[发明专利]一种基于深度学习的校园防护方法和系统

权利要求书

1.一种基于深度学习的校园防护方法，其特征在于，所述方法包括：

利用视频摄像头，实时采集监控校园内各路段或场所的人员情况，获取视频对应的多个图像；

采集学校信息类系统内部存储的学校学生和学校教职工对应的身份图片；

建立人脸识别的神经网络模型，利用所述身份图片对所述神经网络模型进行训练；

将所述视频采集的多个图像作为所述训练好的神经网络模型的输入，通过所述神经网络对所述多个图像进行识别处理，并输出识别结果；

判断是否存在非学校学生和教职工的人员出现，并整合所述非学校学生和教职工的人员的运动路线。

2.根据权利要求1所述方法，其特征在于，利用所述身份图片对所述神经网络模型进行训练，包括：

将所述身份照片进行分辨率降低处理，获得降低分辨率后的初始处理图片；

将所述身份照片进行分辨率升高处理，获得升高分辨率后的次级处理图片；

将所述初始处理图片输入值所述神经网络模型中，通过神经网络模型进行特征提取，获得初级处理图片对应的各特征，并将所述各特征整合为初始特征集合；

将所述次级处理图片输入值所述神经网络模型中，通过神经网络模型进行特征提取，获得次级处理图片对应的各特征，并将所述各特征整合为次级特征集合；

将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较，并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同，获得调整后的初级特征集合；

根据调整后的初级特征集合中的各特征还原所述初级处理图片，获取初级处理图片调整后图片；

将所述初级处理图片调整后图片和所述次级处理图片进行区分识别，当无法识别出所述高分辨率图片和所述次级处理图片的区别时，则确定完成此次神经网络训练。

3.根据权利要求1所述方法，其特征在于，将所述视频采集的多个图像作为所述训练好的神经网络模型的输入，通过所述神经网络对所述多个图像进行识别处理，并输出识别结果，包括：

将所述视频采集的多个视频图像输入值神经挖网络模型中，通过神经网络模型将所述视频图像进行图像分辨率调整；

提取所述视频图像中，出现的人脸部分的五官对应的特征点，以及所述特征点对应的位置信息；

将所述位置信息整合为特征向量，并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较，通过相似度模型确定所述特征向量之间的相似度，实现对人脸图像的识别；

当所述相似度低于预设的相似度阈值时，确定所述人脸图像对应的人员为非学校学生和教职工的人员，并对该人员的脸部图像对应的特征集合进行存储。

4.根据权利要求3所述方法，其特征在于，所述相似度模型为：

其中，sim(A,B)表示所述视频图像的特征向量所述身份照片对应的特征向量之间的相似度；A表示所述视频图像的特征向量，且，A＝(α₁、α₂……α_n)；B表示所述身份照片对应的特征向量，且，B＝(β₁、β₂……β_n)；当sim(A,B)＜0.87时，说明所述相似度低于预设的相似度阈值。

5.根据权利要求1所述方法，其特征在于，所述判断是否存在非学校学生和教职工的人员出现，并整合所述非学校学生和教职工的人员的运动路线，包括：

通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对，识别出每个视频图像中是否存在该人员，对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间，获得该人员的时间线；

根据所述时间线整合所述视频图像，并识别出视频图像对应的校园场所和位置，获得与所述时间线对应的非学校学生和教职工的人员的位置信息；

将所述位置信息和时间线进行整合，获取所述非学校学生和教职工的人员的运动路线和时间线。