一种基于身份识别的智能校园门禁系统的制作方法

本发明涉及身份识别，具体涉及一种基于身份识别的智能校园门禁系统。

背景技术：

1、基于身份识别的智能校园门禁系统是一种运用现代信息技术来保障校园安全的机制。这种系统主要依赖于生物识别技术（如指纹识别、面部识别）、rfid（无线射频识别）卡或其他身份验证方式来确认个人身份。通过这些技术，系统能够精确地验证进入校园的学生、教职工或访客的身份，有效控制人员进出，防止未授权的访问，从而提升校园的安全防护水平。

2、具体来说，当个人试图进入校园的门禁点时，必须通过一定的身份验证才能获得入门权限。例如，面部识别系统会对比个人的面部特征与数据库中预存的信息，确保只有合法身份的人员可以进入；而使用rfid卡的方式则需要持卡人将卡片靠近读卡器来进行身份验证。这种系统的智能化不仅体现在高效精确的身份检测上，还表现在其操作的便捷性和系统管理的自动化系统能自动记录进出时间、人员身份等信息，管理员可以轻松调取这些信息进行日常管理和应急响应。这样的系统极大地提升了校园门禁的管理效率和安全级别，是现代校园管理中不可或缺的一部分。

3、基于面部识别的智能校园门禁系统利用先进的图像分析技术来验证个人身份，确保只有授权的学生、教职工或访客能够进入校园。面部识别技术主要通过比较和分析人脸的特征数据来识别个人。

4、通过面部识别进行身份验证的详细步骤为：

5、首先，当个人站在门禁系统前时，面部识别系统使用一个或多个摄像头捕捉到该人的面部图像。这一步通常在个体进入门禁系统的视线范围内时自动进行。系统会确保图像质量足以进行后续的处理，可能包括图像的清晰度、光线条件等因素的自动调整。

6、捕获的图像将通过一系列预处理步骤来优化分析效果。这包括调整图像尺寸和比例、转换为灰度图像（有时用于降低计算复杂度）、消除图像噪声、进行图像增强等，以提升面部特征的识别率。

7、在预处理后，系统使用人脸检测算法来定位图像中的人脸。这通常涉及使用人脸检测框架，如haar级联分类器或深度学习模型，来识别图像中人脸的位置和大小。

8、检测到人脸后，系统将分析人脸的关键特征点，包括眼睛、鼻子、嘴巴、轮廓等位置。这些特征点的相对位置、形状和尺寸被转化为一个数值特征向量，用于表示该面部的独特属性。

9、系统将提取的特征向量与数据库中预存的面部特征数据进行匹配比对。这一步通常采用最近邻搜索、支持向量机或深度学习算法来找出数据库中与当前图像最相似的面部数据。

10、如果系统找到了一个高度匹配的面部数据，且相似度高于系统设定的阈值，则认为身份验证成功，允许进入。否则，系统将拒绝访问请求。

11、一旦完成身份验证，系统会记录此次事件的详细信息，包括时间、身份验证的结果以及任何相关的安全日志，以便未来的审计和监控使用。

12、现有技术存在以下不足：

13、智能校园系统在运用面部识别技术进行身份识别时，通常采用多帧特征提取的方法，该过程涉及从连续的多个图像帧中提取面部特征向量，并将这些向量进行综合融合以实现高准确性的身份验证。然而，现有技术中，这种特征融合往往直接包括了来自低质量图像的特征向量，将多帧图像提取的特征进行融合时，不仅降低了数据融合的效率，而且也削弱了融合结果的准确性，这种包含低质量图像特征的直接融合方式，将会对智能校园的高效身份识别能力构成显著阻碍，因此有待改进。

14、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的是提供一种基于身份识别的智能校园门禁系统，通过图像质量评估模型对捕获的每帧图像进行智能化评估和排序，从而筛选出高质量的图像帧，避免了低质量图像对融合结果的负面影响，同时避免低质量图像造成数据融合低效的问题，其次，对每帧图像提取高质量的面部特征向量，并在融合过程中优先考虑高质量特征，从而提高了身份验证的准确性和可靠性，进而有效提升了系统对身份识别的精准度，为智能校园的安全管理提供了可靠保障，以解决上述背景技术中的问题。

2、为了实现上述目的，本发明提供如下技术方案：一种基于身份识别的智能校园门禁系统，包括图像捕捉模块、图像预处理模块、图像质量评估模块、人脸检测与对齐模块、特征提取模块以及特征融合与比对模块；

3、图像捕捉模块，在门禁系统触发时，通过高清摄像头连续捕捉进出人员的面部图像帧；

4、图像预处理模块，对捕获的每一帧图像进行标准化处理，并且应用图像增强技术改善图像质量；

5、图像质量评估模块，对每帧图像进行质量评估，将所获取的每帧图像按照图像质量由高到低顺序进行排序；

6、人脸检测与对齐模块，使用人脸检测算法在每帧中定位人脸，对检测到的人脸应用仿射变换技术进行对齐，确保面部特征在所有图像中的位置相同；

7、特征提取模块，使用特征点检测算法获取人脸的关键特征点，基于人脸的关键特征点，通过深度学习模型生成每帧的特征向量；

8、特征融合与比对模块，对每帧的特征向量按照图像质量由高到低的顺序逐一添加进行融合，并将融合后的特征向量与数据库中预存的特征向量进行比较，直到到达融合上限或者认证通过。

9、优选的，对每帧图像进行质量评估，将所获取的每帧图像按照图像质量由高到低顺序进行排序的步骤如下：

10、对于每一帧图像的每个像素点，读取其rgb值；

11、对于每个像素点，转换彩色图像（rgb）到灰度图像；

12、对于每个像素点，替换原始颜色值为计算出的灰度值；

13、获取灰度处理后每帧图像的灰度一致性和纹理丰富度，将灰度一致性和纹理丰富度进行综合分析，生成图像质量指数，通过图像质量指数对每帧图像的质量进行综合评估；

14、将灰度处理后每帧图像生成的图像质量指数按照由高到低的顺序进行排序，从而将所获取的每帧图像按照图像质量由高到低顺序进行排序。

15、优选的，灰度一致性获取的逻辑如下：

16、从高清摄像头获取彩色图像帧，然后将其转换为灰度图像，转换的公式为：，式中，，，分别是图像中第 i行第 j列像素的红色、绿色、蓝色分量的强度值，0.299、0.587、0.114分别为、、的权重，为转换后的灰度图像中第 i行第 j列像素的灰度值；

17、计算图像的局部灰度均值，具体计算方式为：

18、选取固定大小的窗口在图像上滑动，计算每个窗口的灰度均值，计算的表达式为：，为中心在像素的窗口内的灰度均值， w、 h分别表示窗口的宽度和高度，通常选择 w=h=5， u、 v表示窗口内的相对位置指标；

19、通过图像中每个像素的灰度值与其局部均值的差异来计算每个像素的灰度一致性指标，计算的表达式为：，式中，表示在像素处的灰度一致性指标；

20、通过所有像素的灰度一致性指标的平均值计算灰度一致性，计算的表达式为：，式中，表示灰度一致性， m、 n分别表示图像的总行数和总列数。

21、优选的，纹理丰富度获取的逻辑如下：

22、将原始彩色图像转换为灰度图像；

23、构建glcm，构建的公式为：，式中，为转换后的灰度图像中第 x行第 y列像素的灰度值， p、 q是图像的尺寸，，，根据 d和确定的像素对位置偏移， d为像素对之间的距离，像素对之间的角度，即两个分析像素间连线与水平线的夹角，和表示灰度级；

24、从glcm中，提取多个纹理特征，包括能量、对比度、熵以及同质性，来计算纹理丰富度，计算的表达式为：，其中， energy、 contrast、 entropy以及 homogeneity分别表示能量、对比度、熵以及同质性，、、、分别为 energy、 contrast、 entropy以及 homogeneity对应的权重，且满足，表示纹理丰富度，，，，，表示在方向和距离 d上，灰度值为和的像素对出现的频次。

25、优选的，获取到每帧图像生成的灰度一致性和纹理丰富度后，将灰度一致性和纹理丰富度进行综合分析，建立图像质量评估模型，生成图像质量指数，通过图像质量指数对图像质量进行智能化评估。

26、优选的，对检测到的人脸应用仿射变换技术进行对齐，确保面部特征在所有图像中的位置相同的步骤如下：

27、使用人脸检测算法在图像或视频帧中定位人脸；

28、一旦检测到人脸，使用特征点定位算法找到人脸的关键特征点；

29、接下来，应用仿射变换来对检测到的人脸进行对齐；

30、对对齐后的图像进行插值处理，以填补由于对齐而导致的图像畸变；

31、最后，对于每对关键特征点，在对齐后的图像中计算其之间的欧氏距离，用于后续的比对，若每对关键特征点之间的欧氏距离大于等于欧氏距离参考阈值，则生成面部特征对齐失败信号，继续对面部特征应用仿射变换来进行人脸对齐，直到每对关键特征点之间的欧氏距离小于等于欧氏距离参考阈值。

32、优选的，对每帧的特征向量按照图像质量由高到低的顺序逐一添加进行融合，并将融合后的特征向量与数据库中预存的特征向量进行比较，直到到达融合上限或者认证通过的具体实现过程如下：

33、获取到进行面部识别时每帧图像生成的图像质量指数后，将生成的图像质量指数建立数据集合，并将数据集合内的图像质量指数按照由高到低的顺序进行排序；

34、将分析集合内图像质量指数按照由高到低顺序对应的图像逐一添加进行融合，每添加一帧图像，计算融合后的图像与数据库中预存的特征向量之间的余弦相似度；

35、将融合后的特征向量与预存的特征向量之间生成的余弦相似度按照由高到低的顺序进行排序，并将生成的余弦相似度最大值与预先设定的余弦相似度参考阈值进行比较，若余弦相似度最大值在融合上限以内大于等于余弦相似度参考阈值，则输出认证通过信号，打开限制装置允许进入，若余弦相似度最大值在融合上限以内小于余弦相似度参考阈值，当达到融合上限时，输出认证失败信号，保持限制装置处于关闭状态。

36、在上述技术方案中，本发明提供的技术效果和优点：

37、本发明通过图像质量评估模型对捕获的每帧图像进行智能化评估和排序，从而筛选出高质量的图像帧，避免了低质量图像对融合结果的负面影响，同时避免低质量图像造成数据融合低效的问题，其次，对每帧图像提取高质量的面部特征向量，并在融合过程中优先考虑高质量特征，从而提高了身份验证的准确性和可靠性，进而有效提升了系统对身份识别的精准度，为智能校园的安全管理提供了可靠保障。

38、本发明通过设置余弦相似度参考阈值和融合上限，使系统能够在充分考虑特征融合次数的同时，对认证结果进行有效判断，从而保证了认证过程的准确性和效率，使得智能校园门禁系统在身份识别领域取得了显著的进步，为校园安全管理提供了可靠的技术支持和保障。