机器学习在校园安全门禁系统中的应用研究

姜娜 杨海燕 黄吉亚 顾庆传

摘  要：随着高校的扩建，校园安全已成为校园管理工作中的重要问题。现有的大部分门禁系统仅记录各类人员出入校园的时间信息，信息数量大，且未进行有效利用。校园安全工作要稳定有效地持续进行，则需要利用计算机平台，将过去的人工管理方式逐步转变为基于大数据和机器学习的智能化的管理、决策方式。本文基于机器学习，对校园安全门禁系统方法的选择和系统的现实意义进行了探讨，以期为相关系统分析与设计提供参考。

关键词：校园安全;机器学习;门禁系统;学习模型

中图分类号：TP181      文献标识码：A 文章编号：2096-4706（2019）01-0160-02

Research on the Application of Machine Learning in

Campus Security Access Control System

JIANG Na，YANG Haiyan，HUANG Jiya，GU Qingchuan

（School of Physics and Information Engineering，Zhaotong University，Zhaotong  657000，China）

Abstract：With the expansion of colleges and universities，the work of the campus public security has been an important problem in campus management. Most of the existing access control systems only record the time information of person who entered and leaved the campus. The amount of information is large，but it is not effectively used. In order to carry out campus security work steadily and effectively，it is necessary to use computer platform to gradually transform the past manual management mode into intelligent management and decision-making mode based on large data and machine learning. Based on machine learning，this paper discusses the selection of methods and practical significance of campus security access control system，in order to provide reference for the analysis and design of related systems.

Keywords：campus security;machine learning;access control system;learning model

0  引  言

目前我国高校正处于蓬勃发展时期，各高校学生数量多，管理难度高，校园安全已成为高校校园管理中不可忽视的重要问题。在“互联网+”发展背景下，利用计算机平台，将校园安全过去的人工管理方式逐步转变为智能化管理方式，提高管理效率，避免管理过程中出现遗漏十分必要。

高校校园安全主要体现在消防安全、饮食安全、人身安全、交通安全、心理健康等方面。本文主要针对校园安全中的学生人身安全管理系统进行阐述。针对学生人身安全，目前不少高校均已建设相关的门禁方案对学生进行出入管理，例如，使用一卡通、校园卡等设备对学生进出公寓进行记录，从而获得学生的出入情况。但是，如果出现出入凭证丢失或冒用的情况，就会导致统计数据不真实，造成潜在的校园安全隐患;另外，校园安全中涉及到的各种意外情况，除学生公寓外，可能會出现在校园的各个区域，因此有必要对教师、后勤人员和其他外来人员进行统一的校园进出管理登记。在建设智慧型平安校园背景下，本文提出一种基于机器学习的门禁系统，校园管理人员利用出入凭证对教师和学生进行统一管理;同时利用临时出入凭证对外来人员进行统一管理，对各类人员进出校园、宿舍或图书馆进行记录，并对数据进行统计，使用机器学习算法得出分析模型，使用计算机技术最大程度地确保学生的校园人身安全和财产安全，亦可配合教学、后勤等部门进行辅助管理。该系统在现有校园安全门禁系统和宿舍门禁系统的基础上，使用机器学习知识，挖掘各类进出校园或宿舍人员的进出数据规律，及时向管理人员通报异常信息，提高校园安全管理效率，保障校园安全。

1  机器学习概述

机器学习（Machine Learning）是指计算机在已有经验学习的基础上，习得学习模型，将学习模型用于新数据预测并得出结论的过程。校园安全门禁系统通常记录学生的出入情况，机器学习将出入情况作为已有数据可挖掘不同学生出入校园、宿舍或图书馆，以及结伴出行规律，可用于预测某个学生某一天的出入情况;同样的方式，机器学习亦可用于教职工、管理人员以及外来临时人员的出入预测，以得到逼近真相的预测结论，即获得强泛化能力的模型。当预测情况与实际情况偏差较大时，如超出预期时间学生未返回宿舍，外来临时人员未离校等，机器学习则会自动向管理人员发送警示信息提醒其进行人工核实。

根据已有经验数据是否包含标记信息，可将机器学习算法分为监督学习、半监督学习和无监督学习;根据预测结果是否连续，可将机器学习算法分为预测离散值的分类学习方法和预测连续值的回归学习方法。根据校园安全门禁系统的出入数据，最终可以预测各类人员在校安全状态，因此，选择适用的分类学习方法十分必要。机器学习开发流程如图1所示。

2  方法研究

在校园安全门禁系统中，前期数据录入包括每一位出入人员的基本信息以及出入学校、宿舍或图书馆的时间节点信息等。其中，基本信息通过人工或批量导入方式录入;出入时间节点信息通过安全门禁系统获得并批量导入。系统记录各类人员的相关信息，预测其出入情况，并给出结论—正常或异常。校园安全门禁系统通过统计校园各人员进出校园的规律，得出预测结论，并在出现异常情况时给出相应的管理决策建议，从而支撑智慧校园管理。

2.1  数据录入以及安全状态

数据的录入，包括各类人员基本信息（姓名、身份证号＼ 学号、年龄、专业、所属类别等），出入相关详细信息（日期、实际出入时间、预计出入时间等）的录入工作。对数据进行分析，令D={x1，x2，…，xn}，表示第n个出入校园人员的数据集，第m个出入校园人员的数据xm是由基本信息中A个数据构成的一个向量;若要根据某个进出校园人员的出入信息预测其当前在校安全状态，则令第m个出入校园人员的安全状态类型是ym，则（xm，ym）就是数据集中的第m个样例（拥有标记信息的示例）。机器学习通过对训练集的学习，习得的模型为f，在进行预测时，可得到测试例x的预测标记y=f（x），即通过出入校园人员的出入信息预测其当前在校安全状态。机器学习模型使用流程如图2所示。

2.2  决策树模型

由于各类人员出入学校、宿舍或图书馆的时间受课时安排、周末、节假日等影响，因此在对机器学习进行分析的过程中，需结合日期进行预测。

以日期作为自变量，以各类人员当前在校安全状态作为预测结果，建立模型，如图3所示。

2.3  K均值聚类算法

常见聚类算法有：K均值聚类算法、均值漂移聚类算法、基于密度的聚类算法、凝聚层次聚类算法。其中，K均值聚类算法速度快，计算简便，划分得到的K个簇的中心均值是每个簇所有值的均值。各类人员中，学生人数最多，且出入时间主要集中在某几个时间段，因此，可使用聚类方法得到学习模型。

在学生、教师、管理人员等每一类人员中，随机选取K个对象作为聚类中心，根据对象距离聚类中心的长度将该对象分配给离它最近的聚类中心，每次新加入对象时重新计算，直到误差平方和局部最小，即可获得每一类人员相似出行规律的学习模型。当对下一次出入信息进行记录时，判断出入记录是否满足学习模型规律，若满足则记录，否则向管理人员发出警报信息，由管理人员人工审核，若有特殊情况，则便于向学生工作管理人员上报详细信息，提高各部门联合管理的效率。

3  意义以及存在的问题

机器学习在校园安全门禁系统中的应用，具有如下现实意义：

机器学习在校园安全门禁系统中的应用可以使校园安全管理人员及时获得出入学校、宿舍或图书馆人员的信息和某一时刻临时出入校园人员的详细信息，高效地进行校园安全管理;当不符合人员出入学习模型的异常情况出现时，系统将自动向管理人员发出警报，时效性强，可以最大程度地保障学生的在校安全;系统除适用于校园安全管理外，也可以辅助教学管理人员进行出勤统计;根据此系统学生管理部门，除可获得学生的出入情况外，还可根据具体的异常情况，对学生进行针对性的管理、帮助或心理疏导，进而对学生工作进行辅助决策及管理。

本文探討了机器学习在校园安全门禁系统中的应用、方法以及意义，但若出现出入凭证丢失、冒用等情况，则校园安全门禁系统的出入情况数据准确率将会降低，未来可结合生物识别技术提高身份识别的准确性，如指纹识别、人脸识别，进而提高校园安全门禁系统预测的准确率。另外，由于学习工作、任务因学期、学年而不同，各类人员的出入规律也会发生变化，系统未来的研究方向为将旧学期数据和新学期数据之间建立关联，以获得更加通用、准确的学习模型。

参考文献：

[1] 周志华.机器学习 [M].北京：清华大学出版社，2016.

[2] [美]Pete Harrington著.机器学习实战 [M].李锐，李鹏，曲亚东，等译.北京：人民邮电出版社，2013.

[3] 范淼，李超.Python机器学习及实践 [M].北京：清华大学出版社，2016.

[4].常见的六大聚类算法 [EB/OL].https：//blog.csdn.net/Katherine_hsr/article/details/79382249，2018-03-01.

[5] 各种聚类算法（原理+代码+对比分析）最全总结 [EB/OL]. https：//blog.csdn.net/qq_30262201/article/details/ 78799926，2017-12-14.