基于人员通行规律的设备人脸识别控制方法及其应用

摘要

本发明公开了一种基于人员通行规律的设备人脸识别控制方法及其应用。该方法包括步骤：控制设备在第一预设时间段内保持人脸识别激活状态，记录人员通行的时间点数据，并将该时间点数据上传给已经训练好的场景标识识别模型以输出场景标识预测值；若输出的场景标识预测值为预设场景标识，则控制设备在该预设场景标识对应的设备唤醒时间段保持人脸识别激活状态；若输出的场景标识预测值不为预设场景标识，则控制设备在第二预设时间段内继续保持人脸识别激活状态以进行人脸识别，并用时间点数据对场景标识识别模型进行更新训练。本发明种通过机器学习人员通行的时间规律来控制设备状态，从而降低设备功耗，减少发热，减缓设备老化，降低运行成本。

说明书

技术领域

本发明属于系统软件开发技术领域，更具体地，涉及一种基于人员通行规律的设备人脸识别控制方法及其应用。

背景技术

对于智能设备，例如安卓设备通常最大的耗电项是给屏幕供电。对于门禁、道闸类等安卓设备，通常不需要24小时亮屏，通过合理的方法减少亮屏时间，降低能耗，减少电费。随着人类社会生活，智能化、数字化程度越来越高，节能降耗，减缓设备老化具有重要的意义。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于人员通行规律的设备人脸识别控制方法及其应用，通过记录人员通行的时间点数据，学习人员通行的时间规律，来控制设备状态，从而降低设备功耗，减少发热，减缓设备老化，降低运行成本。

为实现上述目的，按照本发明的第一方面，提供了一种基于人员通行规律的设备人脸识别控制方法，包括步骤：

控制设备在第一预设时间段内保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给已经训练好的场景标识识别模型以输出场景标识预测值；

若输出的场景标识预测值为预设场景标识，则控制设备在该预设场景标识对应的设备唤醒时间段保持人脸识别激活状态；

若输出的场景标识预测值不为预设场景标识，则控制设备在第二预设时间段内继续保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给场景标识识别模型进行更新训练。

优选的，场景标识识别模型的输入数据还包括设备的位置信息、和/或设备硬件信息、和/或设备软件信息。

优选的，预设场景标识是根据设备的常用使用场景预先确定的。

优选的，所述将该时间点数据上传给场景标识识别模型进行更新训练包括步骤：通过更新训练对场景标识识别模型的参数进行调整。

优选的，所述将该时间点数据上传给场景标识识别模型进行更新训练还包括步骤：

构建误差库，误差库用于存储场景标识识别模型输出的场景标识预测值与预设场景标识的差距集合，预设误差次数阈值N，当场景标识识别模型输出的场景标识预测值与预设场景标识的差距超过N次相同，则生成新的预设场景标识，否则，更新已有的预设场景标识对应的设备唤醒时间段。

优选的，还包括步骤：

在设备处于休眠状态时，若通过红外感应到有人员通行，则控制设备从休眠状态中唤醒。

按照本发明的第二方面，提供了一种基于人员通行规律的设备人脸识别控制系统，包括控制模块，所述控制模块用于实现以下步骤：

控制设备在第一预设时间段内保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给已经训练好的场景标识识别模型以输出场景标识预测值；

若输出的场景标识预测值为预设场景标识，则控制设备在该欲预设场景标识对应的设备唤醒时间段保持人脸识别激活状态；

若输出的场景标识预测值不为预设场景标识，则控制设备在第二预设时间段内继续保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给场景标识识别模型进行更新训练。

按照本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法。

总体而言，本发明与现有技术相比，具有有益效果：

(1)通过记录人员通行的时间点数据，学习人员通行的时间规律，来控制设备状态，从而降低设备功耗，减少发热，减缓设备老化，降低运行成本。并且预先设计设备常用的场景标识(即预设场景标识)，当场景标识识别模型输出的场景标识预测值为预设场景标识时，就直接控制设备在预设场景标识对应的设备唤醒时间段保持人脸识别激活状态，当场景标识识别模型输出的场景标识预测值不为预设场景标识时，才需要继续收集数据进行更新训练，这样可以有效减少场景标识识别模型输入数据收集的时间，提高运行效率。

(2)并且，还采集设备的位置信息、和/或设备硬件信息、和/或设备软件信息输入到场景标识识别模型来帮助预测场景标识，可以进一步让设备的激活状态更符合需要，达到更加节能的效果。

附图说明

图1是本发明实施例的设备人脸识别控制方法的原理示意图；

图2是本发明实施例的梯度下降优化算法示意图；

图3是本发明实施例的场景标识识别模型的神经网络原理示意图。

具体实施方式

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。

本发明实施例的一种基于人员通行规律的设备人脸识别控制方法，当人出现在摄像头前，记录出现的时间值，以此信息为必要值，利用拟人逻辑，使用反向传播算法，学习判断，设备需要激活的时间是否符合标记类型，以朝五晚九的公司为例，时间范围信息在朝九晚五范围内一周以上则视为A类情境，依次类推，还有三班倒类型等等，从而根据标记自动设置设备屏幕唤醒的时间，以此形成一套可以自学习自适应，并且跟随当下人类逻辑习惯认知的自适应节能系统。

如图1所示，本发明实施例的一种基于人员通行规律的设备人脸识别控制方法，包括步骤：

S1，控制设备在第一预设时间段内保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给已经训练好的场景标识识别模型以输出场景标识预测值。

第一预设时间段内设备保持人脸识别激活状态，屏幕常亮，以进行人脸识别，收集人员通行的时间点数据。第一预设时间段可以是设备开启后的一段时间。

场景标识识别模型基于神经网络实现，通过人员通行的时间点数据，可以输出场景标识预测值。

场景标识是基于人员通行规律分类的标签。场景标识包括两类。一类是预设场景标识，预设场景标识是根据设备的常用使用场景预先确定的。例如，在一个实施例中，包括两个预设场景标识，预设场景标识d0(朝九晚五类型的场景，即常见的早上固定时间上班晚上固定时间下班的场景，例如可将d0对应的通行时间范围定位为工作日8:00～9:00&12:00～13:00&18:00～19:00)，预设场景标识d1(为三班倒场景，即工厂里多班轮换上班的场景)。具体设计哪些预设场景标识，是可以预先获知设备的常用使用场景来确定。另一类为非预设的场景标识d2，可根据设备不息屏运行一定后收集的数据按照时间散落范围来设计场景标签值。

在一个实施例中，初始所有设备默认场景标识都是d0，当通行状况满足其他场景条件则，更新其场景标识。

场景标识识别模型会预先利用训练数据集进行训练。训练数据的生成可以是预先设计不同的三组数据，并按照各自的约束条件在其约束值内，生成N组随机样本。

进一步地，场景标识识别模型的输入数据还包括设备的位置信息、和/或设备硬件信息、和/或设备软件信息。具体地，预先采集设备的位置信息、和/或设备硬件信息、和/或设备软件信息，将这些信息和时间点数据一起上传给已经训练好的场景标识识别模型进行场景标识预测。此时，场景标识识别模型的入参：人员出现时间x0，位置信息x1(由WiFi，GPS，蓝牙等确定)，硬件信息x2(主板信息)，软件信息x3(操作系统信息，版本号，device id等)等。则场景标识识别模型的输出y＝f(x)＝x0*w0+x1*w1+x2*w2+x3*w3＝wTx，wn是各个参数的权重值。

这是因为，除了时间点数据外，设备的位置信息、设备硬件信息、设备软件信息等可能与人员通信规律、或设备能耗存在隐含的关系。例如当设备安装在车间和设备安装在研发办公室，其人员通信时间显然会不同。还例如，设备在运行的过程中会消耗存储资源，不同存储资源状态下设备的能耗不同，因此，通过增加设备的位置信息、和/或设备硬件信息、和/或设备软件信息，可以进一步让设备的激活状态更符合需要，达到更加节能的效果。

S2，若输出的场景标识预测值为预设场景标识，则控制设备在该预设场景标识对应的设备唤醒时间段保持人脸识别激活状态。

以预设场景标识包括d0和d1为例，d0对应的设备唤醒时间段是8:00～9:00&12:00～13:00&18:00～19:00(前后30分钟)，若场景标识识别模型根据第一时间段内的时间点数据输出的场景标识预测值为d0，则控制设备在d0对应的设备唤醒时间段保持人脸识别激活状态，而其他时间则休眠，这样可以减少设备耗电量。

进一步地，在设备处于休眠状态时，若通过红外感应到有人员通行，则控制设备从休眠状态中唤醒。

S3，若输出的场景标识预测值不为预设场景标识，则控制设备在第二预设时间段内继续保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给场景标识识别模型进行更新训练。

换而言之，若采集的时间点数据不符合预设场景标识范围内的数据，则说明当前的场景标识识别模型及预设场景标识不能满足需求，则需要继续收集数据更新训练。

具体地，将该时间点数据上传给场景标识识别模型进行更新训练可以包括两方面的动作。

(1)通过更新训练对场景标识识别模型的参数进行调整，以优化场景标识识别模型的识别性能。

(2)构建误差库，误差库用于存储场景标识识别模型输出的场景标识预测值与预设场景标识的差距集合，预设误差次数阈值N(例如3次)，当场景标识识别模型输出的场景标识预测值与预设场景标识的差距超过N次相同，则生成新的预设场景标识，否则，更新已有的预设场景标识对应的设备唤醒时间段。这样可以实现效果：当偶尔有随机的人员通行时间，但其发生概率较低，则不生成新的预设场景标识，但是可以调整预设场景标识的对应设备唤醒时间段。但是当不符合预设场景标识的某一类型通行时间经常发生时，则更新生成新的预设场景标识。新的预设场景标识可以作为场景标识识别模型下一次的输出。

本发明另一实施例的一种基于人员通行规律的设备人脸识别控制方法，针对不同通行场景下，存在不同的迭代过程，首先要在一定时间内(例如“一个月”)每天都持续激活24小时，持续不断抓拍，对每个设备所处位置的通行规律标记位，根据时间集合与期望值的误差达到预期值后，将其归类。当实际值始终与初始期望值偏差较大，大于预设的比例，则生成新的期望值，即新的场景标记。从而扩大期望值的容量，让设备能够尽可能的使用期望值下的模型，同时满足用户需求，切最大程度上的降低功耗。该方法包括以下步骤：

步骤0：获取设备硬件信息，位置信息，软件信息。

步骤1：在设备初次使用时，在一个月内，每天24小时，不间断记录每次检测到有人通行的时间点，并实时上传。

步骤2：当设备通行时间集合属于预设模型，则按照模型设计的时间激活设备，否则就令设备息屏睡眠。

步骤3：当设备通行时间集合不属于预设模型，超过三天，则按照新的时间集合以及位置信息生成模型，扩充期望值库。

步骤4：当现场出现了随机的人员通行事件，则将时间集合增加到最接近的模型库中更新。

下面对场景标识识别模型的原理进行具体说明。

误差：机器学习有一类学习方法叫做监督学习，它是为了训练一个模型，我们要提供这样一堆训练样本：每个训练样本既包括输入特征x，也包括对应的输出y(也叫做标记，label)。

此时y对设备场景的类型(数据逻辑见设备场景的类型的解释说明)，监督学习下，对于一个样本，我们知道它的特征x，以及标记y。同时，我们还可以根据模型h(x)计算得到输出y

这里我们用y

训练数据中会有很多样本，比如N个，我们可以用训练数据中所有样本的误差的和，来表示模型的误差E，即

我们通过反向传播算法不断调优w，使得e足够的小，接近0，使得设备的实际使用情况能落入我们逻辑设定的分类里。

此时我们要通过梯度下降优化算法，即函数导数等于0的那个点，因此我们可以通过解方程，求得函数的极值点(x

首先，我们随便选择一个点开始，比如图2的x

神经元和感知器本质上是一样的，只不过我们说感知器的时候，它的激活函数是阶跃函数；而当我们说神经元时，激活函数往往选择为sigmoid函数或tanh函数。神经网络其实就是按照一定规则连接起来的多个神经元。图3展示了一个全连接(full connected,FC)神经网络，通过观察上面的图，我们可以发现它的规则包括：

神经元按照层来布局。最左边的层叫做输入层，负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层，因为它们对于外部来说是不可见的。

同一层的神经元之间没有连接。

第N层的每个神经元和第N-1层的所有神经元相连(这就是full connected的含义)，第N-1层神经元的输出就是第N层神经元的输入。

每个连接都有一个权值。

上面这些规则定义了全连接神经网络的结构。事实上还存在很多其它结构的神经网络，比如卷积神经网络(CNN)、循环神经网络(RNN)，他们都具有不同的连接规则。

神经网络实际上就是一个输入向量

如图3，输入层有三个节点，我们将其依次编号为1、2、3；隐藏层的4个节点，编号依次为4、5、6、7；最后输出层的两个节点编号为8、9。因为我们这个神经网络是全连接网络，所以可以看到每个节点都和上一层的所有节点有连接。比如，我们可以看到隐藏层的节点4，它和输入层的三个节点1、2、3之间都有连接，其连接上的权重分别为w

那么，为了计算节点4的输出值，我们必须先得到其所有上游节点(也就是节点1、2、3)的输出值。节点1、2、3是输入层的节点，所以，他们的输出值就是输入向量

一旦我们有了节点1、2、3的输出值，我们就可以根据式1计算节点4的输出值a4：

上式的w

同样，我们可以继续计算出节点5、6、7的输出值a5,a6,a7。这样，隐藏层的4个节点的输出值就计算完成了，我们就可以接着计算输出层的节点8的输出值y

同理，我们还可以计算出y

这就是神经网络输出值的计算方法。

现在，我们需要知道一个神经网络的每个连接上的权值是如何得到的。我们可以说神经网络是一个模型，那么这些权值就是模型的参数，也就是模型要学习的东西。然而，一个神经网络的连接方式、网络的层数、每层的节点数这些参数，则不是学习出来的，而是人为事先设置的。对于这些人为设置的参数，我们称之为超参数(Hyper-Parameters)。

反向传播算法，我们假设每个训练样本为

首先，我们根据上面的算法，用样本的特征

然后，我们按照下面的方法计算出每个节点的误差项δ

对于输出层节点i，δ

其中，δ

对于隐藏层节点，

其中，

δ

最后，更新每个连接上的权值：

w

其中，w

类似的，权重w

偏置项的输入值永远为1。例如，节点4的偏置项δ

我们已经介绍了神经网络每个节点误差项的计算和权重更新方法。显然，计算一个节点的误差项，需要先计算每个与其相连的下一层节点的误差项。这就要求误差项的计算顺序必须是从输出层开始，然后反向依次计算每个隐藏层的误差项，直到与输入层相连的那个隐藏层。这就是反向传播算法的名字的含义。当所有节点的误差项计算完毕后，我们就可以根据式5来更新所有的权重。

本发明实施例的一种基于人员通行规律的设备人脸识别控制系统，包括控制模块，所述控制模块用于实现以下步骤：

控制设备在第一预设时间段内保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给已经训练好的场景标识识别模型以输出场景标识预测值；

若输出的场景标识预测值为预设场景标识，则控制设备在该欲预设场景标识对应的设备唤醒时间段保持人脸识别激活状态；

若输出的场景标识预测值不为预设场景标识，则控制设备在第二预设时间段内继续保持人脸识别激活状态以进行人脸识别，并记录人员通行的时间点数据，并将该时间点数据上传给场景标识识别模型进行更新训练。

系统的实现原理、技术效果与上述方法类似，此处不再赘述。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述任一基于人员通行规律的设备人脸识别控制方法实施例的技术方案。其实现原理、技术效果与上述方法类似，此处不再赘述。

必须说明的是，上述任一实施例中，方法并不必然按照序号顺序依次执行，只要从执行逻辑中不能推定必然按某一顺序执行，则意味着可以以其他任何可能的顺序执行。

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。