一种用于人员居所精确定位的方法、系统及设备与流程

1.本技术涉及物联网安防技术领域，更具体地，涉及一种用于人员居所精确定位的方法、系统及设备。


背景技术：

2.随着我国工业化、城镇化、信息化的加速推进，社会流动性不断增强，跨地区流动已成为常态，越来越多的人口向大城市或中心城镇集聚。人口流动一方面为当地提供了充足的劳动力资源，促进了当地经济的发展，另一方面也带来了一系列的社会问题，给当地的治安环境带来了一定的安全隐患，所以居所变迁人员的基本信息的掌握是社会治理中极其重要的一环。
3.传统的居所变迁人员的信息管理，主要依靠居所变迁人员主动上报，但现实情况中居所变迁人员主动上报情况较少。同时，采取管理人员入户采集，现场填写纸质表册资料的方式进行采集。此种方式仍存在如下不足：无法精确采集目标，采用扫楼式摸排，耗时耗力；若被采集对象不在家，需反复上门，极易漏采；现场登记纸质文件，极其繁琐，同时采集后汇总相当麻烦，需要制作电子表格，耗时耗力。现在也存在部分自助上报、人为采集的手机app，但仍无法解决精确定位，有效采集的问题。
4.申请公布号为cn201810738539.5的发明专利公开了“一种基于人脸识别技术的智慧社区人员信息采集系统”，技术方案中包括人脸识别采集装置、身份证读卡器、居住证读卡器、识别控制主机、led显示器、管理服务器，人脸识别采集装置采用高清摄像头对社区人员进行脸部照片录入，并利用人脸识别技术进行人员身份确认；该技术方案虽然满足了人证合一的人员信息采集要求，但是，一方面，其无法精确定位具体的人员居所，只是单纯的信息的录入采集，假如无法主动判断是否为居所变迁人员及其对应的具体居所，在使用过程中将无法应用，导致实际应用效果较差；另一方面，受限于人脸图像抓拍时存在的姿态、遮挡等问题，致使人脸识别的准确性有待提高，若无法准确识别出人员身份，则后续的居所定位将无法顺利实施。


技术实现要素：

5.针对现有技术的至少一个缺陷或改进需求，本发明提供了一种用于人员居所精确定位的方法、系统及设备，结合人脸识别技术实现居所变迁人员的判定及居所精确定位，将符合条件的居所变迁人员判定信息推送给对应管理人员，由管理人员根据具体定位的居所上门主动采集，杜绝了实际场景下的居所变迁人员定位难及被动采集难的问题，提高居所变迁人员信息采集的准确性和采集效率。
6.为实现上述目的，按照本发明的第一个方面，提供一种用于人员居所精确定位的方法，该方法包括：
7.采集待识别人员在门禁入口处刷门禁卡时的多幅人脸图像；
8.将所述人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸
关键点特征；所述深度神经网络模型利用同时具有人脸特征标签和视角区间标签的样本人脸图像进行训练；
9.将所述人脸关键点特征与已登记人员的人脸图像特征进行比对，如两者之间的相似度小于预设值，则获取待识别人员持有的门禁卡所关联的楼栋房间信息，实现居所精确定位。
10.进一步地，上述用于人员居所精确定位的方法中，所述深度神经网络模型的训练过程包括：
11.将具有人脸特征标签和视角区间标签的样本人脸图像输入待训练的深度神经网络模型中，生成人脸特征预测数据及视角预测数据；
12.分别计算所述人脸特征标签与人脸特征预测数据之间的第一误差，以及所述视角区间标签与视角预测数据之间的第二误差；
13.反向调整所述待训练的深度神经网络模型的模型参数，直至损失函数最小化；所述损失函数为所述第一误差与第二误差的加权和。
14.进一步地，上述用于人员居所精确定位的方法中，所述采集待识别人员在门禁入口处刷门禁卡时的多幅人脸图像之后，还包括：
15.根据每幅所述人脸图像中人脸的左右偏转角度、上下俯仰角度及斜方向翻转角度确定人脸图像的质量分数；
16.将各幅人脸图像对应的所述质量分数进行排序，取质量分数大于预设人脸质量阈值的人脸图像输入深度神经网络模型中。
17.进一步地，上述用于人员居所精确定位的方法中，所述将人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸关键点特征，包括：
18.对人脸图像进行空间变换，分别提取每幅人脸图像中的人脸特征及多视角特征，生成多个人脸候选框；
19.根据置信度对多个人脸候选框进行排序，取置信度不低于预设的人脸置信度的人脸候选框进行关键点定位，生成人脸关键点特征。
20.进一步地，上述用于人员居所精确定位的方法还包括：
21.获取待识别人员持有的门禁卡所关联的楼栋房间内的其他登记人员的信息，将待识别人员的人脸关键点特征与其他登记人员的人脸图像特征进行逐一比对；
22.若待识别人员的人脸关键点特征与每个其他登记人员的人脸图像特征之间的相似度均小于预设值，则生成居所变迁人员推送信息；所述居所变迁人员推送信息包括待识别人员的人脸图像及持有的门禁卡所关联的楼栋房间信息。
23.进一步地，上述用于人员居所精确定位的方法还包括：
24.根据待识别人员的人脸图像进行搜图，获得该人脸图像对应的所有抓拍人脸图像及抓拍的场景图像；
25.根据抓拍的时间点以及场景图像中对应的抓拍位置，按照时间顺序对待识别人员进行轨迹追踪。
26.按照本发明的第二个方面，还提供一种用于人员居所精确定位的系统，其包括：
27.人脸识别模块，其被配置为采集待识别人员在门禁入口处刷门禁卡时的多幅人脸图像，并将所述人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸
关键点特征；所述深度神经网络模型利用同时具有人脸特征标签和视角区间标签的样本人脸图像进行训练；
28.数据分析模块，其被配置为将所述人脸关键点特征与已登记人员的人脸图像特征进行比对，如两者之间的相似度小于预设值，则获取待识别人员持有的门禁卡所关联的楼栋房间信息，实现居所精确定位。
29.进一步地，上述用于人员居所精确定位的系统中，所述数据分析模块还用于获取待识别人员持有的门禁卡所关联的楼栋房间内的其他登记人员的信息，将待识别人员的人脸关键点特征与其他登记人员的人脸图像特征进行逐一比对；
30.若待识别人员的人脸关键点特征与每个其他登记人员的人脸图像特征之间的相似度均小于预设值，则生成居所变迁人员推送信息；所述居所变迁人员推送信息包括待识别人员的人脸图像及持有的门禁卡所关联的楼栋房间信息。
31.进一步地，上述用于人员居所精确定位的系统还包括：
32.门禁管理模块，其被配置为生成待识别人员在门禁入口处的刷卡通行记录；所述刷卡通行记录包括卡号、所刷门禁点位、通行楼栋单元号、刷卡时间；
33.移动客户端，其被配置为接收数据分析模块发送的居所变迁人员推送信息并显示。
34.按照本发明的第三个方面，还提供了一种计算机设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述用于人员居所精确定位的方法的步骤。
35.按照本发明的第四个方面，还提供了一种存储介质，其存储有可由计算机设备执行的计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述任一项所述用于人员居所精确定位的方法的步骤。
36.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
37.(1)本发明采用与视角无关的人脸特征学习算法，在模型训练时对样本图像同时进行人脸身份的标注和视角的标注；利用深度神经网络将人脸特征学习和视角区分两个任务进行解耦，在在不断学习人脸区分特征的同时，不断的尝试将人脸进行视角变换，获取矫正后的最适合人脸区分的关键点定位，从而提高了人脸识别对比的准确度。
38.(2)本发明通过人员刷卡抓拍人脸图像与门禁卡授权登记人脸图像进行相似度模型分析，分析结果小于预设阈值即生成居所变迁人员推送信息。推送信息被推送给对应管理人员，由管理人员根据具体定位的居所上门主动采集，杜绝了实际场景下的居所变迁人员定位难及被动采集难的问题，提高居所变迁人员信息采集的准确性和采集效率。采用人脸抓拍图像与注册图像实时匹配分析，提供居所变迁人员的判定逻辑，有利于提高采集的精准性；通过移动客户端上门在线采集居所变迁人员的信息，可以提高信息采集的效率。有效解决目前居所变迁人员信息无法及时掌握、居所变迁人员信息采集效率低、周期长等问题，对于社区安全风险防范、创新社会治理具有极大现实意义。
附图说明
39.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本技术实施例提供的一种用于人员居所精确定位的方法的流程示意图；
41.图2为本技术实施例提供的居所变迁人员推送信息的组成示意图；
42.图3为本技术实施例提供本实施例提供用于人员居所精确定位的系统的逻辑框图；
43.图4为本技术实施例提供的人脸图像质量检测的流程示意图；
44.图5为本技术实施例提供的移动客户端绑定的流程图；
45.图6为本技术实施例提供的用于人员居所精确定位的方法的实际操作流程示意图；
46.图7为本技术实施例提供的人员刷卡抓拍人脸图像与门禁卡授权登记人脸图像之间的相似度分析的流程示意图。
具体实施方式
47.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
48.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
49.此外，为了避免使技术人员对本发明的理解模糊，可能不详细地描述或示出公知的或广泛使用的技术、元件、结构和处理。尽管附图表示本发明的示例性实施例，但是附图不必按照比例绘制，并且特定的特征可被放大或省略，以便更好地示出和解释本发明。
50.实施例一
51.图1是本实施例提供的一种用于人员居所精确定位的方法的流程示意图，请参阅图1，该方法主要包括以下步骤：
52.s1采集待识别人员在门禁入口处刷门禁卡时的多幅人脸图像；
53.本实施例中，所述的门禁入口可以为小区入口或者楼栋单元入口，当待识别人员在门禁入口处刷门禁卡请求进入时，会自动触发门禁入口处架设的高清摄像头抓拍待识别人员的人脸照片。
54.由于人员刷卡时会出现侧脸、低头、遮挡等情况，可能导致抓拍的部分人脸照片中无法获得完整的面部图像，不利于后续的人脸识别。因此，在获得抓拍的多幅人脸照片后，本实施例首先对每幅人脸照片进行质量检测，并从中选取质量较高的一副或多幅人脸图像用于后续的人脸特征检测。
55.具体的，首先根据每幅所述人脸图像中人脸的左右偏转角度(x轴)、上下俯仰角度(y轴)及斜方向翻转角度(z轴)确定人脸图像的质量分数；
56.在一个可选的实施方式中，分别为人脸的不同偏转角度、俯仰角度及斜方向翻转角度设置对应的质量因子，以左右偏转角度为例，将人脸左右偏转的角度范围-90
°‑
90
°
以等间距或不等间距的方式划分为多个(例如10个)区间，将面部正向无偏转(偏转角度为0)时的质量因子设置为最大，随着左右偏转角度增大，对应的质量因子对应减小。俯仰角度及斜方向翻转角度的设置方式类似，不再赘述。
57.可选的，由于人脸的左右偏转、上下俯仰及斜方向翻转对于人脸识别准确性的影响程度不同，因此，本实施例为人脸的左右偏转、上下俯仰及斜方向翻转设置了各自对应的权重系数。对于采集的待识别人员的人脸图像，首先确定面部的左右偏转角度、上下俯仰角度及斜方向翻转角度，查询各自对应的质量因子，然后将左右偏转角度、上下俯仰角度及斜方向翻转角度对应的质量因子进行加权求和，生成每幅人脸图像的质量分数。
58.在一个具体示例中，质量分数采取百分制，分值越高，人脸质量越好。
59.然后，将各幅人脸图像对应的所述质量分数进行排序，取质量分数大于预设人脸质量阈值的人脸图像输入深度神经网络模型中。
60.本实施例中，预设人脸质量阈值r(例如70％)，当抓拍图像的人脸质量分数小于r时，则抓拍的人脸质量不符合要求，丢弃不用。当其不小于r时，则抓拍的人脸质量符合要求。
61.需要说明的是，高清摄像头采集到的待识别人员在门禁入口处刷门禁卡时的多幅人脸图像，均是经用户授权且告知用户用途的图像。
62.s2将所述人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸关键点特征；所述深度神经网络模型利用同时具有人脸特征标签和视角区间标签的样本人脸图像进行训练；
63.在一个可选的实施方式中，将人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸关键点特征具体包括：
64.对人脸图像进行空间变换，分别提取每幅人脸图像中的人脸特征及多视角特征，生成多个人脸候选框；
65.根据置信度对多个人脸候选框进行排序，取置信度不低于预设的人脸置信度的人脸候选框进行关键点定位，生成人脸关键点特征。当人脸候选框的置信度小于预设的人脸置信度q时，则抓拍人脸框中的图像可能不为人脸图像或为其他非人脸图像。此人脸候选框无识别意义，丢弃不用。人脸置信度q采取预设百分制，分值越高，命中为人脸的精准度越高。
66.本实施例中，深度神经网络模型采用三层级联的cnn结构，来提取抓拍的人脸图像中人脸框的坐标。其中，第一层级联网络的输入为抓拍人脸图像的原始帧，通过多层卷积进行特征提取，提取最后一层卷积层的输出，得到待选人脸框，并通过非极大值抑制合并重叠以及bounding box regression的处理。在第一层级联网络中，增加stn(空间变换网络)模块，在不断学习人脸区分特征的同时，stn将不断的尝试将人脸进行变换，从而使模型提取人脸的多视角信息，获取矫正后的最适合人脸区分的多个(一般为128个)关键点定位。第一层级联网络得到的人脸候选框只是粗略结果，需要进一步筛选。接着将第一层级联网络得
到的人脸候选框输入第二层级联网络并做非极大值抑制和bounding box regression的处理，过滤掉大部分错误的人脸候选框，最后进一步精筛，将剩下的人脸候选框输入第三个级联网络，最终输出精确的抓拍人脸框，实现抓拍照片中面积为t*t像素的人脸检测。t为正数，建议在60到100之间，本实施例优选的t为80。
67.本实施例中，深度神经网络模型的训练过程包括：
68.将具有人脸特征标签和视角区间标签的样本人脸图像输入待训练的深度神经网络模型中，生成人脸特征预测数据及视角预测数据；
69.分别计算所述人脸特征标签与人脸特征预测数据之间的第一误差，以及所述视角区间标签与视角预测数据之间的第二误差；
70.反向调整所述待训练的深度神经网络模型的模型参数，直至损失函数最小化；所述损失函数为所述第一误差与第二误差的加权和。
71.受限于人脸图像抓拍时存在的姿态、遮挡等问题，本实施例采用与视角无关的人脸特征学习算法，在模型训练过程中，利用深度神经网络将人脸特征学习和视角区分两个任务进行解耦，对于多视角的人脸抓拍图像同时进行人脸身份的标注和视角的标注，视角的标注可以按照每15度一个区间来划分。在学习过程中，深度神经网络应用两个损失函数，一个为传统的人脸身份区分，目的是为了得到有区分性的人脸特征。第二个为人脸视角区分，总共有24个区间，目的是为了抽取人脸中的多视角信息。模型的总损失函数为人脸身份区分与人脸视角区分各自的损失函数的加权和。
72.s3将所述人脸关键点特征与已登记人员的人脸图像特征进行比对，如两者之间的相似度小于预设值，则获取待识别人员持有的门禁卡所关联的楼栋房间信息，实现居所精确定位。
73.在从人脸图像中提取用于人脸区分的多个关键点特征后，以门禁卡授权登记人脸图像为目标，将该关键点特征与后台存储的已登记人员的人脸图像特征进行一一比对，如果两者之间的相似度小于预设的相似度阈值c，说明两者之间无法进行匹配，待识别人员为未登记人员，疑似为居所变迁人员。相似度阈值c采用正百分数，建议在50％到80％之间；本实施例优选的c为70％。此时，通过待识别人员所持的门禁卡的卡号获取该门禁卡在登记时的楼栋房间号，定位疑似居所变迁人员所居住的具体居所，生成居所变迁人员推送信息。该居所变迁人员推送信息包括待识别人员的人脸图像及持有的门禁卡所关联的楼栋房间信息。
74.需要说明的是，待识别人员所持的门禁卡的卡号、门禁卡在登记时的楼栋房间号，均是经用户授权且告知用户用途的数据。
75.实际场景中，经常出现家庭成员之间互相拿他人门禁卡刷卡开门的情况，考虑到此种情况的普遍性和合理性，本实施例不限定刷卡人必须与卡片登记人为同一人，对于在同一房屋下所有登记人之间出现人卡不一情况，不作为居所变迁人员的判断依据。针对此种情况，本实施例提供的定位的方法还包括：
76.获取待识别人员持有的门禁卡所关联的楼栋房间内的其他登记人员的信息，将待识别人员的人脸关键点特征与其他登记人员的人脸图像特征进行逐一比对；
77.若待识别人员的人脸关键点特征与每个其他登记人员的人脸图像特征之间的相似度均小于预设值，则生成居所变迁人员推送信息。
78.本实施例提供的居所变迁人员推送信息为json字符串格式；如图2所示，推送信息包括居所变迁人员人脸图像、居住地址、楼栋单元号、房间号、所刷门禁卡号。
79.需要说明的是，居所变迁人员推送信息是经用户授权且告知用户用途的数据。此外，本实施例提供的定位方法还可以通过以图搜图的方式实现对居所变迁人员的轨迹追踪，具体的：
80.根据待识别人员的人脸图像进行搜图，获得该人脸图像对应的所有抓拍人脸图像及抓拍的场景图像；
81.根据抓拍的时间点以及场景图像中对应的抓拍位置，按照时间顺序对待识别人员进行轨迹追踪。
82.应当注意，尽管在上述的实施例中，以特定顺序描述了本说明书实施例的方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
83.实施例二
84.本实施例提供了一种用于人员居所精确定位的系统，该系统可以采用软件和/或硬件的方式实现，并可集成在计算机设备上；图3是本实施例提供用于人员居所精确定位的系统的逻辑框图，该系统包括门禁管理模块、人脸识别模块、数据分析模块和移动客户端；其中，
85.门禁管理模块主要用于生成待识别人员在门禁入口处的刷卡通行记录；该刷卡通行记录包括但不限于卡号、所刷门禁点位、通行楼栋单元号、刷卡时间；
86.在实际应用中，该门禁管理模块用于人员、门禁卡信息的注册登记、绑定及门禁卡授权发放。本实施例中，人员类型包括普通人员、管理人员，普通人员基本信息包括人员姓名、性别、类型、身份证号、人脸照片、手机号、房间号；管理人员基本信息包括姓名、性别、类型、身份证号、人脸照片、手机号；门禁卡基本信息包括门禁卡号、授权门禁点位，门禁卡用于通行所授权的楼栋单元门禁。通过门禁管理模块，授权人员使用门禁卡通行楼栋单元，建立人员与门禁卡、楼栋单元门禁的关联关系；并用于生成人员通行楼栋单元门禁时的刷卡通行记录。
87.人脸识别模块主要用于采集待识别人员在门禁入口处刷门禁卡时的多幅人脸图像，并将所述人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸关键点特征；所述深度神经网络模型利用同时具有人脸特征标签和视角区间标签的样本人脸图像进行训练；
88.本实施例中，人脸识别模块通过订阅消息队列mq，监听门禁管理模块的门禁刷卡信息，抓拍的人脸图像选取刷卡时间点后m秒内正面质量较好图像。如图4所示，当人员刷卡后，门禁管理模块产生刷卡同行记录。人脸识别模块获取监听信息开始抓拍人脸图像。考虑人脸图像的处理效率及资源利用率，每1秒视频流中取p帧图像，每帧图像采用上文的图片质量计算方式，获取此帧图像的质量分数，并与前一帧图像的质量分数进行比对，取质量分数较高图像用于后续对比，直至预先设置的m秒内全部比对完毕；可根据实际情况设置，m为正整数，建议在2到6之间；本实施例优选的m为4；p为正整数，建议在4至10之间；本实施例优
选的p为8。对比完成后，获取此次人员刷卡时抓拍到的质量分数最高的人脸图像。
89.此外，人脸识别模块还用于人员以图搜图，通过选定的人员人脸图像，结合抓拍时间段、抓拍地点等条件进行搜索，获取该人脸图像对应搜索条件下所有抓拍的人脸图像及抓拍的场景图。进一步地，人脸识别模块还用于人员活动轨迹的追踪，根据抓拍的地点和时间点，按时间顺序进行轨迹绘制，通过地图显示人员活动轨迹。
90.数据分析模块主要用于将人脸识别模块输出的人脸关键点特征与已登记人员的人脸图像特征进行比对，如两者之间的相似度小于预设值，则获取待识别人员持有的门禁卡所关联的楼栋房间信息，实现居所精确定位。
91.为了应对持卡人与卡片登记人不为同一人的情况，在定位到具体的楼栋房间号之后，数据分析模块还用于获取待识别人员持有的门禁卡所关联的楼栋房间内的其他登记人员的信息，将待识别人员的人脸关键点特征与其他登记人员的人脸图像特征进行逐一比对；若待识别人员的人脸关键点特征与每个其他登记人员的人脸图像特征之间的相似度均小于预设值，则生成居所变迁人员推送信息；所述居所变迁人员推送信息包括待识别人员的人脸图像及持有的门禁卡所关联的楼栋房间信息。
92.移动客户端主要用于接收数据分析模块发送的居所变迁人员推送信息并显示。
93.本实施例中，移动客户端一般由管理人员所持有，数据分析模块发送的居所变迁人员推送信息通过该移动客户端显示给管理人员，指导相关管理人员精确上门采集居所变迁人员信息。图5为本发明实施例提供的移动客户端绑定的流程图；本实施例中，移动客户端优选采用即时通信应用的服务账号实现，管理人员通过即时通信应用关注居所变迁人员信息采集服务账号，输入登记时填写的手机号获取手机验证码，输入验证码进行验证；门禁管理模块将验证码与手机匹配确认，若不是登记手机号，则拒绝认证；确认后管理人员进入居所变迁人员信息采集服务账号；居所变迁人员推送信息以消息通知的形式在即时通信应用的服务账号进行提醒，点击消息通知后，解析居所变迁人员推送信息，对应居所变迁人员人脸图像逐次呈现。
94.移动客户端还用于将管理人员上门采集的居所变迁人员信息进行加密后以数据包的形式推送至门禁管理模块，更新门禁管理模块人员信息。
95.关于居所变迁人员居所精确定位的系统的具体限定可以参见上文中对于居所变迁人员居所精确定位的方法的限定，在此不再赘述。上述于居所变迁人员居所精确定位的系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
96.实施例三
97.本实施例提供了一种用于人员居所精确定位的方法的实际操作流程示意图，如图6所示，该方法包括以下操作步骤：
98.(1)登记人员的基本信息，标记登记的人员类型为普通人员或管理人员；本实施例中普通人员为房屋所有人或居住人员，管理人员为社区民警或网格专员或物业人员；为登记的普通人员授权门禁卡，建立人员与门禁卡、楼栋单元门禁的关联关系；
99.(2)人员刷门禁卡时，获取当前人员刷卡通行记录信息；
100.(3)人脸识别模块抓拍人员刷门禁卡时对应的人脸图像信息，并记录抓拍的场景
图像信息，包括场景图片、抓拍地点、抓拍时间；
101.(4)将人员刷卡抓拍人脸图像与门禁卡授权登记人脸图像进行相似度模型分析，根据分析结果判断相似度是否小于预设阈值，若是，进入下一步；若否，流程结束；
102.(5)通过刷卡通信记录信息中的门禁卡号获取门禁卡授权时登记的楼栋房间号，生成居所变迁人员推送信息；
103.(6)将居所变迁人员推送信息推送至相关管理人员；
104.管理人员接收到居所变迁人员推送信息后，根据推送信息中所述的居住地址、楼栋单元号、房间号精确定位，通过移动客户端上门现场采集居所变迁人员真实信息。
105.图7是人员刷卡抓拍人脸图像与门禁卡授权登记人脸图像之间的相似度分析的流程示意图，包含如下步骤：
106.(4-1)通过人员刷卡通行记录信息中的刷卡卡号，获取卡号对应登记的人员基本信息，通过人员基本信息获取人员对应人脸图像，判断是否存在门禁卡授权登记人脸图像，若是，则进入下一步；若否，则出现人员基础信息采集不齐全的情况，直接判断出相似度小于预设阈值；
107.(4-2)通过抓拍的刷卡人员人脸图像，判断其与门禁卡授权登记人脸图像相似度是否小于阈值，若是，则出现刷卡人员与登记人员人卡不一的情况，进入下一步；若否，则说明刷卡人员与登记人员一致，流程结束；
108.(4-3)通过通行记录信息中的刷卡卡号，获取门禁卡所对应的房间号，通过房间号获取其他登记在该房间内的人员信息；判断是否存在其他登记人员，若是，则出现刷卡人员使用房间内其他人员门禁卡刷卡情况，进入下一步；若否，则相似度小于预设阈值；
109.(4-4)逐一判断其他登记人员人脸图像与人员刷卡抓拍人脸图像相似度是否小于阈值，若全部为是，则说明刷卡人员与房屋内所有登记人员无任何关联关系，直接判断出相似度小于预设阈值；若否，则说明刷卡人员至少与房屋中一名登记人员为同一人，流程结束。
110.实施例四
111.本实施例还提供了一种计算机设备，其包括至少一个处理器、以及至少一个存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行实施例一中用于人员居所精确定位的方法的步骤，具体步骤参见实施例一，此处不再赘述；本实施例中，处理器和存储器的类型不作具体限制，例如：处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
112.该计算机设备也可以与一个或多个外部设备(如键盘、指向终端、显示器等)通信，还可与一个或者多个使得用户能与该计算机设备交互的终端通信，和/或与使得该计算机设备能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，计算机设备还可以通过网络适配器与一个或者多个网络(例如局域网(local area network，lan)，广域网(wide area network，wan)和/或公共网络，例如因特网)通信。
113.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一种用于人员居所精确定位的方法的步骤。其中，计算机可读存储介
质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器ic)，或适合于存储指令和/或数据的任何类型的媒介或设备。
114.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
115.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
116.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
117.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
118.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
119.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
120.需要说明的是，本技术所涉及的用户信息(包括但不限于居所变迁人员信息、管理人员持有的移动客户端的信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
121.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
122.本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含
在本发明的保护范围之内。

技术特征：
1.一种用于人员居所精确定位的方法，其特征在于，包括：采集待识别人员在门禁入口处刷卡时的多幅人脸图像；将所述人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸关键点特征；所述深度神经网络模型利用同时具有人脸特征标签和视角区间标签的样本人脸图像进行训练；将所述人脸关键点特征与已登记人员的人脸图像特征进行比对，如两者之间的相似度小于预设值，则获取待识别人员持有的门禁卡所关联的楼栋房间信息，实现居所精确定位。2.如权利要求1所述的用于人员居所精确定位的方法，其特征在于，所述深度神经网络模型的训练过程包括：将具有人脸特征标签和视角区间标签的样本人脸图像输入待训练的深度神经网络模型中，生成人脸特征预测数据及视角预测数据；分别计算所述人脸特征标签与人脸特征预测数据之间的第一误差，以及所述视角区间标签与视角预测数据之间的第二误差；反向调整所述待训练的深度神经网络模型的模型参数，直至损失函数最小化；所述损失函数为所述第一误差与第二误差的加权和。3.如权利要求1所述的用于人员居所精确定位的方法，其特征在于，所述采集待识别人员在门禁入口处刷门禁卡时的多幅人脸图像之后，还包括：根据每幅所述人脸图像中人脸的左右偏转角度、上下俯仰角度及斜方向翻转角度确定人脸图像的质量分数；将各幅人脸图像对应的所述质量分数进行排序，取质量分数大于预设人脸质量阈值的人脸图像输入深度神经网络模型中。4.如权利要求1所述的用于人员居所精确定位的方法，其特征在于，所述将人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸关键点特征，包括：对人脸图像进行空间变换，分别提取每幅人脸图像中的人脸特征及多视角特征，生成多个人脸候选框；根据置信度对多个人脸候选框进行排序，取置信度不低于预设的人脸置信度的人脸候选框进行关键点定位，生成人脸关键点特征。5.如权利要求1所述的用于人员居所精确定位的方法，其特征在于，还包括：获取待识别人员持有的门禁卡所关联的楼栋房间内的其他登记人员的信息，将待识别人员的人脸关键点特征与其他登记人员的人脸图像特征进行逐一比对；若待识别人员的人脸关键点特征与每个其他登记人员的人脸图像特征之间的相似度均小于预设值，则生成居所变迁人员推送信息；所述居所变迁人员推送信息包括待识别人员的人脸图像及持有的门禁卡所关联的楼栋房间信息。6.如权利要求1所述的用于人员居所精确定位的方法，其特征在于，还包括：根据待识别人员的人脸图像进行搜图，获得该人脸图像对应的所有抓拍人脸图像及抓拍的场景图像；根据抓拍的时间点以及场景图像中对应的抓拍位置，按照时间顺序对待识别人员进行轨迹追踪。7.一种用于人员居所精确定位的系统，其特征在于，包括：
人脸识别模块，其被配置为采集待识别人员在门禁入口处刷卡时的多幅人脸图像，并将所述人脸图像输入训练后的深度神经网络模型中，生成所述待识别人员的人脸关键点特征；所述深度神经网络模型利用同时具有人脸特征标签和视角区间标签的样本人脸图像进行训练；数据分析模块，其被配置为将所述人脸关键点特征与已登记人员的人脸图像特征进行比对，如两者之间的相似度小于预设值，则获取待识别人员持有的门禁卡所关联的楼栋房间信息，实现居所精确定位。8.如权利要求7所述的用于人员居所精确定位的系统，其特征在于，所述数据分析模块还用于获取待识别人员持有的门禁卡所关联的楼栋房间内的其他登记人员的信息，将待识别人员的人脸关键点特征与其他登记人员的人脸图像特征进行逐一比对；若待识别人员的人脸关键点特征与每个其他登记人员的人脸图像特征之间的相似度均小于预设值，则生成居所变迁人员推送信息；所述居所变迁人员推送信息包括待识别人员的人脸图像及持有的门禁卡所关联的楼栋房间信息。9.如权利要求8所述的用于人员居所精确定位的系统，其特征在于，还包括：门禁管理模块，其被配置为生成待识别人员在门禁入口处的刷卡通行记录；所述刷卡通行记录包括卡号、所刷门禁点位、通行楼栋单元号、刷卡时间；移动客户端，其被配置为接收数据分析模块发送的居所变迁人员推送信息并显示。10.一种计算机设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行权利要求1～6任一项所述方法的步骤。

技术总结
本申请公开了一种用于人员居所精确定位的方法、系统及设备，该方法包括：采集待识别人员在门禁入口处刷卡时的多幅人脸图像；将人脸图像输入训练后的深度神经网络模型中，生成待识别人员的人脸关键点特征；该深度神经网络模型利用同时具有人脸特征标签和视角区间标签的样本人脸图像进行训练；将人脸关键点特征与已登记人员的人脸图像特征进行比对，如两者之间的相似度小于预设值，则获取待识别人员持有的门禁卡所关联的楼栋房间信息，实现居所精确定位。本发明结合人脸识别精确定位居所变迁人员及其对应的居所，并通过主动推送信息，辅助相关管理人员进行信息采集，有效解决目前居所变迁人员信息无法及时掌握、采集效率低、周期长等问题。长等问题。长等问题。


技术研发人员：张松 黄晓艳 孙含福
受保护的技术使用者：武汉虹信技术服务有限责任公司
技术研发日：2022.12.20
技术公布日：2023/7/31