CN110874875A - 门锁控制方法及装置 - Google Patents
门锁控制方法及装置 Download PDFInfo
- Publication number
- CN110874875A CN110874875A CN201810916855.7A CN201810916855A CN110874875A CN 110874875 A CN110874875 A CN 110874875A CN 201810916855 A CN201810916855 A CN 201810916855A CN 110874875 A CN110874875 A CN 110874875A
- Authority
- CN
- China
- Prior art keywords
- action
- executed
- behavior data
- sample
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 141
- 230000006399 behavior Effects 0.000 claims abstract description 103
- 230000004044 response Effects 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 76
- 238000007781 pre-processing Methods 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 210000002569 neuron Anatomy 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 22
- 230000008921 facial expression Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000004424 eye movement Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 29
- 230000001276 controlling effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Lock And Its Accessories (AREA)
Abstract
本发明公开了一种门锁控制方法及装置。其中,该方法包括:获取用户的行为数据;使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作;根据所述待执行动作,控制门锁执行相应的响应操作。本发明解决了由于门锁的密码输入模块和指纹识别模块会被同时唤醒造成的门锁的能耗较大的技术问题。
Description
技术领域
本发明涉及门锁控制领域,具体而言,涉及一种门锁控制方法及装置。
背景技术
目前,智能门锁在人们日常生活中的渗透率越来越高,且大多数都兼有密码输入模块和指纹识别模块,其智能性也为人们的生活带来了很大的便利。
现有技术中,在门锁的密码输入模块和指纹识别模块唤醒方面,却会出现这样一些情况:需要用户的手靠的非常近(降低了智能门锁的用户体验),而且两个模块会被同时唤醒,然而,用户却只会使用其中一种模块来开锁,这样增大了门锁的能耗;或者陌生用户对门锁进行非法操作,如胡乱输入密码和指纹、盗取了用户密码进而进门盗窃等情况,这些都降低了智能门锁的安全性和耐用性。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种门锁控制方法及装置,以至少解决由于门锁的密码输入模块和指纹识别模块会被同时唤醒造成的门锁的能耗较大的技术问题。
根据本发明实施例的一个方面,提供了一种门锁控制方法,包括:获取用户的行为数据;使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作;根据所述待执行动作,控制门锁执行相应的响应操作。
可选地,建立所述第一模型的方法包括:获取训练样本中的行为数据及待执行动作;通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型。
可选地,所述第一模型包括输入层、隐层及输出层;其中,所述通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型包括:对所述训练样本中的所述行为数据进行预处理,得到样本预处理结果,所述样本预处理结果包括以下至少之一:输入向量、输入参数矩阵、向量图;将所述样本预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述样本预处理结果进行编码,得到样本动作,并通过所述输出层输出;将所述样本动作与所述训练样本中的所述待执行动作进行比较;若所述样本动作与所述训练样本中的所述待执行动作之间的误差不满足预设条件,计算所述误差的平方和,并将所述平方和作为目标函数;计算所述目标函数对每个神经元的权重的偏导数,得到所述权重对应的梯量;依据所述梯量,采用梯度下降算法更新所述权重。
可选地,所述隐层包括树图结构,所述树图结构包含子节点和父节点,所述子节点中的每个神经元均与所述父节点中的每个神经元连接。
可选地,所述使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作包括:对所述用户的所述行为数据进行所述预处理,得到第一预处理结果;将所述第一预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述第一预处理结果进行编码,得到所述待执行动作,并通过所述输出层输出。
可选地,所述根据所述待执行动作,控制门锁执行相应的响应操作包括以下至少之一:开启生物特征识别模块、开启密码输入模块、关闭生物特征识别模块、关闭密码输入模块。
可选地,所述生物特征包括以下至少之一:指纹特征、掌纹特征、声纹特征、面部特征、肢体动作、虹膜特征。
可选地,所述根据所述待执行动作,控制门锁执行相应的响应操作之后,所述方法还包括:在学习模式中,接收输入的所述响应操作对应的评分;根据所述评分,输出所述第一模型的训练结果,所述训练结果用于指示所述待执行动作与所述用户的实际执行动作之间的匹配程度;根据训练结果,标记对应的行为数据;将带有标记的行为数据输入训练样本。
可选地,所述获取用户的行为数据包括:通过传感器采集所述用户的所述行为数据,所述行为数据包括以下至少之一:肢体动作、面部表情、语音、眼部动作。
可选地,所述传感器包括以下至少之一:摄像头、距离传感器、虹膜识别装置。
可选地,所述第一模型为循环神经网络RNN。
根据本发明实施例的另一方面,还提供了一种门锁控制装置,包括:获取单元,用于获取用户的行为数据;处理单元,用于使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作;控制单元,用于根据所述待执行动作,控制门锁执行相应的响应操作。
可选地,所述获取单元,还用于获取训练样本中的行为数据及待执行动作;所述处理单元,还用于通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型。
可选地,所述第一模型包括输入层、隐层及输出层;其中,所述处理单元用于执行以下步骤通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型:对所述训练样本中的所述行为数据进行预处理,得到样本预处理结果,所述样本预处理结果包括以下至少之一:输入向量、输入参数矩阵、向量图;将所述样本预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述样本预处理结果进行编码,得到样本动作,并通过所述输出层输出;将所述样本动作与所述训练样本中的所述待执行动作进行比较;若所述样本动作与所述训练样本中的所述待执行动作之间的误差不满足预设条件,计算所述误差的平方和,并将所述平方和作为目标函数;计算所述目标函数对每个神经元的权重的偏导数,得到所述权重对应的梯量;依据所述梯量,采用梯度下降算法更新所述权重。
可选地,所述隐层包括树图结构,所述树图结构包含子节点和父节点,所述子节点中的每个神经元均与所述父节点中的每个神经元连接。
可选地,所述处理单元用于执行以下步骤使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作:对所述用户的所述行为数据进行所述预处理,得到第一预处理结果;将所述第一预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述第一预处理结果进行编码,得到所述待执行动作,并通过所述输出层输出。
可选地,所述控制单元用于执行以下至少一个步骤根据所述待执行动作,控制门锁执行相应的响应操作:开启生物特征识别模块、开启密码输入模块、关闭生物特征识别模块、关闭密码输入模块。
可选地,该装置还包括:接收单元,用于在学习模式中,接收输入的所述响应操作对应的评分;输出单元,用于根据所述评分,输出所述第一模型的训练结果,所述训练结果用于指示所述待执行动作与所述用户的实际执行动作之间的匹配程度;根据训练结果,标记对应的行为数据;将带有标记的行为数据输入训练样本。
在本发明实施例中,采用获取用户的行为数据;使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作;根据所述待执行动作,控制门锁执行相应的响应操作的方式,使用收集到的行为数据通过机器学习训练出第一模型,基于第一模型对用户当前的行为数据进行分析,识别出用户将要执行的动作,进而控制门锁做出相应的运行控制,达到了实现门锁提前预知用户动作并做出响应的目的,从而实现了提高门锁操作灵敏度,降低门锁功耗的技术效果,进而解决了由于门锁的密码输入模块和指纹识别模块会被同时唤醒造成的门锁的能耗较大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的门锁控制方法的流程示意图;
图2是根据本发明实施例的一种可选的神经网络的结构示意图;
图3是根据本发明实施例的另一种可选的神经网络的结构示意图;
图4是根据本发明实施例的另一种可选的门锁控制方法的流程示意图;
图5是根据本发明实施例的一种可选的门锁控制装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种门锁控制方法的方法实施例,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***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。
图1是根据本发明实施例的门锁控制方法,如图1所示,该方法包括如下步骤:
步骤S102,获取用户的行为数据。
可选地,所述获取用户的行为数据包括:通过传感器采集所述用户的所述行为数据,所述行为数据包括以下至少之一:肢体动作、面部表情、语音、眼部动作。
其中,所述传感器包括以下至少之一:摄像头、距离传感器、虹膜识别装置。
本实施例中,通过利用摄像头、距离传感器、虹膜识别等设备,获取用户肢体行为动作、眼部动作和脸部表情中的一种或多种(即上述的行为数据),对于无法识别的数据,将不对其进行获取操作。
步骤S104,使用第一模型对行为数据进行分析,确定用户的待执行动作。
其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作。第一模型为循环神经网络RNN。
本实施例中,将用户肢体行为动作、眼部动作、脸部表情等有效原始数据进行参数化预处理,转换成输入向量、输入参数矩阵或者向量图,得到输入数据集和数据分布,以此作为神经网络算法函数集(即上述的第一模型)的数据输入。
可选地,建立所述第一模型的方法包括:获取训练样本中的行为数据及待执行动作;通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型。
可选地,所述第一模型包括输入层、隐层及输出层。
如图2所示,第一模型的网络结构分为输入层、输出层和隐层,其中的隐层可以是一层或者多层。输入层就是上述的神经网络输入预处理数据。输出层是门锁的相关控制参数,比如单独开启(或关闭)密码输入模块(指纹识别模块)、密码触摸模块(指纹识别模块)无反馈等参数。隐层则是各个节点(隐节点1、隐节点2、……、隐节点n)采用各种相关神经网络算法,会将从输入层得到的各种输入参数(行为动作1、行为动作2、……、行为动作6)进行训练解析,最后传递给输出层,得到各种输出参数(开启指纹识别模块、开启密码输入模块、关闭指纹识别模块、关闭密码输入模块、其他门锁控制方式)。
可选地,所述隐层包括树图结构,所述树图结构包含子节点和父节点,所述子节点中的每个神经元均与所述父节点中的每个神经元连接。
可选地,所述使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作包括:对所述用户的所述行为数据进行所述预处理,得到第一预处理结果;将所述第一预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述第一预处理结果进行编码,得到所述待执行动作,并通过所述输出层输出。
本实施例的第一模型可以使用循环神经网络(也称递归神经网络)。递归神经网络解决的是组合性问题,它将输入层中的各个有意义的信息,经过隐层处理以后表示成一个个有意义的向量,并将向量传递给输出层。隐层中会构建树图结构,网络中的输入就是子节点,子节点编码后的输出就是父节点,子节点和父节点组成一个全连接神经网络,也就是子节点的每个神经元都和父节点的每个神经元两两相连,本发明人工神经网络算法网络结构,如图3所示,C1、C2和P1构成的网络中,C1、C2是子节点,P1是父节点;在P1和P2构成的网络中,P1为子节点,P2为父节点,以此类推。这样就可以将用户行为动作、眼部动作和脸部表情等数据进行编码,不同的语法解析树对应不同的信息,通过解析树的编码得到空调要做出相应的动作,如:单独开启(或关闭)密码输入模块(指纹识别模块)、识别用户身份进而实现密码触摸模块(指纹识别模块)是否反馈等动作。
可选地,所述通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型包括:对所述训练样本中的所述行为数据进行预处理,得到样本预处理结果,所述样本预处理结果包括以下至少之一:输入向量、输入参数矩阵、向量图;将所述样本预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述样本预处理结果进行编码,得到样本动作,并通过所述输出层输出;将所述样本动作与所述训练样本中的所述待执行动作进行比较;若所述样本动作与所述训练样本中的所述待执行动作之间的误差不满足预设条件,计算所述误差的平方和,并将所述平方和作为目标函数;计算所述目标函数对每个神经元的权重的偏导数,得到所述权重对应的梯量;依据所述梯量,采用梯度下降算法更新所述权重。
对于该第一模型,本实施例采用动态训练算法去训练神经网络,具体可以采用反向传播算法,其中:
反向传播算法:正向计算每个神经元的输出值;反向计算每个神经元的误差项值,它是误差函数对神经元的加权输入的偏导数,并将误差中的残差从当前时刻Tn反向传播到初始时间T1;计算每个权重的梯度;最后利用随机梯度下降算法更新权重。进而,通过大量数据的反复训练和测试,选出最优权重,完成神经网络训练。
反向传播算法的输入输出关系实质上是一种映射关系:一个n输入m输出的反向传播神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射,这一映射具有高度非线性。
反向传播算法的学***方和作为目标函数,将目标函数转入反向传播过程,在反向传播过程中逐层求出目标函数对各神经元权值的偏导数,构成目标函数对权值向量的梯量,作为修改权值的依据,网络的训练在权值修改过程中完成。直到误差达到所期望值时,神经网络训练结束。
步骤S106,根据待执行动作,控制门锁执行相应的响应操作。
可选地,所述根据所述待执行动作,控制门锁执行相应的响应操作包括以下至少之一:开启生物特征识别模块、开启密码输入模块、关闭生物特征识别模块、关闭密码输入模块。
其中,所述生物特征包括以下至少之一:指纹特征、掌纹特征、声纹特征、面部特征、肢体动作、虹膜特征。
运用神经网络识别用户开锁操作,通过各种传感器,采集用户肢体动作、眼部动作、脸部表情等一种或者多种信息,经过神经网络识别后,门锁的各个工作模块针对用户的进一步的开锁操作做出正确响应,实现门锁的提前预知。
通过上述步骤,使用收集到的行为数据通过机器学习训练出第一模型,基于第一模型对用户当前的行为数据进行分析,识别出用户将要执行的动作,进而控制门锁做出相应的运行控制,达到了实现门锁提前预知用户动作并做出响应的目的,从而实现了提高门锁操作灵敏度,降低门锁功耗的技术效果,进而解决了由于门锁的密码输入模块和指纹识别模块会被同时唤醒造成的门锁的能耗较大的技术问题。
可选地,所述根据所述待执行动作,控制门锁执行相应的响应操作之后,所述方法还包括:在学习模式中,接收输入的所述响应操作对应的评分;根据所述评分,输出所述第一模型的训练结果,所述训练结果用于指示所述待执行动作与所述用户的实际执行动作之间的匹配程度;根据训练结果,标记对应的行为数据;将带有标记的行为数据输入训练样本。
该神经网络在识别用户控制时,可以增加用户评分,对传感器数据进行标记,把这些标记数据作为训练数据集,训练神经网络,提高神经网络对特定用户开锁操作的识别率,实现动态训练神经网络,以达到门锁自主学习的功能,提高门锁的安全性。
在该学习模式中,可以有个评分操作,该操作分为:准确(5分值)、一般(2分值)、不准确(0分值),其中,神经网络识别用户行为数据后得出的结论和实际中用户进一步的开锁操作的匹配程度的高低决定了用户在每次动态训练数据结束后对门锁各模块响应反馈结果所选择的区间,将每次动态训练后所得的分值进行累加,让用户直观明了地得知门锁的学习情况,不断优化神经网络参数,直到用户不需做出评分标记,门锁就可以通过用户某个肢体动作、眼神动作或脸部表情,进而做出正确响应,实现门锁的提前预知。
如图4所示,对本实施例的门锁控制方法进行说明:
步骤a,开始。
步骤b,检测用户唤醒条件。
步骤c,是否获取用户数据。
若是,执行步骤d;
若否,执行步骤b。
步骤d,获取用户行为动作。
其中,用户行为动作(相当于上述的行为数据)如标签、手势、头部动作、眼部动作等。
具体地,通过利用摄像头、距离传感器、虹膜识别等设备,获取用户肢体行为动作、眼部动作和脸部表情中的一种或多种,对于无法识别的数据,将不对其进行获取操作。
步骤e,神经网络学习。
将用户肢体行为动作、眼部动作、脸部表情等有效原始数据进行参数化预处理,转换成输入向量、输入参数矩阵或者向量图,得到输入数据集和数据分布,以此作为神经网络算法函数集的数据输入。
步骤f,控制门锁。
将用户行为动作、眼部动作和脸部表情等数据进行编码,不同的语法解析树对应不同的信息,通过解析树的编码得到空调要做出相应的动作,如:单独开启(或关闭)密码输入模块(指纹识别模块)、识别用户身份进而实现密码触摸模块(指纹识别模块)是否反馈等动作,以实现门锁控制。
步骤g,学习模式是否开启。
若是,执行步骤h;
若否,执行步骤b。
步骤h,用户是否满意。
若是,执行步骤b;
若否,执行步骤e。
本实施例中,神经网络在识别用户控制时,可以增加用户评分,对传感器数据进行标记,把这些标记数据作为训练数据集,训练神经网络,提高神经网络对特定用户开锁操作的识别率,实现动态训练神经网络,以达到门锁自主学习的功能,提高门锁的安全性。
在该模式中,会有个评分操作,该操作分为:准确(5分值)、一般(2分值)、不准确(0分值),其中,神经网络识别用户行为数据后得出的结论和实际中用户进一步的开锁操作的匹配程度的高低决定了用户在每次动态训练数据结束后对门锁各模块响应反馈结果所选择的区间,将每次动态训练后所得的分值进行累加,让用户直观明了地得知门锁的学习情况,不断优化神经网络参数,直到用户不需做出评分标记,门锁就可以通过用户某个肢体动作、眼神动作或脸部表情,进而做出正确响应,实现门锁的提前预知。
本发明利用人工神经网络算法,通过收集到的用户肢体行为动作、眼部动作和脸部表情,智能门锁中的指纹识别模块和密码输入模块做出相应的运行控制,用户对门锁做出的响应进行评分,神经网络使用这个评分标记,通过神经网络进行训练,不断优化神经网络参数,直到用户不需做出评分标记,门锁就可以通过用户某个肢体动作、眼神动作或脸部表情,进而做出正确响应,实现门锁的提前预知。
实施例2
根据本发明实施例,提供了一种门锁控制装置的实施例,图5是根据本发明实施例的门锁控制装置,如图5所示,该装置包括:
获取单元50,用于获取用户的行为数据;
处理单元52,用于使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作;
控制单元54,用于根据所述待执行动作,控制门锁执行相应的响应操作。
可选地,所述获取单元,还用于获取训练样本中的行为数据及待执行动作;所述处理单元,还用于通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型。
可选地,所述第一模型包括输入层、隐层及输出层;其中,所述处理单元用于执行以下步骤通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型:对所述训练样本中的所述行为数据进行预处理,得到样本预处理结果,所述样本预处理结果包括以下至少之一:输入向量、输入参数矩阵、向量图;将所述样本预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述样本预处理结果进行编码,得到样本动作,并通过所述输出层输出;将所述样本动作与所述训练样本中的所述待执行动作进行比较;若所述样本动作与所述训练样本中的所述待执行动作之间的误差不满足预设条件,计算所述误差的平方和,并将所述平方和作为目标函数;计算所述目标函数对每个神经元的权重的偏导数,得到所述权重对应的梯量;依据所述梯量,采用梯度下降算法更新所述权重。
可选地,所述隐层包括树图结构,所述树图结构包含子节点和父节点,所述子节点中的每个神经元均与所述父节点中的每个神经元连接。
可选地,所述处理单元用于执行以下步骤使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作:对所述用户的所述行为数据进行所述预处理,得到第一预处理结果;将所述第一预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述第一预处理结果进行编码,得到所述待执行动作,并通过所述输出层输出。
可选地,所述控制单元用于执行以下至少一个步骤根据所述待执行动作,控制门锁执行相应的响应操作:开启生物特征识别模块、开启密码输入模块、关闭生物特征识别模块、关闭密码输入模块。
可选地,该装置还包括:接收单元,用于在学习模式中,接收输入的所述响应操作对应的评分;输出单元,用于根据所述评分,输出所述第一模型的训练结果,所述训练结果用于指示所述待执行动作与所述用户的实际执行动作之间的匹配程度;根据训练结果,标记对应的行为数据;将带有标记的行为数据输入训练样本。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (18)
1.一种门锁控制方法,其特征在于,包括:
获取用户的行为数据;
使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作;
根据所述待执行动作,控制门锁执行相应的响应操作。
2.根据权利要求1所述的方法,其特征在于,建立所述第一模型的方法包括:
获取训练样本中的行为数据及待执行动作;
通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型。
3.根据权利要求1所述的方法,其特征在于,所述第一模型包括输入层、隐层及输出层;其中,所述通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型包括:
对所述训练样本中的所述行为数据进行预处理,得到样本预处理结果,所述样本预处理结果包括以下至少之一:输入向量、输入参数矩阵、向量图;
将所述样本预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述样本预处理结果进行编码,得到样本动作,并通过所述输出层输出;
将所述样本动作与所述训练样本中的所述待执行动作进行比较;
若所述样本动作与所述训练样本中的所述待执行动作之间的误差不满足预设条件,计算所述误差的平方和,并将所述平方和作为目标函数;
计算所述目标函数对每个神经元的权重的偏导数,得到所述权重对应的梯量;
依据所述梯量,采用梯度下降算法更新所述权重。
4.根据权利要求3所述的方法,其特征在于,所述隐层包括树图结构,所述树图结构包含子节点和父节点,所述子节点中的每个神经元均与所述父节点中的每个神经元连接。
5.根据权利要求3所述的方法,其特征在于,所述使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作包括:
对所述用户的所述行为数据进行所述预处理,得到第一预处理结果;
将所述第一预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述第一预处理结果进行编码,得到所述待执行动作,并通过所述输出层输出。
6.根据权利要求1所述的方法,其特征在于,所述根据所述待执行动作,控制门锁执行相应的响应操作包括以下至少之一:
开启生物特征识别模块、开启密码输入模块、关闭生物特征识别模块、关闭密码输入模块。
7.根据权利要求6所述的方法,其特征在于,所述生物特征包括以下至少之一:指纹特征、掌纹特征、声纹特征、面部特征、肢体动作、虹膜特征。
8.根据权利要求1所述的方法,其特征在于,所述根据所述待执行动作,控制门锁执行相应的响应操作之后,所述方法还包括:
在学习模式中,接收输入的所述响应操作对应的评分;
根据所述评分,输出所述第一模型的训练结果,所述训练结果用于指示所述待执行动作与所述用户的实际执行动作之间的匹配程度;
根据训练结果,标记对应的行为数据;
将带有标记的行为数据输入训练样本。
9.根据权利要求1所述的方法,其特征在于,所述获取用户的行为数据包括:
通过传感器采集所述用户的所述行为数据,所述行为数据包括以下至少之一:肢体动作、面部表情、语音、眼部动作。
10.根据权利要求9所述的方法,其特征在于,所述传感器包括以下至少之一:摄像头、距离传感器、虹膜识别装置。
11.根据权利要求1至10中任一项所述的方法,其特征在于,所述第一模型为循环神经网络RNN。
12.一种门锁控制装置,其特征在于,包括:
获取单元,用于获取用户的行为数据;
处理单元,用于使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据包括行为数据和从行为数据中得到的待执行动作;
控制单元,用于根据所述待执行动作,控制门锁执行相应的响应操作。
13.根据权利要求12所述的装置,其特征在于,
所述获取单元,还用于获取训练样本中的行为数据及待执行动作;
所述处理单元,还用于通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型。
14.根据权利要求12所述的装置,其特征在于,所述第一模型包括输入层、隐层及输出层;其中,所述处理单元用于执行以下步骤通过反向传播算法对所述训练样本中的行为数据及待执行动作进行建模,得到所述第一模型:
对所述训练样本中的所述行为数据进行预处理,得到样本预处理结果,所述样本预处理结果包括以下至少之一:输入向量、输入参数矩阵、向量图;
将所述样本预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述样本预处理结果进行编码,得到样本动作,并通过所述输出层输出;
将所述样本动作与所述训练样本中的所述待执行动作进行比较;
若所述样本动作与所述训练样本中的所述待执行动作之间的误差不满足预设条件,计算所述误差的平方和,并将所述平方和作为目标函数;
计算所述目标函数对每个神经元的权重的偏导数,得到所述权重对应的梯量;
依据所述梯量,采用梯度下降算法更新所述权重。
15.根据权利要求14所述的装置,其特征在于,所述隐层包括树图结构,所述树图结构包含子节点和父节点,所述子节点中的每个神经元均与所述父节点中的每个神经元连接。
16.根据权利要求14所述的装置,其特征在于,所述处理单元用于执行以下步骤使用第一模型对所述行为数据进行分析,确定所述用户的待执行动作:
对所述用户的所述行为数据进行所述预处理,得到第一预处理结果;
将所述第一预处理结果通过所述输入层传输至所述隐层,其中,在所述隐层的每个神经元中,对所述第一预处理结果进行编码,得到所述待执行动作,并通过所述输出层输出。
17.根据权利要求12所述的装置,其特征在于,所述控制单元用于执行以下至少一个步骤根据所述待执行动作,控制门锁执行相应的响应操作:
开启生物特征识别模块、开启密码输入模块、关闭生物特征识别模块、关闭密码输入模块。
18.根据权利要求12所述的装置,其特征在于,还包括:
接收单元,用于在学习模式中,接收输入的所述响应操作对应的评分;
输出单元,用于根据所述评分,输出所述第一模型的训练结果,所述训练结果用于指示所述待执行动作与所述用户的实际执行动作之间的匹配程度;根据训练结果,标记对应的行为数据;将带有标记的行为数据输入训练样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810916855.7A CN110874875B (zh) | 2018-08-13 | 2018-08-13 | 门锁控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810916855.7A CN110874875B (zh) | 2018-08-13 | 2018-08-13 | 门锁控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874875A true CN110874875A (zh) | 2020-03-10 |
CN110874875B CN110874875B (zh) | 2021-01-29 |
Family
ID=69714153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810916855.7A Active CN110874875B (zh) | 2018-08-13 | 2018-08-13 | 门锁控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874875B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022120316A1 (en) * | 2020-12-01 | 2022-06-09 | Motorola Solutions, Inc. | Autonomous self-learning artificial intelligence intent system for access control |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2472295B (en) * | 2009-07-27 | 2011-11-09 | Chin-Lun Lai | Security system with power saving feature and method thereof |
CN103425239A (zh) * | 2012-05-21 | 2013-12-04 | 刘鸿达 | 以脸部表情为输入的控制*** |
KR101603572B1 (ko) * | 2015-07-20 | 2016-03-15 | 최환희 | 보안카드 리딩 기능을 갖는 보안 컨트롤러 |
CN206003184U (zh) * | 2016-08-11 | 2017-03-08 | 蒋宇涵 | 门禁身份识别*** |
CN107564144A (zh) * | 2017-08-20 | 2018-01-09 | 聚鑫智能科技(武汉)股份有限公司 | 一种智能机器人门禁***及控制方法 |
CN107682536A (zh) * | 2017-09-25 | 2018-02-09 | 努比亚技术有限公司 | 一种语音控制方法、终端和计算机可读存储介质 |
CN107726540A (zh) * | 2017-09-27 | 2018-02-23 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
CN108140386A (zh) * | 2016-07-15 | 2018-06-08 | 谷歌有限责任公司 | 说话者验证 |
CN207663490U (zh) * | 2017-11-27 | 2018-07-27 | 浙江理工大学 | 一种基于神经计算棒的混合识别门禁管理*** |
CN108363999A (zh) * | 2018-03-22 | 2018-08-03 | 百度在线网络技术(北京)有限公司 | 基于人脸识别的操作执行方法和装置 |
-
2018
- 2018-08-13 CN CN201810916855.7A patent/CN110874875B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2472295B (en) * | 2009-07-27 | 2011-11-09 | Chin-Lun Lai | Security system with power saving feature and method thereof |
CN103425239A (zh) * | 2012-05-21 | 2013-12-04 | 刘鸿达 | 以脸部表情为输入的控制*** |
KR101603572B1 (ko) * | 2015-07-20 | 2016-03-15 | 최환희 | 보안카드 리딩 기능을 갖는 보안 컨트롤러 |
CN108140386A (zh) * | 2016-07-15 | 2018-06-08 | 谷歌有限责任公司 | 说话者验证 |
CN206003184U (zh) * | 2016-08-11 | 2017-03-08 | 蒋宇涵 | 门禁身份识别*** |
CN107564144A (zh) * | 2017-08-20 | 2018-01-09 | 聚鑫智能科技(武汉)股份有限公司 | 一种智能机器人门禁***及控制方法 |
CN107682536A (zh) * | 2017-09-25 | 2018-02-09 | 努比亚技术有限公司 | 一种语音控制方法、终端和计算机可读存储介质 |
CN107726540A (zh) * | 2017-09-27 | 2018-02-23 | 珠海格力电器股份有限公司 | 空调控制方法及装置 |
CN207663490U (zh) * | 2017-11-27 | 2018-07-27 | 浙江理工大学 | 一种基于神经计算棒的混合识别门禁管理*** |
CN108363999A (zh) * | 2018-03-22 | 2018-08-03 | 百度在线网络技术(北京)有限公司 | 基于人脸识别的操作执行方法和装置 |
Non-Patent Citations (2)
Title |
---|
熊和金: "《智能信息处理》", 31 August 2012 * |
王宏生,孟国艳: "《人工智能及其应用》", 31 January 2009 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022120316A1 (en) * | 2020-12-01 | 2022-06-09 | Motorola Solutions, Inc. | Autonomous self-learning artificial intelligence intent system for access control |
Also Published As
Publication number | Publication date |
---|---|
CN110874875B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569795B (zh) | 一种图像识别方法、装置以及相关设备 | |
CN108780519B (zh) | 卷积神经网络的结构学习 | |
Sumpter et al. | Learning spatio-temporal patterns for predicting object behaviour | |
Coyle et al. | Faster self-organizing fuzzy neural network training and a hyperparameter analysis for a brain–computer interface | |
CN110333783B (zh) | 一种用于鲁棒肌电控制的无关手势处理方法及*** | |
CN109101876A (zh) | 基于长短时记忆网络的人体行为识别方法 | |
CN109117817B (zh) | 人脸识别的方法及装置 | |
Bien et al. | Effective learning system techniques for human–robot interaction in service environment | |
CN109993102A (zh) | 相似人脸检索方法、装置及存储介质 | |
CN110516537B (zh) | 一种基于自步学习的人脸年龄估计方法 | |
Alvarez-Alvarez et al. | Body posture recognition by means of a genetic fuzzy finite state machine | |
CN112069916B (zh) | 人脸美丽预测方法、装置、***及可读存储介质 | |
CN106909938A (zh) | 基于深度学习网络的视角无关性行为识别方法 | |
CN108960171B (zh) | 一种基于特征迁移学习的转换手势识别到身份识别的方法 | |
CN109726662A (zh) | 基于卷积和循环组合神经网络的多类别人体姿态识别方法 | |
CN112329974B (zh) | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及*** | |
KR20200080418A (ko) | 단말기 및 그의 동작 방법 | |
CN110874875B (zh) | 门锁控制方法及装置 | |
Savio et al. | Image processing for face recognition using HAAR, HOG, and SVM algorithms | |
Ntalampiras et al. | An incremental learning mechanism for human activity recognition | |
Gill et al. | Human action detection using EfficientNetB3 model | |
CN111160161B (zh) | 一种基于噪声剔除的自步学习人脸年龄估计方法 | |
Kim et al. | Facial emotional expression recognition with soft computing techniques | |
CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
Cao et al. | Advancing the incremental fusion of robotic sensory features using online multi-kernel extreme learning machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |