一种针对特定管控区域作业人员头盔的共享系统的制作方法

1.本发明涉及共享头盔技术领域，尤其涉及一种针对特定管控区域作业人员头盔共享的系统与方法。


背景技术：

2.生物识别技术利用人体的各种特征来进行有效识别，这些特征主要包括人体面部、指纹、虹膜等。人类在经历数字科技构建虚拟空间，以及“生物人”与数字科技共同绘制“数据人”之后，进入了“数字社会”。生物识别技术将生物人与数据人进行直接、精准匹配，利用自然人数字身份进行数据产业生产，已经成为数字社会发展的必然。伴随着第三次人工智能浪潮的兴起，以指纹验证、刷脸支付、声音解锁为代表的生物识别技术被广泛应用，并催生了大量的信息服务产业，成为数字经济的重要组成部分。
3.当今社会万物智能、万物互联，智能头盔也结合了时代的要求涵盖更多的功能。在特定场所工作人员配载头盔可以完成通信、信息采集和任务跟踪等功能，其重要性越来越高。但在特定场所对人员的管控严，人员身份识别要求高，进入场所人次多，需求量大，另外智能头盔集成的功能多，其研发及采购成本相较于普通头盔更高，无法快速实现为每一位作业人员提供便于携带的专属智能头盔。同时，由于智能头盔会在工作过程中采集大量的工作信息，简单的共享智能头盔会造成头盔管理混乱，无法明确头盔工作状态下的使用人员，造成混乱的作业管理模式。


技术实现要素：

4.本发明的目的在于提供一种针对特定管控区域作业人员头盔共享的系统，既丰富了智能头盔的使用方式，提高了智能头盔的利用效率，降低了智能头盔的采购成本，又规范了智能头盔的使用流程，提高了特定管控区域作业人员的管理效率。
5.实现本发明目的的技术方案为：一种针对特定管控区域作业人员头盔共享的系统，包括存放柜，存放柜内部设置有共享智能头盔存放位，所述存放柜内部还设置识别系统、控制系统、头盔编号，所述识别系统内部设置多模生物识别模块，以指纹、虹膜和人脸三种特征组成多模态生物特征身份识别，对作业人员进行身份信息采集，通过通信连接传输身份验证信息至控制中心；所述控制系统通过接收控制中心返回的头盔控制指令控制头盔使用状态；所述头盔编号为每个头盔以及头盔存放位的标记。
6.相比现有技术，本发明的有益效果为：
7.(1)本发明通过所述存放柜与控制中心的通讯连接交互，根据身份信息识别，对人员与头盔进行动态绑定关联，头盔与控制中心实时信息通联，提高头盔信息采集的实时性；采用多对多的灵活使用方式，提高智能头盔的利用效率，减少头盔数量和采购成本；
8.(2)本发明通过存放柜与内部配置生物识别系统的配合使用，可以实现当前使用头盔作业人员身份信息的记录，通过指纹识别、虹膜识别、面部识别融合识别作业人员的身份信息，管理头盔的使用情况，将智能头盔在工作过程中所采集传输的数据与作业人员信
息相匹配，能有效提高作业人员的工作管理，同时能强化作业人员在工作过程中的安全保障。
附图说明
9.图1为本发明的针对特定管控区域作业人员头盔共享系统的示意图。
10.图2为多种生物特征进行数据融合识别架构图。
11.图3为特征层融合示意图。
12.图4为匹配层融合示意图。
13.图5为决策层融合示意图。
14.图6为识别系统框架图。
15.图7为本发明的针对特定管控区域作业人员头盔共享系统的工作流程图。
16.图8为本发明的生物特种识别系统任务流程图。
具体实施方式
17.一种针对特定管控区域作业人员头盔共享的系统，包括存放柜、识别系统、控制系统，通过区域内的通信系统与控制中心连接。头盔共享系统的组成见图1。
18.(1)存放柜
19.所述存放柜，内部设置识别系统、控制系统。所述识别系统，内部设置生物识别模块，对作业人员进行身份信息采集，通过外部的通信系统，连接传输身份验证信息至控制中心；所述控制系统，通过接收控制中心返回的头盔控制指令控制头盔使用状态。
20.(2)识别系统
21.所述识别系统为指纹识别系统时，所述指纹识别系统，内部配置指纹识别模块，通过指纹识别模块采集当前作业人员指纹信息，提取指纹特征信息作为当前作业人员身份识别信息；所述控制系统发送身份识别信息至控制中心。
22.所述识别系统为虹膜识别系统时，所述虹膜识别系统，内部配置虹膜识别模块，通过虹膜识别模块采集当前作业人员虹膜信息，提取虹膜特征信息作为当前作业人员身份识别信息；所述控制系统发送身份识别信息至控制中心。
23.所述识别系统为面部识别系统时，所述面部识别系统，内部配置面部识别模块，通过面部识别模块采集当前作业人员面部信息，提取面部特征信息作为当前作业人员身份识别信息；所述控制系统发送身份识别信息至控制中心。
24.结合以上指纹、虹膜和人脸三种单一生物特征识别方式，针对特定管控场所安全性要求，考虑其头盔共享系统身份识别的严格性，采用综合多种生物特征进行数据融合识别的技术，其优越性表现如下：
25.应用范围更广：普遍性是生物特征识别最为关键的特性之一，单一生物特征识别采用单一的生物特征，导致一些生物特征信息被破坏的人员无法完成认证识别，如长期从事繁重体力劳动人的指纹就易被破坏，如果单独采用指纹识别，这部分人就无法完成认证识别。而多生物特征融合识别就能解决这一缺陷，应用范围更加广泛。
26.可信度更高：多生物特征融合识别相较于单一生物特征识别更为可信，其能有效弥补单生物特征识别中样本数据使用率过低且易被影响的缺陷，提高系统识别精度。
27.安全系数更高：任何一个身份识别系统的安全系数都无法达到100％，即使是生物特征识别也会存在小概率因识别系统生物特征信息被复制和仿造，致使系统被攻破的风险。而多生物特征识别选用多种生物特征融合识别，生物特征信息被复制和仿造的成本大为增加，相比单一生物特征识别选用单一的生物特征来说安全系数更高。
28.当前多特征融合方法根据融合层次的不同一般分为四类融合方法，分别是传感器层融合、特征层融合、分数层融合和决策层融合。其基本架构如图2所示。
29.①
传感器融合。传感器融合是将不同渠道获得的未经处理的数据融合到一起得到一个新的图像，这种方法可以使采集到的图像特征有效区域提高，并且含有大量的分类信息，但是由于不同的生物特征原理差异大，处理繁琐，因此应用有一定局限性。
30.②
特征层融合。特征层是传感器层的下一层次。它通过提取多个生物特征的有效矢量，将这些不同模恣的特征信息用一定方式合在一起，形成一个新的特征信息矢量，将这个新的矢量作为生物特征识别系统的输入，再与经过训练的特征矢量进行比对，进行特征匹配，最终判定结果。其缺点为，如果融合的特征是不同维度的，则可能产生不同问题，并且维数也会猛烈增高，处理难度较大，相对其他层次的融合，特征层融含能够提取更丰富的特征，是非常具有潜力的融合层次，有较大的发展空间。特征层融合如图3所示。
31.③
匹配层融合。匹配层融合的实质是将每一个模态的匹配分数相容的过程。即对输入图片做预处理和特征提取后，与数据库中的数据作对比，得出匹配分数，再对分数归一化，按着一定规则对其进行融合，得到最终匹配结果。匹配层融合如图4所示。
32.④
决策层融合。决策层融合是通过每一种模态的最后判别，将这些判别通过一定规则进行融合。它的优点是处理速度较快、数据量较小并且抗干扰能力强。但其缺点为，容易受到环境或者目标的影响，先验知识的获得比较困难等。决策层融合如图5所示。综上，每个层次的融合模式都有其自身的优势之处和不同的适用范围，在四个层次中，层次越靠前，包含的信息量越大。当每个模态获取的匹配度较高时，则选择传感器层融合，否则应先提取特征，选择在后期层次融合。决策层虽然受环境影响大，但效率较髙，且抗干扰能力强，适合在环境条件较稳定的特定管控场所，因此我们选用的融合层次为决策层
33.以指纹、虹膜和人脸三种特征组成多模态生物特征身份识别，传统生物特征识别主要以单模识别，决策层融合也主要依托人工赋予每一种模态权重参数，本发明主要通过对不同模态的特征距离归一化，进而结合识别性参数，决定出各模态的置信因子以及权重系数，进而实现决策层上的融合识别，能有效的提取分类能力的信息，并具有较好的抗噪声干扰。所述识别系统的逻辑框架如图6所示。方法主要通过具体原理如下：
34.①
特征距离归一化
35.由于决策层信息量较小，为丰富决策层融合的信息量，根据特征距离信息和识别性能计算各模态的置信因子，用置信因子转换成权重因子的判定，再结合各模态的识别结果得出融合结果。
36.由于各模态样本数据的量纲不同，数量级差别很大，为了研究各模态特征距离的详细信息，用d
ij
(k)来表示模态k的某个特征距离，其中i代表样本的类别编号，j代表类别内样本编号。在识别过程中将采集的样本集合ik与特征库中所有的模板集合gk进行匹配，计算模态k的匹配距离d
ij
(k)。
37.设为模态k中，第i(i＝1,2,
…
m)个类别中特征库中所有的模板的最优值，以
此为基准值，计算其他样本d
ij
(k)(i＝1,2,
…
m,j＝1,2,
…
n)与该模板的欧式距离d
ij
(k)：
[0038][0039]
其中d
ij
(k)表示i类别中描述第j个融合样本对象的信息单元值。
[0040]
式(1)中，对于虹膜、人脸和指纹三模态的生物特征识别系统来说k＝1，2，3。依据与各模态模板集合最优值的距离关系体现采集样本的真实程度，由于各模态的数量级差别较大，通过各模态的归一化特征距离在一定程度上反映其分类能力，现对式(1)中的特征距离d
ij
(k)进行归一化处理：
[0041][0042]
式(2)中，表示归一化后的特征距离，n为样本数量。利用欧式距离与均值的关系，对模态的特征匹配距离进行归一化，从而使更有效体现模态的分类能力。
[0043]
②
置信因子、权重计算
[0044]
在生物特征识别系统中，误识率far和拒识率frr是衡量系统分类性能的一个重要参数。误识率是将其他人误作指定人员，拒识率是指系统将真正的合法个体拒绝，从而造成的出错概率，其值越低，系统的识别性能越好。在多模态的识别过程中，模态间的分类性能差异会降低系统的识别精度。因此，将归一化的特征距离、误识率和拒识率等影响因素纳入模态置信因子的计算，有利于识别系统有效地提取分类能力的信息。根据特征距离信息、误识率以及拒识率等因素，根据线性加权法获得每个模态的置信因子为
[0045][0046]
式(3)中，εk为模态k的置信度，为归一化后的特征匹配距离，α、β、δ为影响因素的系数，fark为第k个模态的误识率，frrk为第k个模态的拒识率。由式(3)可知，各模态的置信因子是由特征距离信息、误识率和拒识率等识别性能参数共同决定的。
[0047]
为增强识别系统对环境的抗噪性，强化各模态置信因子和权重因子之间的关系，将置信因子与权重因子通过指数映射，每个模态在决策层融合的权重为
[0048][0049]
式(4)中；0≤ωk≤1，且其中是利用2的指数关系将置信因子映射为各模态的权重因子。
[0050]
各模态的权重值反映了其分类结果在决策中所处的重要程度，因此会直接影响到最终决策的质量和效果。因此权重因子越高，该模态的分类能力越强，对于决策层融合的影响力也越大。
[0051]
③
决策层识别融合
[0052]
在决策融合时，利用式(4)计算得出的各模态权重因子作为子决策的权重，得出最终决策q的目标函数：
[0053][0054][0055]
式(5)、(6)中，m为各个模态，fk为每个子模态的识别结果；cj为样本类别。
[0056]
本发明中识别系统所提出的决策层融合方法，通过计算指纹、人脸和虹膜三种模态匹配时的距离量纲获得包含模态分类能力的特征距离信息。由于特征距离来自不同模态，其匹配距离所包含的信息不同，其特点在于不追求全模态的标准化，而是通过提取特征距离在分布上的有效信息，加上系统的误识率far和拒识率frr，得到该模态的置信因子。将这个置信因子通过数学指数映射得出各模态权重，从而引导进行决策层的融合，更有效的识别人员身份信息。
[0057]
(3)控制系统
[0058]
获取头盔时，所述控制中心根据接收到的身份识别信息与数据库中的作业人员信息进行匹配；匹配成功且当前头盔无配对作业人员身份信息时，将当前作业人员身份信息与当前头盔编号进行配对，发送头盔控制指令至控制系统，解锁头盔；匹配失败时发送信息提示作业人员匹配失败。
[0059]
归还头盔时，所述控制中心根据接收到的身份识别信息与数据库中的作业人员信息以及头盔编号进行匹配；匹配成功时解除当前作业人员身份信息与当前头盔编号的配对，发送头盔控制指令至控制系统，锁定头盔；匹配失败时发送信息提示作业人员匹配失败。
[0060]
本发明采用共享式使用方式，提高头盔的利用率和管理的科学性，在取用头盔时通过严格的身份识别并关联门禁控制，由控制中心将该人员与头盔绑定，并将相关信息远程注入头盔，任务完成后，归还头盔时，智能头盔将该人员相关采集信息向控制中心发送，控制中心将人员与该头盔解除绑定，完成数据的更新。
[0061]
下面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。
[0062]
该系统环境下，所述存放柜内每个头盔存放位置配置有专门的生物识别模块，同时每个头盔存放位置对应固定头盔编号；所述识别系统为生物识别系统，配置指纹识别系统、虹膜识别系统、面部识别系统其中一种或多种识别系统；所述存放柜内的控制系统与控制中心之间进行通信连接，通过与控制中心之间互相传输数据指令控制头盔的使用状态，其工作流程如图7。
[0063]
实施例
[0064]
区域内作业人员实施头盔获取和头盔归还的任务流程见图8，具体步骤如下：
[0065]
a)取头盔，进入头盔室时，作业人员将面部靠近面部识别/虹膜识别一体模块，通过面部识别/虹膜识别一体模块采集作业人员面部和虹膜图像。经过模块将人脸进行大小同一化，对人脸面部区域进行切割分析；对局部纹理和特征进行建模分析，得到当前作业人员的人脸特征点，以此作为当前作业人员的人脸识别信息。从虹膜图像中提取出虹膜识别所需特征点并进行编码，得到当前作业人员的虹膜特征点，以此作为当前作业人员的虹膜识别信息。打开头盔存放柜时，作业人员将任意手指放在指纹采集模块上，通过指纹采集模块采集作业人员相应指纹图像，经过模块增益、去噪功能得到指纹图片初步影像；将指纹图
片初步影像进行特征提取并进行编码，得到当前作业人员的指纹特征点，以此作为当前作业人员的指纹识别信息。系统根据人脸、虹膜和指纹信息融合识别人员的身份识别信息。
[0066]
控制系统生成当前作业人员的身份识别信息序列，该序列由三元组《t，auth，hel_id》组成，其中t为时间，auth为当前作业人员身份识别信息，该信息是包含指纹、虹膜、面部特征融合信息，hel_id为当前头盔编号；控制系统将该身份识别信息序列发送至控制中心。
[0067]
由控制中心对接收到的身份识别信息序列进行对比核实，当序列中的身份信息auth与控制中心数据库中的作业人员信息相匹配，且当前头盔编号并未与任何作业人员身份信息配对时，控制中心记录当前作业人员身份信息并与当前头盔编号进行配对；当前作业人员信息匹配失败时发送信息提示匹配失败。
[0068]
控制中心发送头盔解锁控制指令序列至控制系统，该序列由二元组《t，cmd_u》组成，其中t为时间，cmd_u为头盔解锁指令；控制系统接收到控制指令后解锁头盔，作业人员取下头盔并使用。
[0069]
b)归还头盔时，进入头盔室时，作业人员将面部靠近面部识别/虹膜识别一体模块，通过面部识别/虹膜识别一体模块采集作业人员面部和虹膜图像。经过模块将人脸进行大小同一化，对人脸面部区域进行切割分析；对局部纹理和特征进行建模分析，得到当前作业人员的人脸特征点，以此作为当前作业人员的人脸识别信息。从虹膜图像中提取出虹膜识别所需特征点并进行编码，得到当前作业人员的虹膜特征点，以此作为当前作业人员的虹膜识别信息。打开头盔存放柜时，作业人员将任意手指放在指纹采集模块上，通过指纹采集模块采集作业人员相应指纹图像，经过模块增益、去噪功能得到指纹图片初步影像；将指纹图片初步影像进行特征提取并进行编码，得到当前作业人员的指纹特征点，以此作为当前作业人员的指纹识别信息。系统根据人脸、虹膜和指纹信息融合识别人员的身份识别信息。
[0070]
控制系统生成当前作业人员的身份识别信息序列，该序列由三元组《t，auth，hel_id》组成，其中t为时间，auth为当前作业人员身份识别信息，hel_id为当前头盔编号；控制系统将该身份识别信息序列发送至控制中心。
[0071]
由控制中心对接收到的身份识别信息序列进行对比核实，当序列中的身份信息auth与控制中心数据库中的作业人员信息相匹配，且与当前头盔编号所配对的作业人员身份信息一致时，控制中心记录当前作业人员身份信息并与解除当前作业人员身份信息与当前头盔编号的配对；当前作业人员信息匹配失败时发送信息提示匹配失败。
[0072]
控制中心发送头盔锁定控制指令序列至控制系统，该序列由二元组《t，cmd_l》组成，其中t为时间，cmd_l为头盔锁定指令；控制系统接收到控制指令后锁定头盔。
[0073]
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。