CN113129481A - 一种指纹锁控制方法 - Google Patents

一种指纹锁控制方法 Download PDF

Info

Publication number
CN113129481A
CN113129481A CN201911417547.0A CN201911417547A CN113129481A CN 113129481 A CN113129481 A CN 113129481A CN 201911417547 A CN201911417547 A CN 201911417547A CN 113129481 A CN113129481 A CN 113129481A
Authority
CN
China
Prior art keywords
identification
sample
historical
samples
information
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.)
Withdrawn
Application number
CN201911417547.0A
Other languages
English (en)
Inventor
朱伟海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Haiying Smart Household Technology Co ltd
Original Assignee
Guangzhou Haiying Smart Household Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Haiying Smart Household Technology Co ltd filed Critical Guangzhou Haiying Smart Household Technology Co ltd
Priority to CN201911417547.0A priority Critical patent/CN113129481A/zh
Publication of CN113129481A publication Critical patent/CN113129481A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G07C9/00571—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated by interacting with a central unit
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种指纹锁控制方法，所述方法属于指纹锁控制领域，所述方法包括：获取成功识别的指纹数据，将成功识别的指纹数据存储，将特征信息按照不同的特征位置分类存储至特征匹配信息库中的不同小组，对特征信息进行信息等级划分，确认包含的特征信息的样本数量，按照信息等级的样本数量的呈梯度下降排序，基于梯度收敛方向设定对应的识别分数，计算识别分数和并确定历史识别样本库中的每个历史识别样本对应的可信度的高低。解决了如何选择更有效的样本作为指纹锁的识别基础的问题。

Description

一种指纹锁控制方法
技术领域
本发明涉及指纹锁控制领域，更具体地，涉及一种指纹锁控制方法。
背景技术
随着物联网技术的发展，“万物物联”的思想得到了一定程度的普及和实现，同时，物联相关的技术也是层出不穷。基于物联思想的安全技术的提出，不仅使人们对物联安全模式有了新的看法，同时也刺激了科研工作者对相关领域进行不断的尝试和探寻。门锁作为人们日常生活中最常用的锁，如何使用物联技术对其所保障安全的方式进行优化，亦是现时代人们所关注的重要课题之一。
指纹锁是一种具备独特解锁方式的安全锁，它通过识别使用者的指纹来决定是否开锁，避免了诸如钥匙丢失、钥匙损坏、易被解锁等普通机械锁不可避免的问题。由于使用者指纹的独一性，入侵者的解锁的难度较高，因而指纹锁的综合安全系数往往大于普通机械锁。但由于科技的进步，间接提取个人的指纹资料已并非不可能，这对安全锁的安全性提出了一个巨大的挑战。针对上述问题，单纯地提高进行识别匹配的局部特征的数量则容易由于指纹锁无法识别原有主人进而导致开锁率下降，且相关处理器的资源被大量浪费。因此，在不增加更多识别特征的前提下，如何选择更有效的样本作为指纹锁的识别基础就成为了一个关键的问题。
发明内容
本发明旨在克服上述现有技术问题，提供了一种指纹锁控制方法，解决了如何选择更有效的样本作为指纹锁的识别基础的问题。
一种指纹锁控制方法，所述方法包括：
获取成功识别的指纹数据；将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中；
将识别对象的历史识别样本中每一个特征的特征信息按照不同的特征位置分类存储至特征匹配信息库中的不同小组；
对特征匹配数据库的每个小组内的特征信息按特征之间相似度进行信息等级划分；
确认小组内的每个信息等级所包含的特征信息的样本数量；
按照信息等级的样本数量的呈梯度下降排序；
基于所述信息等级的梯度收敛方向设定每个小组的信息等级对应的识别分数。
计算历史识别样本库中的每个历史识别样本的识别分数和并通过历史识别样本库中的每个历史识别样本的识别分数和在历史识别样本库中的高低确定历史识别样本库中的每个历史识别样本对应的可信度的高低；
其中，所述信息等级划分的方式为通过特征分类方法对对应于同一特征的不同特征信息进行分级；所述特征分类方法具体为通过特征信息在不同维度上的投影之间的距离判断特征之间是否存在差异性，差异性越小，分到同一信息等级的概率越大；历史识别样本的识别分数和为所述历史识别样本的所有局部特征在对应识别对象的历史识别样本库中的识别分数之和；所述历史识别样本库中存在至少一个样本。、
通过在小组内设定梯度等级以确定信息等级与识别分数之间的正比关系，且等级的划分数量可以用于决定同级特征之间的差异程度进而对样本的可信度进行适当调整。
由于样本之间的都普遍的存在差异，因此如何选定可信度高的样本作为最优样本的关键在于如何在多个样本之间选定具备最多可信度高的特征的样本。所述方法的主要方式为在每次识别成功后加入成功识别的样本并判定新增样本对样本数据库的影响，因此除了设置用于存储成功识别样本的历史数据库以外，所述方法还设置了用于存储将样本数据分解后的局部特征的特征匹配数据库。设置特征匹配数据库的主要目的在于获取样本内单个特征的可信度，并使得每个样本在评价其自身可信度的时候更为全面且准确，而具有更高可信度的样本作为最优样本进行参考的意义更高，因此所述方法解决了如何选择更有效的样本作为指纹锁的识别基础的技术问题。同时由于加入了使用移动端进行双重验证，所述样本的有效性得到了进一步的提升，基本杜绝了其他人的干扰以对样本进行准确归类，也提升了指纹锁的安全性。
优选的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量小于阈值一时，将未识别指纹数据的局部特征与预设比对样本进行匹配比对；
如果未识别指纹数据的局部特征与预设比对样本的匹配率达到阈值二，则预设比对样本对应的身份信息为判定识别对象的身份信息；
其中，所述阈值一与阈值二分别为预设的数值；所述预设比对样本为在识别对象对应的历史识别样本库中可信度最高的历史识别样本。
基于训练的通常方法设定了所述步骤，其中预设的阈值一和阈值二作为调整所述方法结果的常量，阈值二主要是通过对匹配率进行调控，而阈值一主要是为了保证所述方法在样本库内存在一定样本量时的有效性。
优选的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量大于或等于阈值一时，则计算未识别指纹数据中的局部特征在预设比对样本的历史识别样本库中所对应的信息等级；
计算所述未识别指纹数据中的所有局部特征对应的识别分数和；
若所述未识别指纹数据中所有特征的识别分数总和大于阈值三，则确定比对样本对应的身份信息为识别对象的身份信息；
其中，所述阈值三为预设的一个数值。
当样本数量足够充足时，选用最优特征作为匹配的基础不仅提高了开锁率，而且在选取对特征进行匹配时可以分散主要辨识特征的权重，由于通过间接途径获取他人指纹的时候，指纹纹路的主要的特征点往往是最容易被优先还原的，因此所述方法也提升了所述指纹锁的安全性。
优选的，所述将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中的步骤包括：
将成功识别的指纹数据作为识别对象的历史识别样本存储至临时库；
如果所述识别对象对应的历史识别样本库内的历史识别样本数量加临时库内历史识别样本数量超过库容量，则标记所述历史识别样本库中识别分数总和最低的历史识别样本为备选样本；
如果所述成功识别的指纹数据的识别分数总和高于所述备选样本的识别分数总和，则删除对比样本存储在历史识别样本库及特征信息库中的相关数据内容并将存储至将成功识别的指纹数据作为识别对象的历史识别的识别样本存储至历史识别样本库中；
其中，库容量的数值大于阈值一的数值，历史识别样本的识别分数总和为历史识别样本中的所有局部特征对应的识别分数之和。
当历史识别样本库的样本数量愈大时，指纹锁对应的物联网络的控制中心的计算量也愈大，但由于部分样本实际上相对于可信度的判定已经较小，为避免更多的冗余计算，可以将部分较低参考度的样本作为噪音删除。
优选的，所述指纹锁的指纹数据的提取方式为射频指纹识别。
射频指纹识别方式相对于传统的光学识别可以更有效的提取所述指纹的局部特征。
优选的，所述指纹锁还包括视频识别，所述视频识别用于对识别对象进行识别。
加入视频识别进行更高一级的安全保障，提高了所述指纹锁的安全性。
优选的，所述历史识别样本库中的历史识别样本数量与阈值二之间的关系为正比例关系。
当历史识别样本库中的历史识别样本数量与阈值二为正比例关系时，所述指纹锁便不会出现由于多次循环而导致的开锁率过高的问题。
优选的，所述移动设备为手机。
与现有技术相比，本发明的有益效果为：
1.基于机器学习的架构设置，可信度更高的样本参考价值更高，由于可以借用物联网中具备较高计算能力的其他设备的资源，所述方法可以在一定的计算量内选择高可信度的样本，进而有效提高所述指纹锁安全性；
2.结合了物联技术所提出的资源共享方法，借用物联资源共享的方式为指纹锁识别提供了更多可能；
3.为识别样本挑选提供了更好的训练方法；
4.利用AHP的思路对样本价值做出了更好的评估。
附图说明
图1为本发明所述的流程图。
图2为本发明又一流程图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1所示，本实施例公开了一种指纹锁控制方法，解决了如何选择更有效的样本作为指纹锁的识别基础的问题。
一种指纹锁控制方法，所述方法包括：
S1：通过指纹锁提取识别对象的未识别指纹数据；
S2：对未识别指纹数据进行局部特征匹配；
S3：根据局部特征匹配的结果确定识别对象的身份信息；
S4：对确定后的识别对象的身份信息进行加密并将加密信息发送至对应的移动设备上；
S5：接收到所述对应的移动设备反馈的确认信息时，解除所述指纹锁的制动机构并将未识别指纹数据标记为成功识别的指纹数据；
S6：将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中；
S7：将识别对象的历史识别样本中每一个特征的特征信息按照不同的特征位置分类存储至特征匹配信息库中的不同小组；
S8：对特征匹配数据库的每个小组内的特征信息按特征之间相似度进行信息等级划分；
S9：为每个信息等级设定对应的识别分数；
S10：计算历史识别样本库中的每个历史识别样本的识别分数和并通过历史识别样本库中的每个历史识别样本的识别分数和在历史识别样本库中的高低确定历史识别样本库中的每个历史识别样本对应的可信度的高低；
其中，所述信息等级划分的方式为通过特征分类方法对对应于同一特征的不同特征信息进行分级；所述特征分类方法具体为通过特征信息在不同维度上的投影之间的距离判断特征之间是否存在差异性，差异性越小，分到同一信息等级的概率越大；历史识别样本的识别分数和为所述历史识别样本的所有局部特征在对应识别对象的历史识别样本库中的识别分数之和；所述历史识别样本库中存在至少一个样本。
由于样本之间的都普遍的存在差异，因此如何选定可信度高的样本作为最优样本的关键在于如何在多个样本之间选定具备最多可信度高的特征的样本。所述方法的主要方式为在每次识别成功后加入成功识别的样本并判定新增样本对样本数据库的影响，因此除了设置用于存储成功识别样本的历史数据库以外，所述方法还设置了用于存储将样本数据分解后的局部特征的特征匹配数据库。设置特征匹配数据库的主要目的在于获取样本内单个特征的可信度，并使得每个样本在评价其自身可信度的时候更为全面且准确，而具有更高可信度的样本作为最优样本进行参考的意义更高，因此所述方法解决了如何选择更有效的样本作为指纹锁的识别基础的技术问题。同时由于加入了使用移动端进行双重验证，所述样本的有效性得到了进一步的提升，基本杜绝了其他人的干扰以对样本进行准确归类，也提升了指纹锁的安全性。
具体的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
S311：当历史识别样本库中的历史识别样本数量小于阈值一时，将未识别指纹数据的局部特征与预设比对样本进行匹配比对；
S312：如果未识别指纹数据的局部特征与预设比对样本的匹配率达到阈值二，则预设比对样本对应的身份信息为判定识别对象的身份信息；
其中，设所述历史识别样本数量为a，所述阈值二为b，所述a与b分别为预设的数值，所述预设比对样本为在识别对象对应的历史识别样本库中可信度最高的历史识别样本。
基于训练的通常方法设定了所述步骤，其中预设的阈值一和阈值二作为调整所述方法结果的常量，阈值二主要是通过对匹配率进行调控，而阈值一主要是为了保证所述方法在样本库内存在一定样本量时的有效性。
具体的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
S321：当历史识别样本库中的历史识别样本数量大于或等于阈值一时，则计算未识别指纹数据中的局部特征在预设比对样本的历史识别样本库中所对应的信息等级；
S322：计算所述未识别指纹数据中的所有局部特征对应的识别分数和；
S323：若所述未识别指纹数据中所有特征的识别分数总和大于阈值三，则确定比对样本对应的身份信息为识别对象的身份信息；
其中，所述阈值三为预设的一个数值。
当样本数量足够充足时，选用最优特征作为匹配的基础不仅提高了开锁率，而且在选取对特征进行匹配时可以分散主要辨识特征的权重，由于通过间接途径获取他人指纹的时候，指纹纹路的主要的特征点往往是最容易被优先还原的，因此所述方法也提升了所述指纹锁的安全性。
具体的，所述将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中的步骤包括：
S61：将成功识别的指纹数据作为识别对象的历史识别样本存储至临时库；
S62：如果所述识别对象对应的历史识别样本库内的历史识别样本数量加临时库内历史识别样本数量超过库容量，则标记所述历史识别样本库中识别分数总和最低的历史识别样本为备选样本；
S63：如果所述成功识别的指纹数据的识别分数总和高于所述备选样本的识别分数总和，则删除对比样本存储在历史识别样本库及特征信息库中的相关数据内容并将存储至将成功识别的指纹数据作为识别对象的历史识别的识别样本存储至历史识别样本库中；
其中，库容量的数值大于阈值一的数值，历史识别样本的识别分数总和为历史识别样本中的所有局部特征对应的识别分数之和。
当历史识别样本库的样本数量愈大时，指纹锁对应的物联网络的控制中心的计算量也愈大，但由于部分样本实际上相对于可信度的判定已经较小，为避免更多的冗余计算，可以将部分较低参考度的样本作为噪音删除。
具体的，所述为每个信息等级设定对应的识别分数的步骤包括：
S91：确认小组内的每个信息等级所包含的特征信息的样本数量；
S92：按照信息等级的样本数量的呈梯度下降排序；
S93：基于所述信息等级的梯度收敛方向设定每个小组的信息等级对应的识别分数。
通过在小组内设定梯度等级以确定信息等级与识别分数之间的正比关系，且等级的划分数量可以用于决定同级特征之间的差异程度进而对样本的可信度进行适当调整。
具体的，所述指纹锁的指纹数据的提取方式为射频指纹识别。
射频指纹识别方式相对于传统的光学识别可以更有效的提取所述指纹的局部特征。
具体的，所述指纹锁还包括视频识别，所述视频识别用于对识别对象进行识别。
加入视频识别进行更高一级的安全保障，提高了所述指纹锁的安全性。
具体的，所述a与b之间的关系为：
Figure BDA0002351590700000071
b<1；
当a与b为正比例关系时，所述指纹锁便不会出现由于多次循环而导致的开锁率过高的问题。
实施例2
如图1所示，本实施例公开了一种指纹锁控制方法，解决了如何选择更有效的样本作为指纹锁的识别基础的问题。
一种指纹锁控制方法，所述方法包括：
通过指纹锁提取识别对象的未识别指纹数据；
对未识别指纹数据进行局部特征匹配；
根据局部特征匹配的结果确定识别对象的身份信息；
对确定后的识别对象的身份信息进行加密并将加密信息发送至对应的移动设备上；
接收到所述对应的移动设备反馈的确认信息时，解除所述指纹锁的制动机构并将未识别指纹数据标记为成功识别的指纹数据；
将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中；
将识别对象的历史识别样本中每一个特征的特征信息按照不同的特征位置分类存储至特征匹配信息库中的不同小组；
对特征匹配数据库的每个小组内的特征信息按特征之间相似度进行信息等级划分；
确认小组内的每个信息等级所包含的特征信息的样本数量；
按照信息等级的样本数量的呈梯度下降排序；
基于所述信息等级的梯度收敛方向设定每个小组的信息等级对应的识别分数。
计算历史识别样本库中的每个历史识别样本的识别分数和并通过历史识别样本库中的每个历史识别样本的识别分数和在历史识别样本库中的高低确定历史识别样本库中的每个历史识别样本对应的可信度的高低；
其中，所述信息等级划分的方式为通过特征分类方法对对应于同一特征的不同特征信息进行分级；所述特征分类方法具体为通过特征信息在不同维度上的投影之间的距离判断特征之间是否存在差异性，差异性越小，分到同一信息等级的概率越大；历史识别样本的识别分数和为所述历史识别样本的所有局部特征在对应识别对象的历史识别样本库中的识别分数之和；所述历史识别样本库中存在至少一个样本。、
通过在小组内设定梯度等级以确定信息等级与识别分数之间的正比关系，且等级的划分数量可以用于决定同级特征之间的差异程度进而对样本的可信度进行适当调整。
由于样本之间的都普遍的存在差异，因此如何选定可信度高的样本作为最优样本的关键在于如何在多个样本之间选定具备最多可信度高的特征的样本。所述方法的主要方式为在每次识别成功后加入成功识别的样本并判定新增样本对样本数据库的影响，因此除了设置用于存储成功识别样本的历史数据库以外，所述方法还设置了用于存储将样本数据分解后的局部特征的特征匹配数据库。设置特征匹配数据库的主要目的在于获取样本内单个特征的可信度，并使得每个样本在评价其自身可信度的时候更为全面且准确，而具有更高可信度的样本作为最优样本进行参考的意义更高，因此所述方法解决了如何选择更有效的样本作为指纹锁的识别基础的技术问题。同时由于加入了使用移动端进行双重验证，所述样本的有效性得到了进一步的提升，基本杜绝了其他人的干扰以对样本进行准确归类，也提升了指纹锁的安全性。
具体的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量小于阈值一时，将未识别指纹数据的局部特征与预设比对样本进行匹配比对；
如果未识别指纹数据的局部特征与预设比对样本的匹配率达到阈值二，则预设比对样本对应的身份信息为判定识别对象的身份信息；
其中，所述阈值一与阈值二分别为预设的数值；所述预设比对样本为在识别对象对应的历史识别样本库中可信度最高的历史识别样本。
基于训练的通常方法设定了所述步骤，其中预设的阈值一和阈值二作为调整所述方法结果的常量，阈值二主要是通过对匹配率进行调控，而阈值一主要是为了保证所述方法在样本库内存在一定样本量时的有效性。
具体的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量大于或等于阈值一时，则计算未识别指纹数据中的局部特征在预设比对样本的历史识别样本库中所对应的信息等级；
计算所述未识别指纹数据中的所有局部特征对应的识别分数和；
若所述未识别指纹数据中所有特征的识别分数总和大于阈值三，则确定比对样本对应的身份信息为识别对象的身份信息；
其中，所述阈值三为预设的一个数值。
当样本数量足够充足时，选用最优特征作为匹配的基础不仅提高了开锁率，而且在选取对特征进行匹配时可以分散主要辨识特征的权重，由于通过间接途径获取他人指纹的时候，指纹纹路的主要的特征点往往是最容易被优先还原的，因此所述方法也提升了所述指纹锁的安全性。
具体的，所述将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中的步骤包括：
将成功识别的指纹数据作为识别对象的历史识别样本存储至临时库；
如果所述识别对象对应的历史识别样本库内的历史识别样本数量加临时库内历史识别样本数量超过库容量，则标记所述历史识别样本库中识别分数总和最低的历史识别样本为备选样本；
如果所述成功识别的指纹数据的识别分数总和高于所述备选样本的识别分数总和，则删除对比样本存储在历史识别样本库及特征信息库中的相关数据内容并将存储至将成功识别的指纹数据作为识别对象的历史识别的识别样本存储至历史识别样本库中；
其中，库容量的数值大于阈值一的数值，历史识别样本的识别分数总和为历史识别样本中的所有局部特征对应的识别分数之和。
当历史识别样本库的样本数量愈大时，指纹锁对应的物联网络的控制中心的计算量也愈大，但由于部分样本实际上相对于可信度的判定已经较小，为避免更多的冗余计算，可以将部分较低参考度的样本作为噪音删除。
具体的，所述指纹锁的指纹数据的提取方式为射频指纹识别。
射频指纹识别方式相对于传统的光学识别可以更有效的提取所述指纹的局部特征。
具体的，所述指纹锁还包括视频识别，所述视频识别用于对识别对象进行识别。
加入视频识别进行更高一级的安全保障，提高了所述指纹锁的安全性。
具体的，所述历史识别样本库中的历史识别样本数量与阈值二之间的关系为正比例关系。
当历史识别样本库中的历史识别样本数量与阈值二为正比例关系时，所述指纹锁便不会出现由于多次循环而导致的开锁率过高的问题。
具体的，所述移动设备为手机。
实施例3
如图2所示的一种指纹锁控制方法，所述方法包括：
获取成功识别的指纹数据；将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中；
将识别对象的历史识别样本中每一个特征的特征信息按照不同的特征位置分类存储至特征匹配信息库中的不同小组；
对特征匹配数据库的每个小组内的特征信息按特征之间相似度进行信息等级划分；
确认小组内的每个信息等级所包含的特征信息的样本数量；
按照信息等级的样本数量的呈梯度下降排序；
基于所述信息等级的梯度收敛方向设定每个小组的信息等级对应的识别分数。
计算历史识别样本库中的每个历史识别样本的识别分数和并通过历史识别样本库中的每个历史识别样本的识别分数和在历史识别样本库中的高低确定历史识别样本库中的每个历史识别样本对应的可信度的高低；
其中，所述信息等级划分的方式为通过特征分类方法对对应于同一特征的不同特征信息进行分级；所述特征分类方法具体为通过特征信息在不同维度上的投影之间的距离判断特征之间是否存在差异性，差异性越小，分到同一信息等级的概率越大；历史识别样本的识别分数和为所述历史识别样本的所有局部特征在对应识别对象的历史识别样本库中的识别分数之和；所述历史识别样本库中存在至少一个样本。、
通过在小组内设定梯度等级以确定信息等级与识别分数之间的正比关系，且等级的划分数量可以用于决定同级特征之间的差异程度进而对样本的可信度进行适当调整。
由于样本之间的都普遍的存在差异，因此如何选定可信度高的样本作为最优样本的关键在于如何在多个样本之间选定具备最多可信度高的特征的样本。所述方法的主要方式为在每次识别成功后加入成功识别的样本并判定新增样本对样本数据库的影响，因此除了设置用于存储成功识别样本的历史数据库以外，所述方法还设置了用于存储将样本数据分解后的局部特征的特征匹配数据库。设置特征匹配数据库的主要目的在于获取样本内单个特征的可信度，并使得每个样本在评价其自身可信度的时候更为全面且准确，而具有更高可信度的样本作为最优样本进行参考的意义更高，因此所述方法解决了如何选择更有效的样本作为指纹锁的识别基础的技术问题。同时由于加入了使用移动端进行双重验证，所述样本的有效性得到了进一步的提升，基本杜绝了其他人的干扰以对样本进行准确归类，也提升了指纹锁的安全性。
优选的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量小于阈值一时，将未识别指纹数据的局部特征与预设比对样本进行匹配比对；
如果未识别指纹数据的局部特征与预设比对样本的匹配率达到阈值二，则预设比对样本对应的身份信息为判定识别对象的身份信息；
其中，所述阈值一与阈值二分别为预设的数值；所述预设比对样本为在识别对象对应的历史识别样本库中可信度最高的历史识别样本。
基于训练的通常方法设定了所述步骤，其中预设的阈值一和阈值二作为调整所述方法结果的常量，阈值二主要是通过对匹配率进行调控，而阈值一主要是为了保证所述方法在样本库内存在一定样本量时的有效性。
优选的，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量大于或等于阈值一时，则计算未识别指纹数据中的局部特征在预设比对样本的历史识别样本库中所对应的信息等级；
计算所述未识别指纹数据中的所有局部特征对应的识别分数和；
若所述未识别指纹数据中所有特征的识别分数总和大于阈值三，则确定比对样本对应的身份信息为识别对象的身份信息；
其中，所述阈值三为预设的一个数值。
当样本数量足够充足时，选用最优特征作为匹配的基础不仅提高了开锁率，而且在选取对特征进行匹配时可以分散主要辨识特征的权重，由于通过间接途径获取他人指纹的时候，指纹纹路的主要的特征点往往是最容易被优先还原的，因此所述方法也提升了所述指纹锁的安全性。
优选的，所述将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中的步骤包括：
将成功识别的指纹数据作为识别对象的历史识别样本存储至临时库；
如果所述识别对象对应的历史识别样本库内的历史识别样本数量加临时库内历史识别样本数量超过库容量，则标记所述历史识别样本库中识别分数总和最低的历史识别样本为备选样本；
如果所述成功识别的指纹数据的识别分数总和高于所述备选样本的识别分数总和，则删除对比样本存储在历史识别样本库及特征信息库中的相关数据内容并将存储至将成功识别的指纹数据作为识别对象的历史识别的识别样本存储至历史识别样本库中；
其中，库容量的数值大于阈值一的数值，历史识别样本的识别分数总和为历史识别样本中的所有局部特征对应的识别分数之和。
当历史识别样本库的样本数量愈大时，指纹锁对应的物联网络的控制中心的计算量也愈大，但由于部分样本实际上相对于可信度的判定已经较小，为避免更多的冗余计算，可以将部分较低参考度的样本作为噪音删除。
优选的，所述指纹锁的指纹数据的提取方式为射频指纹识别。
射频指纹识别方式相对于传统的光学识别可以更有效的提取所述指纹的局部特征。
优选的，所述指纹锁还包括视频识别，所述视频识别用于对识别对象进行识别。
加入视频识别进行更高一级的安全保障，提高了所述指纹锁的安全性。
优选的，所述历史识别样本库中的历史识别样本数量与阈值二之间的关系为正比例关系。
当历史识别样本库中的历史识别样本数量与阈值二为正比例关系时，所述指纹锁便不会出现由于多次循环而导致的开锁率过高的问题。
优选的，所述移动设备为手机。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种指纹锁控制方法，其特征在于，所述方法包括：
获取成功识别的指纹数据；
将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中；
将识别对象的历史识别样本中每一个特征的特征信息按照不同的特征位置分类存储至特征匹配信息库中的不同小组；
对特征匹配数据库的每个小组内的特征信息按特征之间相似度进行信息等级划分；
确认小组内的每个信息等级所包含的特征信息的样本数量；
按照信息等级的样本数量的呈梯度下降排序；
基于所述信息等级的梯度收敛方向设定每个小组的信息等级对应的识别分数；
计算历史识别样本库中的每个历史识别样本的识别分数和并通过历史识别样本库中的每个历史识别样本的识别分数和在历史识别样本库中的高低确定历史识别样本库中的每个历史识别样本对应的可信度的高低；
其中，所述信息等级划分的方式为通过特征分类方法对对应于同一特征的不同特征信息进行分级；所述特征分类方法具体为通过特征信息在不同维度上的投影之间的距离判断特征之间是否存在差异性，差异性越小，分到同一信息等级的概率越大；历史识别样本的识别分数和为所述历史识别样本的所有局部特征在对应识别对象的历史识别样本库中的识别分数之和；所述历史识别样本库中存在至少一个样本。
2.如权利要求1所述的一种指纹锁控制方法，其特征在于，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量小于阈值一时，将未识别指纹数据的局部特征与预设比对样本进行匹配比对；
如果未识别指纹数据的局部特征与预设比对样本的匹配率达到阈值二，则预设比对样本对应的身份信息为判定识别对象的身份信息；
其中，所述阈值一与阈值二分别为预设的数值；所述预设比对样本为在识别对象对应的历史识别样本库中可信度最高的历史识别样本。
3.如权利要求2所述的一种指纹锁控制方法，其特征在于，所述根据局部特征匹配的结果确定识别对象的身份信息的步骤包括：
当历史识别样本库中的历史识别样本数量大于或等于阈值一时，则计算未识别指纹数据中的局部特征在预设比对样本的历史识别样本库中所对应的信息等级；
计算所述未识别指纹数据中的所有局部特征对应的识别分数和；
若所述未识别指纹数据中所有特征的识别分数总和大于阈值三，则确定比对样本对应的身份信息为识别对象的身份信息；
其中，所述阈值三为预设的一个数值。
4.如权利要求1所述的一种指纹锁控制方法，其特征在于，所述将成功识别的指纹数据作为识别对象的历史识别样本存储至识别对象对应的历史识别样本库中的步骤包括：
将成功识别的指纹数据作为识别对象的历史识别样本存储至临时库；
如果所述识别对象对应的历史识别样本库内的历史识别样本数量加临时库内历史识别样本数量超过库容量，则标记所述历史识别样本库中识别分数总和最低的历史识别样本为备选样本；
如果所述成功识别的指纹数据的识别分数总和高于所述备选样本的识别分数总和，则删除对比样本存储在历史识别样本库及特征信息库中的相关数据内容并将存储至将成功识别的指纹数据作为识别对象的历史识别的识别样本存储至历史识别样本库中；
其中，库容量的数值大于阈值一的数值，历史识别样本的识别分数总和为历史识别样本中的所有局部特征对应的识别分数之和。
5.如权利要求1所述的一种指纹锁控制方法，其特征在于，所述移动设备为手机。
6.如权利要求1所述的一种指纹锁控制方法，其特征在于，所述指纹锁的指纹数据的提取方式为射频指纹识别。
7.如权利要求1所述的一种指纹锁控制方法，其特征在于，所述指纹锁还包括视频识别，所述视频识别用于对识别对象进行识别。
CN201911417547.0A 2019-12-31 2019-12-31 一种指纹锁控制方法 Withdrawn CN113129481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911417547.0A CN113129481A (zh) 2019-12-31 2019-12-31 一种指纹锁控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911417547.0A CN113129481A (zh) 2019-12-31 2019-12-31 一种指纹锁控制方法

Publications (1)

Publication Number Publication Date
CN113129481A true CN113129481A (zh) 2021-07-16

Family

ID=76769075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911417547.0A Withdrawn CN113129481A (zh) 2019-12-31 2019-12-31 一种指纹锁控制方法

Country Status (1)

Country Link
CN (1) CN113129481A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2716916Y (zh) * 2004-04-21 2005-08-10 查玉强 点阵数字化指纹识别控制***
CN105488585A (zh) * 2015-12-21 2016-04-13 武汉理工大学 一种基于信息熵等值的扩容样本容量优化方法
CN106126739A (zh) * 2016-07-04 2016-11-16 吴本刚 一种处理业务关联数据的装置
CN106126741A (zh) * 2016-07-01 2016-11-16 何钟柱 一种基于大数据的电网信息安全可信工作***
CN106897738A (zh) * 2017-01-22 2017-06-27 华南理工大学 一种基于半监督学习的行人检测方法
CN107256387A (zh) * 2017-05-23 2017-10-17 崔俊新 指纹认证方法、***和计算机可读存储介质
CN107833318A (zh) * 2017-10-27 2018-03-23 周燕红 一种电子锁控制方法及装置
CN109002493A (zh) * 2018-06-27 2018-12-14 北京小米移动软件有限公司 指纹数据库更新方法、装置、终端及存储介质
CN109189961A (zh) * 2018-07-23 2019-01-11 上海斐讯数据通信技术有限公司 一种人脸识别可信度的计算方法及***
CN209761017U (zh) * 2018-10-11 2019-12-10 广东汉能薄膜太阳能有限公司 一种指纹锁和防盗门

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2716916Y (zh) * 2004-04-21 2005-08-10 查玉强 点阵数字化指纹识别控制***
CN105488585A (zh) * 2015-12-21 2016-04-13 武汉理工大学 一种基于信息熵等值的扩容样本容量优化方法
CN106126741A (zh) * 2016-07-01 2016-11-16 何钟柱 一种基于大数据的电网信息安全可信工作***
CN106126739A (zh) * 2016-07-04 2016-11-16 吴本刚 一种处理业务关联数据的装置
CN106897738A (zh) * 2017-01-22 2017-06-27 华南理工大学 一种基于半监督学习的行人检测方法
CN107256387A (zh) * 2017-05-23 2017-10-17 崔俊新 指纹认证方法、***和计算机可读存储介质
CN107833318A (zh) * 2017-10-27 2018-03-23 周燕红 一种电子锁控制方法及装置
CN109002493A (zh) * 2018-06-27 2018-12-14 北京小米移动软件有限公司 指纹数据库更新方法、装置、终端及存储介质
CN109189961A (zh) * 2018-07-23 2019-01-11 上海斐讯数据通信技术有限公司 一种人脸识别可信度的计算方法及***
CN209761017U (zh) * 2018-10-11 2019-12-10 广东汉能薄膜太阳能有限公司 一种指纹锁和防盗门

Similar Documents

Publication Publication Date Title
US8401245B2 (en) Biometric authentication using variable threshold based on normal entry/exit times
CN106469181B (zh) 一种用户行为模式分析方法及装置
Ross et al. Exploiting the “doddington zoo” effect in biometric fusion
Ross et al. Human recognition using biometrics: an overview.
Vishi et al. An evaluation of score level fusion approaches for fingerprint and finger-vein biometrics
Yue et al. Hashing based fast palmprint identification for large-scale databases
Dong et al. Finger vein recognition based on multi-orientation weighted symmetric local graph structure
JP2013077068A (ja) 顔認証データベース管理方法、顔認証データベース管理装置及び顔認証データベース管理プログラム
CN102156887A (zh) 一种基于局部特征学习的人脸识别方法
EP2360619A1 (en) Fast fingerprint searching method and fast fingerprint searching system
Charity et al. A bimodal biometrie student attendance system
CN116437355A (zh) 基于射频指纹的无线设备身份认证方法及其装置
TWI325568B (en) A method for face varification
CN110458072A (zh) 指静脉识别方法、***、智能门锁及计算机可读存储介质
JP2006277415A (ja) 登録方法および装置ならびに認証方法および装置
CN113129481A (zh) 一种指纹锁控制方法
CN113129480A (zh) 一种用于物联网的指纹锁控制方法
CN113129482A (zh) 一种指纹锁识别方法
JP2004078686A (ja) 個人認証装置、個人認証方法、通行制御装置および通行制御方法
Kumar et al. A multimodal SVM approach for fused biometric recognition
Balraj et al. Performance Improvement of Multibiometric Authentication System Using Score Level Fusion with Ant Colony Optimization
CN110598640B (zh) 一种基于迁移学习手背静脉识别方法
Dagher et al. Improving the Component‐Based Face Recognition Using Enhanced Viola–Jones and Weighted Voting Technique
Nair et al. Predictive models for multibiometric systems
Nishino et al. Multimodal person authentication system using features of utterance

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210716