一种智能门锁控制方法、装置、设备及介质

技术领域

本发明涉及智能设备技术领域，具体涉及一种智能门锁控制方法、装置、设备及介质。

背景技术

门锁系统的简要构成要素包括锁体和钥匙，传统的解锁机制依托于以合成金属、塑料等为载体的实体钥匙。这种传统的解锁机制存在较大的安全隐患和隐藏成本。例如，实体钥匙的使用者存在匿名性，钥匙的转交和丢失都会对隐私财产造成威胁。实体钥匙传统的开锁耗时长，存在锁芯卡住，钥匙断裂等问题，这些问题会极大的影响用户体验。

而在此基础上升级的智能门锁虽然解决了部分上述问题，但方案上也存在一些缺陷。人脸识别作为一种生物识别技术，可以通过对人脸特征的采集和比对来进行身份认证。尽管在许多场合中，人脸识别作为一种便捷、高效的身份认证方式被广泛应用，但它也存在一些局限性和问题：当涉及到人脸识别技术的应用时，其中两个主要的问题是误识别率高和安全性存在问题。这些问题可能导致不良的影响，例如系统误判导致无法准确识别身份，或者被攻击者欺骗和利用系统漏洞来窃取数据。误识别率高是由于人脸识别系统对于多变的场景和人脸特征的识别仍然存在限制。例如，在低光照条件下，人脸的特征难以被识别。此外，不同面部表情、头发的遮挡、面具等也会影响人脸识别的准确度。

发明内容

有鉴于此，本发明实施例提供了一种智能门锁控制方法、装置、设备及介质，以解决现有技术中智能门锁对人脸的识别精度差、存在安全风险的问题。

为达到上述目的，本发明提供如下技术方案：

本发明实施例提供了一种智能门锁控制方法，包括：

获取目标对象的视频图像信息；

基于所述视频图像信息提取多个运动特征向量；

对所述运动特征向量进行聚类分析，得到特征序列；

将所述特征序列与预设序列库进行匹配，当匹配成功时控制门锁开启。

可选的，所述基于所述视频图像信息提取多个运动特征向量，包括：

对所述视频图像信息进行识别筛选，得到多个运动特征图像；

从所述运动特征图像提取特征向量得到多个运动特征向量。

可选的，所述对所述视频图像信息进行识别筛选，得到运动特征图像，包括：

按照预设的时间间隔从所述视频图像信息中选取多个视频帧图像；

对每个所述视频帧图像进行识别分析，得到像素差值；

将所述像素差值与预设差值阈值进行对比；

当所述像素差值大于所述预设差值阈值时，提取该所述像素差值对应的视频帧图像作为运动特征图像。

可选的，所述从所述运动特征图像提取特征向量得到多个运动特征向量，包括：

根据预设特征要求从每个所述运动特征图像中提取多个特征向量；

将每个所述运动特征图像的特征向量进行组合得到多个特征矩阵；

对每个所述运动特征图像对应的所述特征矩阵进行归一化处理，得到多个运动特征向量。

可选的，在对每个所述运动特征图像对应的所述特征矩阵进行归一化处理之前，所述方法还包括：

将每个所述特征矩阵的维度与预设维度阈值进行对比；

当所述维度大于所述预设维度阈值时，对所述特征矩阵进行降维处理。

可选的，所述对所述运动特征向量进行聚类分析，得到特征序列，包括：

将所述运动特征向量输入预设聚类模型，得到多个特征集；

对每个所述特征集进行分析，得到多个聚类中心；

基于所述聚类中心对应的视频帧图像从所述视频图像信息中提取每个聚类中心对应的时间信息；

根据所述时间信息对所述聚类中心对应的中心向量进行排序，得到特征序列。

可选的，所述方法还包括：

根据匹配成功的特征序列和预设预测模型对所述预设序列库进行定期更新。

本发明实施例还提供了一种智能门锁控制装置，包括：

获取模块，用于获取目标对象的视频图像信息；

提取模块，用于基于所述视频图像信息提取多个运动特征向量；

分析模块，用于对所述运动特征向量进行聚类分析，得到特征序列；

控制模块，用于将所述特征序列与预设序列库进行匹配，当匹配成功时控制门锁开启。

本发明实施例还提供了一种电子设备，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例提供的智能门锁控制方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行本发明实施例提供的智能门锁控制方法。

本发明技术方案，具有如下优点：

本发明提供了一种智能门锁控制方法，通过获取目标对象的视频图像信息；基于视频图像信息提取多个运动特征向量；对运动特征向量进行聚类分析，得到特征序列；将特征序列与预设序列库进行匹配，当匹配成功时控制门锁开启。本发明通过对视频图像信息进行特征提取，构建出特征向量后再进行识别，可以有效降低识别的复杂度，同时提高识别的精度和准确率，有效提高智能门锁的安全性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例中的智能门锁控制方法的流程图；

图2为根据本发明实施例中基于所述视频图像信息提取多个运动特征向量的流程图；

图3为根据本发明实施例中对所述视频图像信息进行识别筛选的流程图；

图4为根据本发明实施例中从所述运动特征图像提取特征向量的流程图；

图5为根据本发明实施例中对所述特征矩阵进行降维处理的流程图；

图6为根据本发明实施例中对所述运动特征向量进行聚类分析的流程图；

图7为本发明实施例中的智能门锁控制装置的结构示意图；

图8为本发明实施例中的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明实施例，提供了一种智能门锁控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种智能门锁控制方法，可用于上述的终端设备，如电脑等，如图1所示，该智能门锁控制方法包括如下步骤：

步骤S1：获取目标对象的视频图像信息。具体的，视频图像信息包括每一视频帧的视频帧图像和对应的时间。

步骤S2：基于视频图像信息提取多个运动特征向量。具体的，对开锁动作行为的基本特征、运动幅度、运动强度等多个运动类型进行分析，得到运动特征向量。

步骤S3：对运动特征向量进行聚类分析，得到特征序列。具体的，通过聚类分析对视频图像信息提取多个运动特征向量进行优化，建立特征序列，便于后续进行匹配。

步骤S4：将特征序列与预设序列库进行匹配，当匹配成功时控制门锁开启。具体的，预设序列库中存储有用户录入的多个目标对象的特征序列，当匹配成功时，对该目标对象开门，若匹配失败则对失败次数进行统计，当统计次数超出警告值时，可以对该智能门锁的绑定对象发送告警信息。

通过上述步骤S1至步骤S4，本发明实施例提供的智能门锁控制方法，通过获取目标对象的视频图像信息；基于视频图像信息提取多个运动特征向量；对运动特征向量进行聚类分析，得到特征序列；将特征序列与预设序列库进行匹配，当匹配成功时控制门锁开启。本发明通过对视频图像信息进行特征提取，构建出特征向量后再进行识别，可以有效降低识别的复杂度，同时提高识别的精度和准确率，有效提高智能门锁的安全性。

具体地，在一实施例中，上述的步骤S2，如图2所示，具体包括如下步骤：

步骤S21：对视频图像信息进行识别筛选，得到多个运动特征图像。具体的，在进行识别筛选时，可以对根据实际情况对开锁动作行为的基本特征、运动幅度、运动强度等多个运动类型进行分析。

步骤S22：从运动特征图像提取特征向量得到多个运动特征向量。具体的，通过提取运动特征向量，便于后续对运动情况进行准确分析，判断是否与预设序列库中存储的动作序列一致。

具体地，在一实施例中，上述的步骤S21，如图3所示，具体包括如下步骤：

步骤S211：按照预设的时间间隔从视频图像信息中选取多个视频帧图像。具体的，预设的时间间隔可以根据所需的精确度进行设定，时间间隔越小，后期需要分析的数据量越大，分析结果精度越高。

步骤S212：对每个视频帧图像进行识别分析，得到像素差值。具体的，在进行识别筛选时，可以对根据实际情况对开锁动作行为的基本特征、运动幅度、运动强度等多个运动类型进行分析。

步骤S213：将像素差值与预设差值阈值进行对比。

步骤S214：当像素差值大于预设差值阈值时，提取该像素差值对应的视频帧图像作为运动特征图像。

具体的，背景图像的建模和模拟的准确程度，直接影响到检测的效果。不论任何运动目标检测算法，都要尽可能的满足任何图像场景的处理要求，但是由于场景的复杂性、不可预知性、以及各种环境干扰和噪声的存在，如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等，使得背景的建模和模拟变得比较困难。在对每个视频帧图像进行识别分析时可采用背景差分法检测运动目标，速度快，检测准确，易于实现。

具体地，在一实施例中，上述的步骤S22，如图4所示，具体包括如下步骤：

步骤S221：根据预设特征要求从每个运动特征图像中提取多个特征向量。具体的，可以根据需求选择适合于运动特征图像的特征提取算法对特征向量进行提取，如颜色直方图、纹理特征、形状特征等。

步骤S222：将每个运动特征图像的特征向量进行组合得到多个特征矩阵。具体的，可以将每个特征向量作为矩阵的一行或一列，或者使用其他方式进行组合。

步骤S223：对每个运动特征图像对应的特征矩阵进行归一化处理，得到多个运动特征向量。具体的，归一化处理过程可采用均值方差归一化或范围归一化。对特征矩阵进行归一化处理，以消除不同特征之间的量纲差异。

具体地，在一实施例中，在上述的步骤S223之前，如图5所示，具体包括如下步骤：

步骤S22301：将每个特征矩阵的维度与预设维度阈值进行对比。

步骤S22302：当维度大于预设维度阈值时，对特征矩阵进行降维处理。

具体的，降维处理过程可采用主成分分析(PrincipalComponentAnalysis，PCA)或线性判别分析(lineardiscriminantanalysis，LDA)，将特征矩阵降低到较低维度，以减少数据的复杂性和计算量。

具体地，在一实施例中，上述的步骤S3，如图6所示，具体包括如下步骤：

步骤S31：将运动特征向量输入预设聚类模型，得到多个特征集。具体的，通过预设聚类模型可以将运动特征向量按照类别进行分类，将属于同一类别的运动特征向量整合到同一特征集内。

步骤S32：对每个特征集进行分析，得到多个聚类中心。具体的，可以通过K均值聚类算法选取每个特征集的聚类中心，通过迭代不断移动聚类中心直至聚类中心不再发生变化，可以简单快速的得到每个特征集的聚类中心。

步骤S33：基于聚类中心对应的视频帧图像从视频图像信息中提取每个聚类中心对应的时间信息。

步骤S34：根据时间信息对聚类中心对应的中心向量进行排序，得到特征序列。具体的，根据每个视频帧图像对应的时间进行排序，可以有效保证序列的连续性，从而确保动作分析的连贯性和准确性。

具体地，在一实施例中，上述的智能门锁控制方法，具体还包括如下步骤：

根据匹配成功的特征序列和预设预测模型对预设序列库进行定期更新。

具体的，预设预测模型通过以下方式建立：

(1)构建多个循环层，每个循环层都具有相同的权重参数，且每个循环层接收当前时间步的输入和前一个时间步的隐藏状态，并输出当前时间步的隐藏状态。

(2)对于每个时间步，根据输入和前一个时间步的隐藏状态计算当前时间步的隐藏状态。可以通过以下公式表示：

h_t＝f(W_hh*h_{t-1}+W_xh*x_t+b_h)

其中，h_t是当前时间步的隐藏状态，h_{t-1}是前一个时间步的隐藏状态，x_t是当前时间步的输入，W_hh和W_xh是权重矩阵，b_h是偏置向量，f是激活函数(可以为tanh或ReLU)。

(3)根据当前时间步的隐藏状态计算输出，根据任务的不同，可以选择不同的方式来计算输出，例如，对于分类任务，可以使用全连接层将隐藏状态映射到类别标签，对于不同运动类型的序列，划分至不同类别标签下的集合中。

(4)根据模型输出的预测结果和真实序列计算损失，并使用反向传播算法更新网络参数，以最小化损失函数。此处用到的优化算法包括但不限于随机梯度下降(SGD)、Adam。

(5)使用训练数据对RNN进行训练，通过迭代优化网络参数来提高模型性能。在训练完成后，可以通过训练好的模型对匹配成功的特征序列进行分析，并对生成的新的序列数据进行分类，定期更新至预设序列数据库，从而在面对目标对象不同的形象或表情动作时，可以更快更准确的进行识别，提高用户体验的同时，具有更高的安全性。

具体的，在一实施例中，上述的智能门锁控制方法，具体还包括如下步骤：

按照预设日期间隔对预设序列数据库中每个目标对象的数据匹配频次进行统计，删除每个目标对象数据匹配频次低于预设频次的特征序列。具体的，通过此方式可以减少数据存储量，在满足安全性要求的情况下不仅能提高空间利用率还能提高匹配效率，为用户带来更好的使用体验。

在本实施例中还提供了一种智能门锁控制装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种智能门锁控制装置，如图7所示，包括：

获取模块101，用于获取目标对象的视频图像信息，详细内容参见上述方法实施例中步骤S1的相关描述，在此不再进行赘述。

提取模块102，用于基于视频图像信息提取多个运动特征向量，详细内容参见上述方法实施例中步骤S2的相关描述，在此不再进行赘述。

分析模块103，用于对运动特征向量进行聚类分析，得到特征序列，详细内容参见上述方法实施例中步骤S3的相关描述，在此不再进行赘述。

控制模块104，用于将特征序列与预设序列库进行匹配，当匹配成功时控制门锁开启，详细内容参见上述方法实施例中步骤S4的相关描述，在此不再进行赘述。

本实施例中的智能门锁控制装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

根据本发明实施例还提供了一种电子设备，如图8所示，该电子设备可以包括处理器801和存储器802，其中处理器801和存储器802可以通过总线或者其他方式连接，图8中以通过总线连接为例。

处理器801可以为中央处理器(CentralProcessingUnit，CPU)。处理器801还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器802作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明方法实施例中的方法所对应的程序指令/模块。处理器801通过运行存储在存储器802中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器801所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至处理器801。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器802中，当被处理器801执行时，执行上述方法实施例中的方法。

上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。