本发明属于校园安全领域，具体是指一种校园用人脸识别安全隐患报警装置。
背景技术：
校园安全与每个师生、家长和社会都有着密切的关系。从广义上讲，校园事故是指学生在校期间，由于某种偶然突发的因素而导致的人为伤害事件。就其特点而言，一般是因为责任人疏忽大意过失失职而不是因为故意而导致事故的发生。
随着社会的发展与进步，尤其是近年来在国内外不时出现的各类校园安全事故，也使得广大院校愈发的重视校园的安全问题。全国许多校园为了提高校园的安全性，降低校园的安全隐患，也逐步与公安部门进行了联动，通过图像等数据传输比对的方式对进入校园的人员进行识别与辨认，以降低校园内安全事故的发生机率。
但是，如何更好的对图像信息进行对比，提高图像信息对比的准确度，以避免发生误会则需要更加细致的研究与设计。
技术实现要素：
本发明的目的在于克服上述问题，提供一种校园用人脸识别安全隐患报警装置，能够有效的完成校园中图片信息的采集，并将采集后的图片信息发送到公安部门与数据库中的相关图像信息进行对比，最终根据图像信息对比的结果判断是否需要进行报警。
本发明的目的通过下述技术方案实现：
一种校园用人脸识别安全隐患报警装置，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。
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”。
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machinelearning分类算法，该machinelearning分类算法包括svm、jointbayes、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。
步骤(5)中人脸验证分析又包括验证和结果两步，具体为：
验证：人脸验证阶段即基于特征提取网络提取的deepid2特征搭配训练的joint贝叶斯实现，首先基于sdm算法跑出的21点人脸关键点提出不同的人脸patch，位于不同位置、不同scale、不同channel、水平翻转可以在单个人脸上提出400个patch，然后基于贪婪算法在400个patch中选出25个对于人脸验证作用最大的patch进行后续验证操作，将25个patch的示意图列出，并将基于这25个patch得到的得分也都标注在相应的patch下方；
结果：为了验证两个优化目标为什么在gamma为0.05时有更好的效果，使用了lda来对inter和intra-person的variations进行分析，通过图表化不同gamma值的inter-person的variance变化，可知不同人的feature的variance跨度越大越利于分类，gamma为0.05时与0时相比并没有使inter-personal的variance降低，部分区域的值甚至会升高；当gamma趋于无穷大时会导致identification目标不被优化，这时不同人之间的feature的variance小，难以分开不同的id；将intra-person的变化图标化，可以得知gamma为0.05时每个id的各个图片的feature的invariance均得到降低。
步骤(6)中进行数据库匹配计算算法为：
采用基于supportvectormachine的匹配方式并针对svm空间，使用梯度下降对目标函数进行优化，linearsvm实际上是不需要进行进入对偶空间求解的，使用梯度下降，adam基于梯度的优化算法就可以在原问题空间进行优化，使用梯度下降对于svm原问题优化过程如下：
如果不满足条件，那么将尽可能能往满足条件的方向优化，如果符条件，则参数保持不变，最终使用hinge-loss可以使用梯度下降法在svm的原问题空间对问题进行优化。
步骤(6)中还将进行训练优化算法，具体为：
本发明与现有技术相比，具有以下优点及有益效果：
本发明能够有效的完成校园中图片信息的采集，并将采集后的图片信息发送到公安部门与数据库中的相关图像信息进行对比，最终根据图像信息对比的结果判断是否需要进行报警。
具体实施方式
下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。
实施例
一种校园用人脸识别安全隐患报警装置，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；
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”。
(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；
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machinelearning分类算法，该machinelearning分类算法包括svm、jointbayes、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。
(5)远端服务器对提取的人脸特征进行人脸验证分析；
人脸验证分析又包括验证和结果两步，具体为：
验证：人脸验证阶段即基于特征提取网络提取的deepid2特征搭配训练的joint贝叶斯实现，首先基于sdm算法跑出的21点人脸关键点提出不同的人脸patch，位于不同位置、不同scale、不同channel、水平翻转可以在单个人脸上提出400个patch，然后基于贪婪算法在400个patch中选出25个对于人脸验证作用最大的patch进行后续验证操作，将25个patch的示意图列出，并将基于这25个patch得到的得分也都标注在相应的patch下方；
结果：为了验证两个优化目标为什么在gamma为0.05时有更好的效果，使用了lda来对inter和intra-person的variations进行分析，通过图表化不同gamma值的inter-person的variance变化，可知不同人的feature的variance跨度越大越利于分类，gamma为0.05时与0时相比并没有使inter-personal的variance降低，部分区域的值甚至会升高；当gamma趋于无穷大时会导致identification目标不被优化，这时不同人之间的feature的variance小，难以分开不同的id；将intra-person的变化图标化，可以得知gamma为0.05时每个id的各个图片的feature的invariance均得到降低。
(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；
进行数据库匹配计算算法为：
采用基于supportvectormachine的匹配方式并针对svm空间，使用梯度下降对目标函数进行优化，linearsvm实际上是不需要进行进入对偶空间求解的，使用梯度下降，adam基于梯度的优化算法就可以在原问题空间进行优化，使用梯度下降对于svm原问题优化过程如下：
如果不满足条件，那么将尽可能能往满足条件的方向优化，如果符条件，则参数保持不变，最终使用hinge-loss可以使用梯度下降法在svm的原问题空间对问题进行优化。
其中，supportvectormachine为支持向量机svm，linearsvm指的是一种基于svm的线性模型，adam指的是一种可以替代传统随机梯度下降(sgd)过程的一阶优化算法，hingeloss指的是折页损失函数。
该步骤的算法为本领域的通用算法，本领域技术人员根据上述内容并结合本领域的技术常识便可以完成该步骤的相关计算，故而在此不进行赘述。
在步骤(6)中还将进行训练优化算法，具体为：
在训练过程中基于identification和verification的梯度会通过gamma超参数调节他们之间的权重比，值得注意的是优化方式都是基于sgd反向传播进行训练，但是卷积层的verification的loss中的m其实也是需要被训练的超参数，但是这个超参数不能通过sgd进行训练，因为模型会学出的m都是趋向于0，这样能使得loss最大程度降低。
其中，sgd指的是stochasticgradientdescent，即随机梯度下降；verification指的是系统验证，该验证系统通常被描述为1-to-1匹配系统；identification指的是系统辨识，该系统辨识通常被描述为1-to-n匹配系统；loss指的是损失函数，gamma指的是伽玛分布。
该步骤的算法为本领域的通用算法，本领域技术人员根据上述内容并结合本领域的技术常识便可以完成该步骤的相关计算，故而在此不进行赘述。
(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。
如上所述，便可很好的实现本发明。
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machinelearning分类算法，该machinelearning分类算法包括svm、jointbayes、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。
4.根据权利要求3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(5)中人脸验证分析又包括验证和结果两步，具体为：
验证：人脸验证阶段即基于特征提取网络提取的deepid2特征搭配训练的joint贝叶斯实现，首先基于sdm算法跑出的21点人脸关键点提出不同的人脸patch，位于不同位置、不同scale、不同channel、水平翻转可以在单个人脸上提出400个patch，然后基于贪婪算法在400个patch中选出25个对于人脸验证作用最大的patch进行后续验证操作，将25个patch的示意图列出，并将基于这25个patch得到的得分也都标注在相应的patch下方；
结果：为了验证两个优化目标为什么在gamma为0.05时有更好的效果，使用了lda来对inter和intra-person的variations进行分析，通过图表化不同gamma值的inter-person的variance变化，可知不同人的feature的variance跨度越大越利于分类，gamma为0.05时与0时相比并没有使inter-personal的variance降低，部分区域的值甚至会升高；当gamma趋于无穷大时会导致identification目标不被优化，这时不同人之间的feature的variance小，难以分开不同的id；将intra-person的变化图标化，可以得知gamma为0.05时每个id的各个图片的feature的invariance均得到降低。
5.根据权利要求4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(6)中进行数据库匹配计算算法为：
采用基于supportvectormachine的匹配方式并针对svm空间，使用梯度下降对目标函数进行优化，linearsvm实际上是不需要进行进入对偶空间求解的，使用梯度下降，adam基于梯度的优化算法就可以在原问题空间进行优化，使用梯度下降对于svm原问题优化过程如下：
如果不满足条件，那么将尽可能能往满足条件的方向优化，如果符条件，则参数保持不变，最终使用hinge-loss可以使用梯度下降法在svm的原问题空间对问题进行优化。
6.根据权利要求5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(6)中还将进行训练优化算法，具体为：
