一种基于图像识别技术的信息安全管理方法和系统与流程

本发明提出了一种基于图像识别技术的信息安全管理方法和系统，属于信息安全管理。

背景技术：

1、安全信息管理(security information management，sim)是一种综合性的安全管理方法，它涵盖了收集、分析、解释和响应信息，以确保信息系统的安全性。主要目标是通过监测和管理安全事件，及时发现潜在的安全威胁，并采取适当的措施进行应对。现有技术中存在安全管理信息效率较低和准确性较差的问题。

技术实现思路

1、本发明提供了一种基于图像识别技术的信息安全管理方法和系统，用以解决现有技术中存在安全管理信息效率较低和准确性较差的问题，所采取的技术方案如下：

2、一种基于图像识别技术的信息安全管理方法，所述基于图像识别技术的信息安全管理方法包括：

3、收集和预处理需要进行图像识别的图像数据信息，并利用所述图像数据信息进行卷积神经网络模型的训练；

4、利用摄像头实时采集目标区域范围内的视频信息；

5、利用所述卷积神经网络模型对所述视频信息对应的图像信息进行图像识别，获得识别结果。

6、进一步地，收集和预处理需要进行图像识别的图像数据信息，并利用所述图像数据信息进行卷积神经网络模型的训练，包括：

7、提取信息安全管理所需的检测指标信息；其中，所述检测指标信息包括面部信息和身体姿态信息；

8、根据所述检测指标信息从数据库中调取带有所述检测指标信息的图像数据信息；

9、对所述图像数据信息进行预处理，获得预处理后的图像数据信息，其中，所述预处理包括数据清洗处理、数据降噪处理和数据统一标准化处理；

10、同时，加快模型训练过程，在进行数据统一标准化处理时采用如下算法：

11、步骤一：设需要进行标准化的数据集合为m，m＝{m1，m2...mn}，mi为集合m中的第i个数据，i为大于等于1且小于等于n的整数，集合m中的数据个数为n，则集合m中的最大数据合最小数据为：

12、

13、其中mmax为集合m中的最大数据，mmin为集合m中的最小数据。

14、步骤二：根据步骤一的计算结果，对mi进行极差变换，其计算公式如下：

15、

16、其中为对mi进行极差变换后的值。

17、步骤三：对m中的所有数据进行极差变换，变换后的数据组成的集合为其中

18、

19、即为集合m标准化后的结果。

20、从数据库中调取用于图像识别的卷积神经网络模型；

21、利用预处理后的图像数据信息对所述用于图像识别的卷积神经网络模型进行训练，获取完成训练的卷积神经网络模型。

22、进一步地，利用摄像头实时采集目标区域范围内的视频信息，包括：

23、控制面部追踪摄像头实时跟踪采集所述目标区域内出现的人物的面部信息，获得带有人物的面部信息的第一视频流信息；

24、控制固定姿态的摄像头实时监测所述述目标区域内出现的人物的图像信息，获取第二视频流信息；

25、针对所述第一视频流信息进行帧处理，获得与所述第一视频流信息对应的第一帧图像信息；

26、通过所述第一帧图像信息中出现的同一个人物的面部图像进行整合，获得每个人物的面部图像信息；

27、针对所述第二视频流信息进行帧处理，获得与所述第二视频流信息对应的第二帧图像信息；

28、通过所述第二帧图像信息获取带有所述目标区域内出现的人物的姿态的图像信息。

29、进一步地，利用所述卷积神经网络模型对所述视频信息对应的图像信息进行图像识别，获得识别结果，包括：

30、调取面部图像信息；

31、将所述面部图像信息输入至所述卷积神经网络模型进行面部特征识别，获取所述面部图像信息对应的面部特征信息；

32、调取第二帧图像信息中的姿态的图像信息；

33、将所述姿态的图像信息输入至卷积神经网络模型进行姿态特征识别，获取姿态的图像信息对应的姿态特征信息；

34、分别将所述面部特征信息和姿态特征信息与特征数据库中的危险特征信息进行比较，确定所述面部特征信息和姿态特征信息是否与所述危险特征信息相匹配；

35、当所述面部特征信息和姿态特征信息中任一一项与所述危险特征信息存在匹配关系，则判定当前目标区域范围内存在安全隐患，并进行报警。

36、一种基于图像识别技术的信息安全管理系统，所述基于图像识别技术的信息安全管理系统包括：

37、模型训练模块，用于收集和预处理需要进行图像识别的图像数据信息，并利用所述图像数据信息进行卷积神经网络模型的训练；

38、视频信息获取模块，用户利用摄像头实时采集目标区域范围内的视频信息；

39、识别结果获取模块，用户利用所述卷积神经网络模型对所述视频信息对应的图像信息进行图像识别，获得识别结果。

40、进一步地，所述模型训练模块包括：

41、检测指标信息提取模块，用于提取信息安全管理所需的检测指标信息；其中，所述检测指标信息包括面部信息和身体姿态信息；

42、图像数据信息调取模块，用于根据所述检测指标信息从数据库中调取带有所述检测指标信息的图像数据信息；

43、图像数据信息预处理模块，用于对所述图像数据信息进行预处理，获得预处理后的图像数据信息，其中，所述预处理包括数据清洗处理、数据降噪处理和数据统一标准化处理；

44、卷积神经网络模型调取模块，用于从数据库中调取用于图像识别的卷积神经网络模型；

45、训练执行模块，用于利用预处理后的图像数据信息对所述用于图像识别的卷积神经网络模型进行训练，获取完成训练的卷积神经网络模型。

46、同时，加快模型训练过程，在进行数据统一标准化处理时采用如下算法：

47、步骤一：设需要进行标准化的数据集合为m，m＝{m1，m2...mn}，mi为集合m中的第i个数据，i为大于等于1且小于等于n的整数，集合m中的数据个数为n，则集合m中的最大数据合最小数据为：

48、

49、其中mmax为集合m中的最大数据，mmin为集合m中的最小数据。

50、步骤二：根据步骤一的计算结果，对mi进行极差变换，其计算公式如下：

51、

52、其中为对mi进行极差变换后的值。

53、步骤三：对m中的所有数据进行极差变换，变换后的数据组成的集合为其中

54、

55、即为集合m标准化后的结果。

56、进一步地，所述视频信息获取模块包括：

57、第一视频流信息获取模块，用于控制面部追踪摄像头实时跟踪采集所述目标区域内出现的人物的面部信息，获得带有人物的面部信息的第一视频流信息；

58、第二视频流信息获取模块，用于控制固定姿态的摄像头实时监测所述述目标区域内出现的人物的图像信息，获取第二视频流信息；

59、第一帧处理模块，用于针对所述第一视频流信息进行帧处理，获得与所述第一视频流信息对应的第一帧图像信息；

60、面部图像信息获取模块，用于通过所述第一帧图像信息中出现的同一个人物的面部图像进行整合，获得每个人物的面部图像信息；

61、第二帧处理模块，用于针对所述第二视频流信息进行帧处理，获得与所述第二视频流信息对应的第二帧图像信息；

62、姿态图像信息获取模块，用于通过所述第二帧图像信息获取带有所述目标区域内出现的人物的姿态的图像信息。

63、进一步地，所述识别结果获取模块包括：

64、面部图像信息调取模块，用于调取面部图像信息；

65、面部特征识别模块，用于将所述面部图像信息输入至所述卷积神经网络模型进行面部特征识别，获取所述面部图像信息对应的面部特征信息；

66、姿态图像信息调取模块，用于调取第二帧图像信息中的姿态的图像信息；

67、姿态特征识别模块，用于将所述姿态的图像信息输入至卷积神经网络模型进行姿态特征识别，获取姿态的图像信息对应的姿态特征信息；

68、特征信息比较模块，用于分别将所述面部特征信息和姿态特征信息与特征数据库中的危险特征信息进行比较，确定所述面部特征信息和姿态特征信息是否与所述危险特征信息相匹配；

69、报警执行模块，用于当所述面部特征信息和姿态特征信息中任一一项与所述危险特征信息存在匹配关系，则判定当前目标区域范围内存在安全隐患，并进行报警。

70、本发明有益效果：

71、本发明提出的一种基于图像识别技术的信息安全管理方法和系统通过使用卷积神经网络模型，系统能够实现对目标的高精度识别，即使在复杂的背景和光照条件下也能取得较好的效果。利用摄像头实时采集视频信息，并通过即时的图像识别，系统能够在实时性要求较高的应用场景中发挥作用，例如监控系统、实时检测等。通过训练卷积神经网络模型，系统能够适应不同场景和目标的图像识别需求，提高了系统的自适应性和泛化能力。该技术方案的自动化特点使得图像识别可以在实际应用中进行大规模和连续的监测，从而有效地降低了人力成本，提高了监测的及时性和准确性。