CN116721441A - 基于区块链的门禁安全管理方法与*** - Google Patents
基于区块链的门禁安全管理方法与*** Download PDFInfo
- Publication number
- CN116721441A CN116721441A CN202310970698.9A CN202310970698A CN116721441A CN 116721441 A CN116721441 A CN 116721441A CN 202310970698 A CN202310970698 A CN 202310970698A CN 116721441 A CN116721441 A CN 116721441A
- Authority
- CN
- China
- Prior art keywords
- transfer
- authenticated
- feature
- fingerprint
- feature map
- 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
- 238000007726 management method Methods 0.000 title claims description 44
- 238000012546 transfer Methods 0.000 claims abstract description 153
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000003860 storage Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Collating Specific Patterns (AREA)
Abstract
公开了一种基于区块链的门禁安全管理方法与***。其首先对待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像,接着,将所述预处理后待认证指纹图像和第一身份标签的录入指纹图像通过孪生检测模型以得到待认证指纹特征图和录入指纹特征图,然后,计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,最后,对所述转移特征图进行优化后通过分类器以得到用于表示待认证指纹图像是否属于第一身份标签的分类结果。这样,可以解决录入指纹姿势和指纹表面状态异常导致匹配精准度降低的问题,提高门禁***的准确性。
Description
技术领域
本申请涉及门禁安全管理领域,且更为具体地,涉及一种基于区块链的门禁安全管理方法与***。
背景技术
区块链是一种去中心化的分布式技术,它以区块为基本单位,将多个区块链接在一起形成一个不可篡改的链式结构,在门禁安全管理方面有着重要的应用价值。也就是,区块链能够确保数据具有不可篡改性,可以防止后台数据被篡改而影响门禁安全。
然而,在门禁***采集待认证指纹图像时,因录入指纹的姿势以及指纹表面状态异常时,例如手指被打湿了,会导致录入指纹图像和待验证指纹图像之间的匹配精准度降低,进而影响门禁***的运行。
因此,期待一种优化的基于区块链的门禁安全管理方案。
发明内容
有鉴于此,本公开提出了一种基于区块链的门禁安全管理方法与***,可以解决录入指纹姿势和指纹表面状态异常导致匹配精准度降低的问题,提高门禁***的准确性。
根据本公开的一方面,提供了一种基于区块链的门禁安全管理方法,其包括:
从区块链结构下载第一身份标签的录入指纹图像;
获取由门禁设备采集的待认证指纹图像;
对所述待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像;
将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图;
计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
对所述转移特征图进行优化以得到优化转移特征图;以及
将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签。
在一种可能的实现方式中,所述第一卷积神经网络模型包括输入层、第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层和输出层。
在一种可能的实现方式中,所述第一卷积层使用64个大小为3×3的卷积核,步长为1,padding 为1,所述第二卷积层使用128 个大小为3×3的卷积核,步长为1,padding为1。
在一种可能的实现方式中,所述第一池化层使用2×2的池化核,步长为2。
在一种可能的实现方式中,将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图,包括:
将所述预处理后待认证指纹图像通过所述孪生检测模型的所述第一卷积神经网络模型以得到所述待认证指纹特征图;以及
将所述第一身份标签的录入指纹图像通过所述孪生检测模型的所述第二卷积神经网络模型以得到所述录入指纹特征图。
在一种可能的实现方式中,计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,包括:
以如下转移矩阵计算公式计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到所述多个转移矩阵;
其中,所述转移矩阵计算公式为:
其中,和分别表示所述待认证指纹特征图和所述录入指纹特征图的每组
对应通道维度的特征矩阵,表示所述转移矩阵,表示矩阵相乘;
将所述多个转移矩阵进行排列以得到所述转移特征图。
在一种可能的实现方式中,对所述转移特征图进行优化以得到优化转移特征图,包括:
计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数;以及
以所述多个可转移性感知因数对所述转移特征图的每个特征矩阵进行加权以得到所述优化转移特征图。
在一种可能的实现方式中,计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数,包括:
以如下因数计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数;
其中,所述因数计算公式为:
其中,是所述转移特征图的第个特征矩阵,分别是第个特征矩阵的第
个特征值,是所述转移特征图,是所述转移特征图的第个特征值,为以2为底的
对数,且α是加权超参数,是第个可转移性感知因数。
在一种可能的实现方式中,将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签,包括:
将所述优化转移特征图按照行向量或者列向量展开为优化分类特征向量;
使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本公开的另一方面,提供了一种基于区块链的门禁安全管理***,其包括:
录入指纹图像获取模块,用于从区块链结构下载第一身份标签的录入指纹图像;
待认证指纹图像获取模块,用于获取由门禁设备采集的待认证指纹图像;
图像预处理模块,用于对所述待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像;
孪生检测模块,用于将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图;
转移模块,用于计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
优化模块,用于对所述转移特征图进行优化以得到优化转移特征图;以及
分类模块,用于将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签。
根据本公开的实施例,其首先对待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像,接着,将所述预处理后待认证指纹图像和第一身份标签的录入指纹图像通过孪生检测模型以得到待认证指纹特征图和录入指纹特征图,然后,计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,最后,对所述转移特征图进行优化后通过分类器以得到用于表示待认证指纹图像是否属于第一身份标签的分类结果。这样,可以解决录入指纹姿势和指纹表面状态异常导致匹配精准度降低的问题,提高门禁***的准确性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于区块链的门禁安全管理方法的应用场景图。
图2示出根据本公开的实施例的基于区块链的门禁安全管理方法的流程图。
图3示出根据本公开的实施例的基于区块链的门禁安全管理方法的架构示意图。
图4示出根据本公开的实施例的基于区块链的门禁安全管理方法的子步骤S140的流程图。
图5示出根据本公开的实施例的基于区块链的门禁安全管理方法的子步骤S160的流程图。
图6示出根据本公开的实施例的基于区块链的门禁安全管理方法的子步骤S170的流程图。
图7示出根据本公开的实施例的基于区块链的门禁安全管理***的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开的实施例的基于区块链的门禁安全管理的应用场景图。如图1所示,在该应用场景中,首先,从区块链结构(例如,图1中所示意的N1)下载第一身份标签的录入指纹图像(例如,图1中所示意的D1),以及,获取由门禁设备(例如,图1中所示意的N2)采集的待认证指纹图像(例如,图1中所示意的D2),然后,将述待认证指纹图像和所述第一身份标签的录入指纹图像输入至部署有基于区块链的门禁安全管理算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述基于区块链的门禁安全管理算法对述待认证指纹图像和所述第一身份标签的录入指纹图像进行处理以得到用于表示待认证指纹图像是否属于第一身份标签的分类结果。
图2示出根据本公开的实施例的基于区块链的门禁安全管理方法的流程图。图3示出根据本公开的实施例的基于区块链的门禁安全管理方法的架构示意图。如图2和图3所示,根据本申请实施例的基于区块链的门禁安全管理方法,包括步骤:S110,从区块链结构下载第一身份标签的录入指纹图像;S120,获取由门禁设备采集的待认证指纹图像;S130,对所述待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像;S140,将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图;S150,计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;S160,对所述转移特征图进行优化以得到优化转移特征图;以及,S170,将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签。
更具体地,在步骤S110中,从区块链结构下载第一身份标签的录入指纹图像。针对上述技术需求,本申请的技术构思是综合利用区块链和深度学习技术,提取录入指纹图像和待认证指纹图像的特征,并在高维特征空间中进行比对和匹配,以此来解决录入指纹姿势和指纹表面状态异常导致匹配精准度降低的问题,提高门禁***的准确性。
具体地,在本申请的技术方案中,首先,从区块链结构下载第一身份标签的录入指纹图像,并获取由门禁设备采集的待认证指纹图像。这里,采用区块链技术来保存第一身份标签的录入指纹图像是为了能够利用其本身的特点以确保数据的不可篡改性和安全性,因此,将录入指纹图像存储在区块链上可以有效地防止数据被篡改或者丢失。
更具体地,在步骤S120中,获取由门禁设备采集的待认证指纹图像。也就是,待认证指纹图像是用户在门禁设备上采集的指纹图像。在本申请的一个具体示例中,门禁设备采用光学指纹识别的技术实现方式来进行对指纹图像的采集。
更具体地,在步骤S130中,对所述待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像。在实际应用中,待认证指纹图像可能存在一些问题,比如图像噪声、光照不均等,这些问题会影响指纹识别的精度和稳定性。因此,在本申请的技术方案中,对所述待认证指纹图像进行图像预处理以提高指纹识别的准确性,从而得到预处理后待认证指纹图像。其中,图像预处理包括但不限于:滤波、直方图均衡化、二值化、边缘检测。
更具体地,在步骤S140中,将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图。孪生检测模型是一种常用的深度学习模型,由两个相同结构的卷积神经网络组成,分别处理输入的两个图像,最终输出两个图像的特征图。这样可以减少由于网络模型端的差异造成的特征之间的差异,尽可能地提高对比的准确性。
具体地说,孪生检测模型中包含的两个卷积神经网络模型,分别对待认证指纹图像和录入指纹图像进行特征提取。所述第一卷积神经网络模型的网络结构是输入层 -> 卷积层1 -> 激活层1 -> 池化层1 -> 卷积层2 -> 激活层2 -> 池化层2 -> 输出层。也就是说,其包括输入层、第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层和输出层。其中,所述第一卷积神经网络模型的输入层输入的是所述预处理后待认证指纹图像,输出层输出的是所述待认证指纹特征图。在本申请的一个具体示例中,所述第一卷积层使用64个大小为3×3的卷积核,步长为1,padding 为1,所述第一激活层使用的激活函数为ReLU,所述第一池化层使用2×2的池化核,步长为2,所述第二卷积层使用128 个大小为3×3 的卷积核,步长为1,padding 为1,所述第二激活层使用的激活函数为ReLU,所述第二池化层与所述第一池化层构造相同。所述第二卷积神经网络模型与所述第一卷积神经网络模型的网络结构相同。值得一提的是,激活函数除了ReLU之外,还可以使用sigmoid、tanh等。
相应地,在一种可能的实现方式中,如图4所示,将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图,包括:S141,将所述预处理后待认证指纹图像通过所述孪生检测模型的所述第一卷积神经网络模型以得到所述待认证指纹特征图;以及,S142,将所述第一身份标签的录入指纹图像通过所述孪生检测模型的所述第二卷积神经网络模型以得到所述录入指纹特征图。
更具体地,在步骤S150中,计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图。转移矩阵的作用是将待认证指纹图像的特征映射到与录入指纹图像的特征空间中。具体来说,转移矩阵可以将待认证指纹图像的特征矩阵与录入指纹图像的特征矩阵进行对应通道维度的转移,得到由多个转移矩阵组成的转移特征图。这个转移特征图可以捕捉待认证指纹和录入指纹之间的差异。
相应地,在一种可能的实现方式中,计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,包括:以如下转移矩阵计算公式计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到所述多个转移矩阵;其中,所述转移矩阵计算公式为:
其中,和分别表示所述待认证指纹特征图和所述录入指纹特征图的每组
对应通道维度的特征矩阵,表示所述转移矩阵,表示矩阵相乘;将所述多个转移矩阵
进行排列以得到所述转移特征图。进一步地,将所述多个转移矩阵进行排列以得到所述转
移特征图,包括:将所述多个转移矩阵沿通道维度进行排列以得到所述转移特征图。
更具体地,在步骤S160中,对所述转移特征图进行优化以得到优化转移特征图。在本申请的技术方案中,所述待认证指纹特征图和所述录入指纹特征图中的每个特征矩阵分别表达待认证指纹图像和第一身份标签的录入指纹图像的图像语义特征,而其沿通道维度表达作为特征提取器的所述第一卷积神经网络模型和所述第二卷积神经网络模型的特征提取通道关联性,考虑到所述待认证指纹图像和所述第一身份标签的录入指纹图像的源图像差异在卷积神经网络模型中仅由独立的通道维度特征提取,所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵之间会具有较高的整体分布的不一致性,导致其在沿通道维度排列得到所述转移特征图时,具有到融合特征域的域转移差异,提升了所述转移特征图通过分类器进行分类回归时的收敛难度。
因此,本申请的申请人对于所述转移特征图的每个特征矩阵,例如记为,其中,是所述转移特征图的通道数,以及所述转移特征图,例如记为,计算其可转
移特征的量化的可转移性感知因数。
相应地,在一种可能的实现方式中,如图5所示,对所述转移特征图进行优化以得到优化转移特征图,包括:S161,计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数;以及,S162,以所述多个可转移性感知因数对所述转移特征图的每个特征矩阵进行加权以得到所述优化转移特征图。
相应地,在一种可能的实现方式中,计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数,包括:
以如下因数计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数;
其中,所述因数计算公式为:
其中,是所述转移特征图的第个特征矩阵,分别是第个特征矩阵的第
个特征值,是所述转移特征图,是所述转移特征图的第个特征值,为以2为底的
对数,且α是加权超参数,是第个可转移性感知因数。
这里,所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到分类目标域的域不确定性,且由于该域不确定性估计可以用于标识已经在域间转移的特征表示,因此通过以该因数来作为权重分别对所述每个转移矩阵进行加权,就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移,从而量化地感知不同特征向量中的可转移特征的可转移性,以实现域间自适应的特征融合,以提升所述转移特征图通过分类器进行分类回归时的收敛效果,即,改进训练速度和收敛到的分类结果的准确性。
更具体地,在步骤S170中,将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签。通过这样的方式来确定待认证指纹特征图是否属于第一身份标签。其中,分类器可以根据训练数据中的特征图和标签之间的关系,学习出一个分类规则,用于对推断时输入的转移特征图进行分类预测,从而得到分类结果。通过这样的方式来确定待认证指纹特征图是否属于第一身份标签。
也就是,在本申请的技术方案中,所述分类器的标签包括待认证指纹图像属于第一身份标签(第一标签),以及,待认证指纹图像不属于第一身份标签(第二标签),其中,所述分类器通过软最大值函数来确定所述优化转移特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待认证指纹图像是否属于第一身份标签”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,待认证指纹图像是否属于第一身份标签的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待认证指纹图像是否属于第一身份标签”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一种可能的实现方式中,如图6所示,将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签,包括:S171,将所述优化转移特征图按照行向量或者列向量展开为优化分类特征向量;S172,使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,S173,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的基于区块链的门禁安全管理方法,其可以解决录入指纹姿势和指纹表面状态异常导致匹配精准度降低的问题,提高门禁***的准确性。
图7示出根据本公开的实施例的基于区块链的门禁安全管理***100的框图。如图7所示,根据本申请实施例的基于区块链的门禁安全管理***100,包括:录入指纹图像获取模块110,用于从区块链结构下载第一身份标签的录入指纹图像;待认证指纹图像获取模块120,用于获取由门禁设备采集的待认证指纹图像;图像预处理模块130,用于对所述待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像;孪生检测模块140,用于将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图;转移模块150,用于计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;优化模块160,用于对所述转移特征图进行优化以得到优化转移特征图;以及,分类模块170,用于将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签。
这里,本领域技术人员可以理解,上述基于区块链的门禁安全管理***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于区块链的门禁安全管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于区块链的门禁安全管理***100可以实现在各种无线终端中,例如具有基于区块链的门禁安全管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于区块链的门禁安全管理***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于区块链的门禁安全管理***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于区块链的门禁安全管理***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于区块链的门禁安全管理***100与该无线终端也可以是分立的设备,并且该基于区块链的门禁安全管理***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器,上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于区块链的门禁安全管理方法,其特征在于,包括:
从区块链结构下载第一身份标签的录入指纹图像;
获取由门禁设备采集的待认证指纹图像;
对所述待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像;
将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图;
计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
对所述转移特征图进行优化以得到优化转移特征图;以及
将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签。
2.根据权利要求1所述的基于区块链的门禁安全管理方法,其特征在于,所述第一卷积神经网络模型包括输入层、第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层和输出层。
3.根据权利要求2所述的基于区块链的门禁安全管理方法,其特征在于,所述第一卷积层使用64个大小为3×3的卷积核,步长为1,padding 为1,所述第二卷积层使用128 个大小为3×3的卷积核,步长为1,padding为1。
4.根据权利要求3所述的基于区块链的门禁安全管理方法,其特征在于,所述第一池化层使用2×2的池化核,步长为2。
5.根据权利要求4所述的基于区块链的门禁安全管理方法,其特征在于,将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图,包括:
将所述预处理后待认证指纹图像通过所述孪生检测模型的所述第一卷积神经网络模型以得到所述待认证指纹特征图;以及
将所述第一身份标签的录入指纹图像通过所述孪生检测模型的所述第二卷积神经网络模型以得到所述录入指纹特征图。
6.根据权利要求5所述的基于区块链的门禁安全管理方法,其特征在于,计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,包括:
以如下转移矩阵计算公式计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到所述多个转移矩阵;
其中,所述转移矩阵计算公式为:其中,和分别表示所述待认证指
纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵,表示所述转移矩阵,表示矩阵相乘;
将所述多个转移矩阵进行排列以得到所述转移特征图。
7.根据权利要求6所述的基于区块链的门禁安全管理方法,其特征在于,对所述转移特征图进行优化以得到优化转移特征图,包括:
计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数;以及
以所述多个可转移性感知因数对所述转移特征图的每个特征矩阵进行加权以得到所述优化转移特征图。
8.根据权利要求7所述的基于区块链的门禁安全管理方法,其特征在于,计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数,包括:
以如下因数计算所述转移特征图的每个特征矩阵相对于所述转移特征图的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数;
其中,所述因数计算公式为:其中,是所述转移特征图的第个特征矩阵,分别是第个特征矩阵的第个特征值,
是所述转移特征图,是所述转移特征图的第个特征值,为以2为底的对数,且α是
加权超参数,是第个可转移性感知因数。
9.根据权利要求8所述的基于区块链的门禁安全管理方法,其特征在于,将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签,包括:
将所述优化转移特征图按照行向量或者列向量展开为优化分类特征向量;
使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种基于区块链的门禁安全管理***,其特征在于,包括:
录入指纹图像获取模块,用于从区块链结构下载第一身份标签的录入指纹图像;
待认证指纹图像获取模块,用于获取由门禁设备采集的待认证指纹图像;
图像预处理模块,用于对所述待认证指纹图像进行图像预处理以得到预处理后待认证指纹图像;
孪生检测模块,用于将所述预处理后待认证指纹图像和所述第一身份标签的录入指纹图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的孪生检测模型以得到待认证指纹特征图和录入指纹特征图;
转移模块,用于计算所述待认证指纹特征图和所述录入指纹特征图的每组对应通道维度的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
优化模块,用于对所述转移特征图进行优化以得到优化转移特征图;以及
分类模块,用于将所述优化转移特征图通过分类器以得到分类结果,所述分类结果用于表示待认证指纹图像是否属于第一身份标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970698.9A CN116721441B (zh) | 2023-08-03 | 2023-08-03 | 基于区块链的门禁安全管理方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970698.9A CN116721441B (zh) | 2023-08-03 | 2023-08-03 | 基于区块链的门禁安全管理方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116721441A true CN116721441A (zh) | 2023-09-08 |
CN116721441B CN116721441B (zh) | 2024-01-19 |
Family
ID=87868208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310970698.9A Active CN116721441B (zh) | 2023-08-03 | 2023-08-03 | 基于区块链的门禁安全管理方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721441B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414200A (zh) * | 2019-04-08 | 2019-11-05 | 广州腾讯科技有限公司 | 身份验证方法、装置、存储介质和计算机设备 |
US11138409B1 (en) * | 2020-09-02 | 2021-10-05 | Tokenize, Inc. | Biometric recognition and security system |
CN114998731A (zh) * | 2022-05-30 | 2022-09-02 | 武汉大学 | 智能终端导航场景感知识别的方法 |
CN115512470A (zh) * | 2022-10-09 | 2022-12-23 | 台州科技职业学院 | 基于物联网的安防设备 |
CN115661550A (zh) * | 2022-11-17 | 2023-01-31 | 之江实验室 | 基于生成对抗网络的图数据类别不平衡分类方法及装置 |
CN115909422A (zh) * | 2022-11-09 | 2023-04-04 | 联众智慧科技股份有限公司 | 智慧医疗信息管理***及其方法 |
CN116028663A (zh) * | 2023-03-29 | 2023-04-28 | 深圳原世界科技有限公司 | 三维数据引擎平台 |
CN116092134A (zh) * | 2023-02-22 | 2023-05-09 | 吉林化工学院 | 一种基于深度学习和特征融合的指纹活体检测方法 |
-
2023
- 2023-08-03 CN CN202310970698.9A patent/CN116721441B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414200A (zh) * | 2019-04-08 | 2019-11-05 | 广州腾讯科技有限公司 | 身份验证方法、装置、存储介质和计算机设备 |
US20210344675A1 (en) * | 2019-04-08 | 2021-11-04 | Tencent Technology (Shenzhen) Company Limited | Identity verification method and apparatus, storage medium, and computer device |
US11138409B1 (en) * | 2020-09-02 | 2021-10-05 | Tokenize, Inc. | Biometric recognition and security system |
CN114998731A (zh) * | 2022-05-30 | 2022-09-02 | 武汉大学 | 智能终端导航场景感知识别的方法 |
CN115512470A (zh) * | 2022-10-09 | 2022-12-23 | 台州科技职业学院 | 基于物联网的安防设备 |
CN115909422A (zh) * | 2022-11-09 | 2023-04-04 | 联众智慧科技股份有限公司 | 智慧医疗信息管理***及其方法 |
CN115661550A (zh) * | 2022-11-17 | 2023-01-31 | 之江实验室 | 基于生成对抗网络的图数据类别不平衡分类方法及装置 |
CN116092134A (zh) * | 2023-02-22 | 2023-05-09 | 吉林化工学院 | 一种基于深度学习和特征融合的指纹活体检测方法 |
CN116028663A (zh) * | 2023-03-29 | 2023-04-28 | 深圳原世界科技有限公司 | 三维数据引擎平台 |
Non-Patent Citations (1)
Title |
---|
田光见, 赵荣椿, 王东成, 李俊亭: "基于步态识别的远距离身份认证", 计算机工程与应用, no. 19, pages 68 - 69 * |
Also Published As
Publication number | Publication date |
---|---|
CN116721441B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11514297B2 (en) | Post-training detection and identification of human-imperceptible backdoor-poisoning attacks | |
CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
Agbo-Ajala et al. | Deeply learned classifiers for age and gender predictions of unfiltered faces | |
CN105426356B (zh) | 一种目标信息识别方法和装置 | |
CN112784918B (zh) | 基于无监督图表示学习的节点识别方法、***、装置 | |
US11816882B2 (en) | Image recognition learning device, image recognition device, method and program | |
US11334773B2 (en) | Task-based image masking | |
CN111062036A (zh) | 恶意软件识别模型构建、识别方法及介质和设备 | |
Feng et al. | Multi‐scale classification network for road crack detection | |
CN112633310A (zh) | 具有改进的训练鲁棒性地对传感器数据进行分类的方法和*** | |
CN116204266A (zh) | 远程协助的信息创建运维***及其方法 | |
Ra et al. | DeepAnti-PhishNet: Applying deep neural networks for phishing email detection | |
CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN116704431A (zh) | 水污染的在线监测***及其方法 | |
CN116263785A (zh) | 跨领域文本分类模型的训练方法、分类方法和装置 | |
CN116310563A (zh) | 一种贵金属库存的管理方法及*** | |
JP7214863B2 (ja) | 人工画像生成用コンピュータアーキテクチャ | |
CN110163206B (zh) | 车牌识别方法、***、存储介质和装置 | |
CN117155706B (zh) | 网络异常行为检测方法及其*** | |
CN111652320B (zh) | 一种样本分类方法、装置、电子设备及存储介质 | |
CN107993311B (zh) | 一种用于半监督人脸识别门禁***的代价敏感隐语义回归方法 | |
CN112132269B (zh) | 模型处理方法、装置、设备及存储介质 | |
CN116436700B (zh) | 网络安全事件的监测方法及其*** | |
Jere et al. | Principal component properties of adversarial samples | |
CN116721441B (zh) | 基于区块链的门禁安全管理方法与*** |
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 |