[发明专利]一种校园用人脸识别安全隐患报警装置

权利要求书

1.一种校园用人脸识别安全隐患报警装置，其特征在于：包括以下步骤：

(1)本地服务器通过图像采集装置采集人脸图像；

(2)本地服务器将采集的人脸图像发送给远端服务器；

(3)远端服务器对图像信息进行初步处理；

(4)远端服务器对进行了初步处理后的图像信息进行人脸特征的提取；

(5)远端服务器对提取的人脸特征进行人脸验证分析；

(6)远端服务器对经过验证分析后的人脸图像信息进行数据库匹配计算；

(7)远端服务器将匹配结果反馈给本地服务器；

(8)本地服务器在反馈结果为安全时显示安全，在反馈结果为危险时显示危险并通过外接的报警器报警提示。

2.根据权利要求1所述的一种校园用人脸识别安全隐患报警装置，其特征在于：步骤(3)的具体处理算法为：

其中，F(w)为“傅里叶变换-自变量”，f(t)为“时间信号”，WT函数为求积分，-iwt为“整数小波变换”，dt为“时间轴”。

3.根据权利要求2所述的一种校园用人脸识别安全隐患报警装置，其特征在于：步骤(4)的人脸特征提取网络基于简单的卷积网络其中layer3和layer4共同连接到DeepID2layer上，同时layer3和layer4采用了局部权值共享的卷积方式；

卷积神经网络在DeepID中的作用是学习特征，即将图片输入进去，学习到一个160维的向量，然后在这个160维向量上，套用现有的分类器，即可得到结果；DeepID之所以有效，首先在于卷积神经网络学习到的特征的区分能力比较强，为了得到比较强的结果，DeepID采取了增大数据集的手法，只有大的数据集才能使得卷积神经网络训练的更加的充分，增大数据集采用两种手法的组合：

第一种手法，就是采集好的数据，即CelebFaces数据集的引入；

第二种手法，就是将图片多尺度多通道多区域的切分，分别进行训练，再把得到的向量连接起来，得到最后的向量；

DeepID的算法流程如下：

首先，将人脸图片A和人脸图片B通过DeepID完成特征的提取，分别得到向量A和向量B；

其次，将向量A和向量B进行连接以得到Classifier；

最后，根据Classifier输出结果；

在上述的流程中，DeepID可以换为传统的Hog或LBP特征提取算法，Classifier可以是任意的machine learning分类算法，该machine learning分类算法包括SVM、Joint Bayes、LR或NN；

在引入外部数据集的情况下，训练流程为：

首先，外部数据集以4:1进行切分，其中4份外部数据集用来训练DeepID，1份外部数据集作为训练DeepID的验证集；

然后，用1份外部数据集来训练Classifier；

这样划分的原因在于两层模型不能使用同一种数据进行训练，以避免产生过拟合。