份的人脸图像，系统输出则是一系列相似度得分，可根据得分情况进行是否准入的判断。
4.比如，采用训练样本对神经网络模型进行训练，将训练完成的神经网络模型作为识别模块，后将采集到的人脸图片发送识别模块进行处理，可以快速的对身份是否符合要求进行确定，输出一个符合某种级别安全等级的概率值，概率值越高，则认为属于该安全等级的置信度越高，当置信度超过一定的数值，则可以输出安全等级的判断。
5.然而，现有的人脸识别虽然已经能够实现较高的识别准确度，但是在系统输入阶段，依然存在可能导致识别准确度下降的问题，比如，外来人员事先知晓识别判断的逻辑为脸部整体轮廓，会刻意采用相关手段对脸部轮廓进行修饰，来逃避安全审查，以此能够骗过神经网络模型的自动识别，毕竟神经网络模型的训练样本有限，在训练时也都是采用的人脸整体作为样本进行训练，因此可能导致安全等级判断失误的情况发生。


技术实现要素：

6.本发明的目的在于提供基于机器学习的人脸特征识别安防控制方法及系统，解决以下技术问题：
7.如何提供一种更加准确安全的人脸特征识别安防控制方法。
8.本发明的目的可以通过以下技术方案实现：
9.基于机器学习的人脸特征识别安防控制方法，包括如下步骤：
10.s100，获取包括目标面部的采样视频；
11.s200，在所述目标面部的指定位置设置动态标识；
12.s300，根据所述动态标识获取与所述采样视频对应的标准图片；
13.s400，根据所述标准图片判断所述目标面部的安全等级，并根据所述安全等级调整更新所述指定位置。
14.通过上述技术方案，可在目标面部上设置的动态标识可以根据后续判断得到的安全等级进行变化，从而进一步的对标准图片进行重新获取并进行识别，将后续判断的安全等级作为真正的评判结果，也就是说，能够进行变化的动态标识决定了标准图片相应也会
发生变化，因此从提高了第二次安全等级判断发生改变的几率，外来使用者也无法准确的知晓动态标识的变化逻辑，因此也无法准确的做出相应的伪装，从而能够提升整体的安防安全性能。
15.作为本发明进一步的方案：所述步骤s200包括：
16.获取所述采样视频中的采样帧；其中，所述采样视频中包括面部指导框，所述面部指导框用于引导使用者调整面部位置；
17.当所述使用者的面部位置与所述面部指导框一致，启动所述动态标识；
18.所述采样帧的时间戳包含于所述动态标识的启动时间内。
19.通过上述技术方案，只有当使用者将面部调整到面部指导框内后，才能够进行采样视频的拍摄，可以大大减少识别的负担，降低复杂度，采样帧的获取时间和动态标识的启动时间一致可以减少动态标识对使用者自身的影响，更加人性化。
20.作为本发明进一步的方案：所述步骤s200包括：
21.所述指定位置包括相邻部位类型之间的位置，所述部位类型包括眉毛、鼻梁、眼睛、嘴唇。
22.作为本发明进一步的方案：所述步骤s300包括：
23.针对任一所述采样帧，选取所述采样帧中所述动态标识所圈的预设范围作为选中图片；
24.将预设时间内所有所述采样帧对应的所述选中图片按照合成规则合成为识别图片；
25.按照预设规则将所述识别图片处理为标准图片。
26.通过上述技术方案，将合成的识别照片涉及预设时间内所有的采样帧中，以此来减少单张采样帧中的像素噪点，再将识别图片处理成标准图片，方便后续的系统输入。
27.作为本发明进一步的方案：所述合成规则包括：
28.将所述选中图片按照最大相同像素重合度进行合并；
29.相同像素保持不变，不同像素取两者中间值得到所述识别图片。
30.通过上述技术方案，按照最大的相同像素重合度进行合并，可以保证合成的识别图片不会出现模糊与失真，不同像素的取中间值合并能够在一定程度上削弱外界光线的影响，提升后续的识别判断准确度。
31.作为本发明进一步的方案：所述预设规则包括：
32.取标准框架；
33.以预设角度将所述识别图片放置于所述标准框架中；
34.在所述标准框架中与所述识别图片不重合的位置填充纯色得到标准图片。
35.通过上述技术方案，将预设图片放置在标准框架中，并在填充后形成的标准图片能够以统一的形式进行识别，有助于减少识别复杂度，而且预设角度的调节可以使得识别进程的相关模块在训练时也可以保持统一，从而进一步减轻识别压力。
36.作为本发明进一步的方案：基于机器学习的人脸特征识别安防控制系统，包括：
37.采样模块，用于获取包括目标面部的采样视频；
38.特征标记模块，与所述采样模块连接，用于在所述目标面部的指定位置设置动态标识；
39.处理模块，根据所述动态标识获取与所述采样视频对应的标准图片；
40.识别输出模块，用于根据所述标准图片判断所述目标面部的安全等级，并根据所述安全等级调整更新所述指定位置
41.其中，所述识别输出模块为训练完成的人工神经网络。
42.所述部位类型包括眉毛、鼻梁、眼睛、嘴唇。
43.本发明的有益效果：
44.(1)本发明可在目标面部上设置的动态标识可以根据后续判断得到的安全等级进行变化，从而进一步的对标准图片进行重新获取并进行识别，将后续判断的安全等级作为真正的评判结果，也就是说，能够进行变化的动态标识决定了标准图片相应也会发生变化，因此从提高了第二次安全等级判断发生改变的几率，外来使用者也无法准确的知晓动态标识的变化逻辑，因此也无法准确的做出相应的伪装，从而能够提升整体的安防安全性能；
45.(2)本发明中，只有当使用者将面部调整到面部指导框内后，才能够进行采样视频的拍摄，可以大大减少识别的负担，降低复杂度，采样帧的获取时间和动态标识的启动时间一致可以减少动态标识对使用者自身的影响，更加人性化；
46.(3)在本发明中，按照最大的相同像素重合度进行合并，可以保证合成的识别图片不会出现模糊与失真，不同像素的取中间值合并能够在一定程度上削弱外界光线的影响，提升后续的识别判断准确度。
附图说明
47.下面结合附图对本发明作进一步的说明。
48.图1为本发明中基于机器学习的人脸特征识别安防控制方法。
具体实施方式
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
50.请参阅图1所示，本发明为基于机器学习的人脸特征识别安防控制方法，包括如下步骤：
51.s100，获取包括目标面部的采样视频；
52.s200，在目标面部的指定位置设置动态标识；
53.s300，根据动态标识获取与采样视频对应的标准图片；
54.s400，根据标准图片判断目标面部的安全等级，并根据安全等级调整更新指定位置。
55.通过上述技术方案，可在目标面部上设置的动态标识可以根据后续判断得到的安全等级进行变化，从而进一步的对标准图片进行重新获取并进行识别，将后续判断的安全等级作为真正的评判结果，也就是说，能够进行变化的动态标识决定了标准图片相应也会发生变化，因此从提高了第二次安全等级判断发生改变的几率，外来使用者也无法准确的知晓动态标识的变化逻辑，因此也无法准确的做出相应的伪装，从而能够提升整体的安防
安全性能。
56.作为本发明进一步的方案：步骤s200包括：
57.获取采样视频中的采样帧；其中，采样视频中包括面部指导框，面部指导框用于引导使用者调整面部位置；
58.当使用者的面部位置与面部指导框一致，启动动态标识；
59.采样帧的时间戳包含于动态标识的启动时间内。
60.通过上述技术方案，只有当使用者将面部调整到面部指导框内后，才能够进行采样视频的拍摄，可以大大减少识别的负担，降低复杂度，采样帧的获取时间和动态标识的启动时间一致可以减少动态标识对使用者自身的影响，更加人性化。
61.在使用时，使用者可以看到包含自己面部的画面，画面中设置有上述的面部指导框，当使用者将面部调整到面部指导框内后，采样视频开始录制，同时动态标识开始设置。在本实施例中，动态标识可以采用红外线照射的形式照射到使用者面部，当然，为了避免对使用者的视力产生损伤，需要大幅缩短照射时间，因此在启动动态标识的时间内，进行采样帧的获取。
62.作为本发明进一步的方案：步骤s200包括：
63.指定位置包括相邻部位类型之间的位置，部位类型包括眉毛、鼻梁、眼睛、嘴唇。
64.作为本发明进一步的方案：步骤s300包括：
65.针对任一采样帧，选取采样帧中动态标识所圈的预设范围作为选中图片；
66.将预设时间内所有采样帧对应的选中图片按照合成规则合成为识别图片；
67.按照预设规则将识别图片处理为标准图片。
68.通过上述技术方案，将合成的识别照片涉及预设时间内所有的采样帧中，以此来减少单张采样帧中的像素噪点，再将识别图片处理成标准图片，方便后续的系统输入。
69.在本实施例中，以眼睛区域的识别为例，可将动态标识投射到使用者眼部位置，然后在0.01秒内获取4张采样帧，从而得到 4张分别对应采样帧的选中图片，然后将4张选中图片进行合并得到一张识别图片。
70.作为本发明进一步的方案：合成规则包括：
71.将选中图片按照最大相同像素重合度进行合并；
72.相同像素保持不变，不同像素取两者中间值得到识别图片。
73.通过上述技术方案，按照最大的相同像素重合度进行合并，可以保证合成的识别图片不会出现模糊与失真，不同像素的取中间值合并能够在一定程度上削弱外界光线的影响，提升后续的识别判断准确度。
74.作为本发明进一步的方案：预设规则包括：
75.取标准框架；
76.以预设角度将识别图片放置于标准框架中；
77.在标准框架中与识别图片不重合的位置填充纯色得到标准图片。
78.通过上述技术方案，将预设图片放置在标准框架中，并在填充后形成的标准图片能够以统一的形式进行识别，有助于减少识别复杂度，而且预设角度的调节可以使得识别进程的相关模块在训练时也可以保持统一，从而进一步减轻识别压力。
79.因为，机器设备对图片的识别敏感度与人眼也完全不同，可能在人眼看来完全没
有差别的2张图片同时输入得到的输出判断完全不同，这是因为图片中像素级的差异，因为只要是不同时刻得到的图片，必然会存在像素点上的差别。而且，因为在对用于识别的神经网络模型进行训练时，所采用的训练样本与标准图片的获取方式相同，因此预设角度的设定可以对训练样本的统一性进行提升，从而在减少训练样本和训练量的同时保证识别精准度。
80.作为本发明进一步的方案：基于机器学习的人脸特征识别安防控制系统，包括：
81.采样模块，用于获取包括目标面部的采样视频；
82.特征标记模块，与采样模块连接，用于在目标面部的指定位置设置动态标识；
83.处理模块，根据动态标识获取与采样视频对应的标准图片；
84.识别输出模块，用于根据标准图片判断目标面部的安全等级，并根据安全等级调整更新指定位置
85.其中，识别输出模块为训练完成的人工神经网络。
86.部位类型包括眉毛、鼻梁、眼睛、嘴唇。
87.本发明可在目标面部上设置的动态标识可以根据后续判断得到的安全等级进行变化，从而进一步的对标准图片进行重新获取并进行识别，将后续判断的安全等级作为真正的评判结果，也就是说，能够进行变化的动态标识决定了标准图片相应也会发生变化，因此从提高了第二次安全等级判断发生改变的几率，外来使用者也无法准确的知晓动态标识的变化逻辑，因此也无法准确的做出相应的伪装，从而能够提升整体的安防安全性能。
88.以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。