CN107742141B - 基于rfid技术的智能身份信息采集方法及系统 - Google Patents
基于rfid技术的智能身份信息采集方法及系统 Download PDFInfo
- Publication number
- CN107742141B CN107742141B CN201711089490.7A CN201711089490A CN107742141B CN 107742141 B CN107742141 B CN 107742141B CN 201711089490 A CN201711089490 A CN 201711089490A CN 107742141 B CN107742141 B CN 107742141B
- Authority
- CN
- China
- Prior art keywords
- information
- image
- user
- host system
- mcu module
- 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.)
- Active
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000012795 verification Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
-
- 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
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了基于RFID技术的智能身份信息采集方法及系统；基于RFID技术的智能身份信息采集方法，其特征在于：包括如下步骤：建立若干个子系统，每个子系统包括RFID读写器、超级终端、MCU模组、分布式数据库芯片和图像采集模块；并将子系统以总线方式通过交换机与主机系统连接；图像采集模块采集用户的生理图像信息，并将用户的生理图像信息按像素图序列数据流的形式发送到MCU模组和通过TCP/IP协议抄送至主机系统；MCU模组对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第一图像简单特征向量矩阵；主机系统对用户的生理图像信息进行第二卷积特征提取和滤波计算，得出第二图像特征向量矩阵；本发明可广泛应用于各类工矿企业、学校、机关等领域。
Description
技术领域
本发明属于RFID技术领域，具体涉及基于RFID技术的智能身份信息采集方法及系统。
背景技术
随着互联网技术的发展与企业资源计划(Enterprise Resource Planning，以下简称ERP)的需要，建立完备的人员身份信息库已然成为关乎企业信息化发展、信息安全防护、技术生产资源调度等领域的关键因素；人员信息系统建设的重要因素即对人员身份完成准确识别与认证，通过完成对人员信息的采集、提取、验证、存储等一系列信息获取流程，实现人员信息的新增、删除、修改、更新等维护操作，实现追踪、审计等安全性操作功能，同时为ERP提供准确的人力信息资源采集，达到人员信息的集成、管理与控制的目的。
传统身份识别方法在技术层面主要分两个方式实现：即口令方式与标记方式。
使用口令式的身份识别系统的工作流程为：用户在系统本地数据库中需预先留存已加密的个人信息口令，在进行身份信息识别前，系统会要求被识别人员输入留存于数据库系统中的明文信息如用户名，然后根据输入的明文信息查找是否存在与之匹配的身份口令，如果存在则启动验证流程，否之启动信息录入子流程，在明文信息得到确认之后提示用户输入相应口令，该口令经过不可逆加密算法得出明文信息想对应的密文，通过验证密文与数据库中存储的密文是否一致判断身份识别是否通过(通过则提供相应权限，否则拒绝访问)实现最终的用户身份验证，口令式身份识别技术几十年来一直用于提供所属权和准安全的认证来对服务器提供一定程度的保护，该方法依然因陈本低廉、实现简单成为目前应用最广的一种身份识别技术。
标记式身份识别技术验证流程与口令式类似，不同之处在于标记为某种个人持有物，它的作用类似于钥匙，用于启动电子设备，标记上记录着用于机器识别的个人信息，身份识别系统通过扫描电子设备上的个人信息资料与留存于数据库中的个人信息资料进行比对验证实现身份信息的验证功能。
现有射频识别(RFID)技术即为标记式身份识别技术的一种，首先,系统初始化RFID阅读器，设置定时读取RFID号，并打开读取中断事件；然后，当有电子标签被激活时，执行验证RFID号中断服务程序，成功则通过身份验证，失败则拒绝访问。
虽然口令式身份认证机制因其实现简单、使用方便的特性得到了广泛的应用，但该技术存在较为严重的安全隐患：首先，口令泄露是该认证系统面临的最大威胁，用户口令通常是一组常用字符串，长度有限，为了方便记忆一般会选择有规律或有意义的字符串作口令；如果口令传输方式为明文传输的静态口令，存在的安全隐患则会更加严重，通常通过网络窃听、截取/重放技术、字典攻击、穷举攻击、伪造服务攻击(常见的如ARP攻击)等方式通过窃取用户口令，从而使该种认证识别系统难以发挥其期望的功能；目前，单一的口令式身份验证系统正在逐渐退出历史舞台。
以现有的射频识别技术为代表的简单标记式身份识别系统虽然在方面身份信息泄露方面较口令式系统有了明显的改进(身份表示存储在介质上而非简单的用户口令)，但其因验证流程过于简单、领域技术过于单一等因素导致该种系统在使用过程中存在验证规则死板、验证途径单一的弊端，无法满足系统智能化的要求；验证过程不能规避如授权侵犯等内部威胁造成的授权失当操作，导致意想不到的巨大损失。其过于固定不变的数据库分布架构也不利于大规模、多队列的信息验证作业。
卷积神经网络(Convolutional Neural Network)算法是一种人工智能的有监督深度学习算法(目前已可应用于无监督学习领域)，也是该系统能够实现智能身份识别的关键因素。该算法是一种专门用来处理具有类似网络结构的神经网络，例如时间序列数据和图像数据(可以看做是二维的像素网格)。卷积网络在诸多领域都表现优异，本发明正是利用了该算法在图像处理方面的优势,卷积算法通过有监督学习机制实现图像特征选择性提取的方式是本发明实现智能化图像识别的关键。
发明内容
本发明所要解决的技术问题在于利用射频识别技术和以软件算法优化方式提供基于RFID技术的智能身份信息采集方法及系统。
本发明为了解决上述技术问题，采用如下的技术方案：
一种基于RFID技术的智能身份信息采集方法，其特征在于：包括如下步骤：
A、建立若干个子系统，每个子系统包括RFID读写器、超级终端、MCU模组、分布式数据库芯片和图像采集模块；并将子系统通过交换机与主机系统连接。
B、RFID读写器执行读标签操作，读取RFID标签信息。
C、RFID标签持有人利用超级终端输入个人身份信息和个人权限信息；MCU模组通过个人权限信息决定是否对个人身份信息实施PKI加密；如过需要实施PKI加密，则用户输入PKI指令生成唯一的非对称密钥对，用户私钥由用户自己保存，用户公钥存入主机系统，加密算法可由RSA实现。
D、图像采集模块采集用户的生理图像信息，并将用户的生理图像信息按像素图序列数据流的结构化数据模型的形式发送到MCU模组和通过TCP/IP协议抄送至主机系统。
E、MCU模组将用户的生理图像信息存储到分布式数据库芯片，并对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第一图像简单特征向量矩阵，同时，主机系统对同样的用户的生理图像信息进行第二卷积特征提取和滤波计算，得出第二图像复杂特征向量矩阵。
F、MCU模组对个人身份信息、个人权限信息以及第一图像简单特征向量矩阵进行第一信息整合；第一信息整合完成后进入步骤H。
G、主机系统对个人身份信息、个人权限信息以及第二图像复杂特征向量矩阵进行第二信息整合，生成的第二信息用以做识别身份时的仲裁依据。
H、将欲写入RFID标签的第一信息存入分布式数据库芯片，同时抄送至主机系统与其他子系统的分布式数据库芯片；主机系统收到后将该第一信息与自身整合完成的第二信息保存。
J、子系统通过RFID读写器对RFID标签进行写操作，将第一信息写入RFID标签，完成信息的采集录入流程。
本发明利用CNN算法的特性，通过调节隐含层的数量，达到实现不同精度的可控图像特征提取功能，自动化选择性特征提取方式使图像识别具有人工智能特性。
根据本发明所述的基于RFID技术的智能身份信息采集方法的优选方案,步骤E中MCU模组对用户的生理图像信息进行第一卷积特征提取和滤波计算，具体方法为：
E1、MCU模组内置的MPEG-1协议栈进行有损图像压缩得到图像样本。
E2、将图像样本转换成数组序列的数字信号进行CNN训练。
E3、通过5层至50层隐含层卷积算法得出第一图像简单特征信息，并以特征向量矩阵形式存入分布式数据库芯片中。
根据本发明所述的基于RFID技术的智能身份信息采集方法的优选方案,步骤E中主机系统对同样的用户的生理图像信息进行第二卷积特征提取和滤波计算，得出第二图像复杂特征向量矩阵；具体方法为：
E4、根据图像实际大小分配多线程模块进行并行计算。
E5、建立从50层至500层之间的CNN隐含层网络，卷积出长序列的CNN特征信息序列。
E6、通过二次卷积迭代和加密算法处理得到的数据信息。
本发明的第二个技术方案是，一种基于RFID技术的智能身份信息采集系统，包括RFID标签、主机系统和若干子系统；其特征在于：
主机系统用于通过交换机完成同下层各子系统间的数据通信以及控制逻辑的交互操作，并对用户的生理图像信息进行第二卷积特征提取级滤波计算，得到第二图像复杂特征向量矩阵。
每个子系统包括RFID读写器、超级终端、MCU模组、图像采集模块和分布式数据库芯片；MCU模组通过以太网接口和交换机与主机系统连接。
图像采集模块为输入设备，用于采集被识别人员的生理图像信息，同时完成数字化处理，图像采集模块采集用户的生理图像信息，并将用户的生理图像信息按像素图序列数据流的结构化数据模型的形式发送到MCU模组和通过TCP/IP协议抄送至主机系统。
分布式数据库芯片用于存储采集并验证通过的合法身份信息，同时为MCU模组提供数据查询与维护服务。
RFID读写器用于读取RFID标签信息，并通过RS232串口与MCU模组通讯。
MCU模组用于将图像采集模块采集的生理图像信息通过交换机传送到主机系统，并同时对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第一图像简单特征向量矩阵。
超级终端为显示输出端，还用于提供人机操作，并通过RS232串口与MCU模组通讯。
根据本发明所述的基于RFID技术的智能身份信息采集系统的优选方案，每个子系统还包括算法程序存储介质，用于存储算法程序并与MCU模组交互传输。
本发明所述的基于RFID技术的智能身份信息采集方法及系统,完成了人员身份信息的采集，特征提取与资料存储；即通过摄像头、物联网计算机或生物特征提取技术采集人员的特征信息，同时建立身份信息关系数据库；提供合法人员相关权限支持，拒绝非法人员的权限获取，同时杜绝授权侵犯即系统内部威胁)并完成人员身份信息的新增、删除、修改、更新等维护操作，实现系统的实时更新，同时包含整个系统的信息追踪功能。
本发明以RFID标签为载体，以CNN算法结合图像采集技术为核心、分布式数据库管理与分布式操作系统控制、多领域技术相结合，实现智能身份信息采集。发明以RFID标签为载体，用以解决口令式系统信息易被窃取的缺陷；以CNN算法结合图像采集技术为核心，用以通过生物信息的特征采集及反向成像技术使验证授权操作精确到个体，从而避免内部威胁等安全性隐患；CNN算法为人工智能技术领域图像处理方面的高阶算法之一，通过卷积算法实现身份特征的高精确度智能化验证；系统以分布式数据库，实现信息数据存储；以分布式操作系统实现作业流程的控制机制，用以解决不同地域各子系统的统一、实现整个系统的负载均衡，满足同时验证大量信息，计算多个信息特征的需求；对于特权验证阶级，系统在原有的RFID信息与生物图像特征验证技术相结合的基础上，采用定制的公钥基础设施(以下简称PKI)技术实现保密等级要求较高阶层的身份验证与确认，从而满足不同的信息验证级别要求。
本发明所述的基于RFID技术的智能身份信息采集方法的有益效果是：本发明所述的基于RFID技术的智能身份信息采集方法及系统,利用MCU模组和主机系统分别完成人员的简单特征向量矩阵和复杂特征向量矩阵计算，完成了人员身份信息的采集，特征提取与资料存储；同时建立身份信息关系数据库；提供合法人员相关权限支持，拒绝非法人员的权限获取，同时杜绝授权侵犯；并完成人员身份信息的新增、删除、修改、更新等维护操作，实现系统的实时更新；本发明可广泛应用于各类工矿企业、学校、机关等领域。
附图说明
图1是本发明所述的基于RFID技术的智能身份信息采集方法流程框图。
图2是基于RFID技术的智能身份信息采集系统原理框图。
图3是基于RFID技术的智能身份信息识别系统原理框图。
具体实施方式
参见图1，一种基于RFID技术的智能身份信息采集方法，包括如下步骤：
A、建立若干个子系统，每个子系统包括RFID读写器、超级终端、MCU模组、分布式数据库芯片、算法程序存储介质、和图像采集模块；并将子系统通过交换机与主机系统连接；主机系统包括主机和服务器。
B、RFID读写器执行读标签操作，读取RFID标签信息；包括不和自定义区域。
C、RFID标签持有人利用超级终端输入个人身份信息和个人权限信息；比如设置0为普通权限，1为特殊权限；特殊权限需要PKI加密认证。MCU模组通过个人权限信息决定是否对个人身份信息实施PKI加密；如过需要实施PKI加密，则用户输入PKI指令生成唯一的密钥对，用户私钥由用户自己保存，用户公钥存入主机系统；加密算法可由RSA实现。
D、图像采集模块采集用户的生理图像信息，并将用户的生理图像信息按像素图序列数据流的结构化数据模型的形式发送到MCU模组和通过TCP/IP协议抄送至主机系统。
E、MCU模组将用户的生理图像信息存储到分布式数据库芯片，并调用预存在算法程序存储介质中的第一卷积算法程序对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第低精度的一图像简单特征向量矩阵，同时，主机系统调用预存在服务器中的第二卷积算法程序对同样的用户的生理图像信息进行第二卷积特征提取和滤波计算，得出高精度的第二图像复杂特征向量矩阵。
F、MCU模组对个人身份信息、个人权限信息以及第一图像简单特征向量矩阵进行第一信息整合，即信息打包；第一信息整合完成后进入步骤H。
G、主机系统对个人身份信息、个人权限信息以及第二图像复杂特征向量矩阵进行第二信息整合，生成的第二信息用以做识别身份时的仲裁依据。
H、将欲写入RFID标签的第一信息存入分布式数据库芯片，同时抄送至主机系统与其他子系统的分布式数据库芯片以实现分布式负载均衡支持；主机系统收到后将该第一信息与自身整合完成的第二信息保存至服务器上。
J、子系统通过RFID读写器对RFID标签进行写操作，将第一信息写入RFID标签，完成信息的采集录入流程。此时的RFID标签上已经集成了用户的个人身份信息如姓名、年龄、性别等、个人权限信息，以及第一图像简单特征向量矩阵。
在具体实施例中，步骤E中MCU模组调用预存的简单卷积算法程序对用户的生理图像信息进行50层以下的卷积特征提取和滤波计算，具体方法为：
E1、MCU模组内置的MPEG-1协议栈进行有损图像压缩得到320*240分辨率图像样本。
E2、将图像样本转换成数组序列的数字信号进行CNN训练。
E3、通过5层至50层隐含层卷积算法得出图像简单特征信息，并以特征向量矩阵形式存入分布式数据库芯片中。
步骤E中主机系统对同样的用户的生理图像信息进行50至500层卷积特征提取和滤波计算，得出高精度的图像复杂特征向量矩阵；具体方法为：
E4、根据图像实际大小分配单位簇线程数为64的多线程模块进行并行计算；可采用NVIDIA公司推出的并行运算平台，该平台旨在使GPU解决复杂的计算问题，通过调用CUDA指令集架构直接造作显示适配器中的线程簇(或线程块)实现硬件级的高速复杂并行计算。
E5、建立从50层至500层之间(典型值为100层)的CNN隐含层网络，具体的分层标准随图像大小和当前GPU负载实际情况而定，卷积出长序列的CNN特征信息序列。
E6、通过二次卷积迭代和加密算法处理得到的数据信息。
部分CNN代码如下：
参见图2，一种基于RFID技术的智能身份信息采集系统，包括RFID标签、主机系统和若干子系统，主机系统包括主机和服务器，服务器包括计算服务器和数据库服务器。
主机系统用于通过交换机完成同下层各子系统间的数据通信以及控制逻辑的交互操作，并对用户的生理图像信息进行第二卷积特征提取级滤波计算，得到第二图像复杂特征向量矩阵。
每个子系统包括RFID读写器、超级终端、MCU模组、图像采集模块、分布式数据库芯片和算法程序存储介质；MCU模组通过以太网接口和交换机与主机系统连接。
图像采集模块为输入设备，用于采集被识别人员的生理图像信息，同时完成数字化处理，图像采集模块采集用户的生理图像信息，并将用户的生理图像信息按像素图序列数据流的结构化数据模型的形式发送到MCU模组和通过TCP/IP协议抄送至主机系统。
分布式数据库芯片用于存储采集并验证通过的合法身份信息，同时为MCU模组提供数据查询与维护服务。
RFID读写器用于读取RFID标签信息，并通过RS232串口与MCU模组通讯。
MCU模组用于将图像采集模块采集的生理图像信息通过交换机传送到主机系统，并同时对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第一图像简单特征向量矩阵。
超级终端为显示输出端，还用于提供人机操作，并通过RS232串口与MCU模组通讯。
每个子系统还包括算法程序存储介质，用于存储算法程序并与MCU模组交互传输。
算法程序存储介质，用于存储算法程序并与MCU模组交互传输。
在具体实施例中，基于RFID技术的智能身份信息识别系统原理如图3所示。整个系统由外网部分和局域网(内网)部分构成：其中外网部分由路由器、防火墙与CA认证中心组成，通过TCP/IP协议与内网进行通信交互，外网主要功能为通过链接CA认证中心取得CA认证证书，通过PKI平台和相关规范对内网已通过的需要还需要更高阶层的认证(一般用于特权人员、重要人员或者从事非抵赖性作业人员的身份认证)提供服务，经过再次确认实现多重身份识别；内网部分由若干子系统和主机系统组成：每个统各自管理相对应的分布式数据库芯片，同时各子系统提供接口与交换机相连，通过交换机使用TCP/IP协议实现与上层主机以及各子系统间的数据传输，指令互操作等功能；主机系统由主机、计算服务器、数据库服务器组成，其中主机通过交换机完成同下层各子系统间得数据通信以及控制逻辑的互操作，主机提供接口访问数据库服务器与计算服务器，通过数据库服务器实现完整数据资源的访问、修改、更新、删除等操作，通过计算服务器实现特征提取的大规模卷积神经网络计算，仅在主机端留有通过连接路由器访问外网的唯一接口，便于系统安全性维护和输入输出数据流的追踪审计。
分布式数据库芯片可选用华邦(Winbond)公司的W25Q256型SPI Flash芯片；算法程序存储介质可采用镁光(Micron Technology)公司生产的MT29F4G08型8位512MB的NANDFLASH芯片。
发明中对图像信息处理的核心算法可采用美国MathWorks公司的商业数学软件MATLAB实现，发明软件通过调用MATLAB内置的卷积算法函数库实现采集信息的多层感知卷积计算与滤波。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (3)
1.一种基于RFID技术的智能身份信息采集方法，其特征在于：包括如下步骤：
A、建立若干个子系统，每个子系统包括RFID读写器、超级终端、MCU模组、分布式数据库芯片和图像采集模块；并将子系统通过交换机与主机系统连接；
B、RFID读写器执行读标签操作，读取RFID标签信息；
C、RFID标签持有人利用超级终端输入个人身份信息和个人权限信息；MCU模组通过个人权限信息决定是否对个人身份信息实施PKI加密；如过需要实施PKI加密，则用户输入PKI指令生成唯一的非对称密钥对，用户私钥由用户自己保存，用户公钥存入主机系统；
D、图像采集模块采集用户的生理图像信息，并将用户的生理图像信息按像素图序列数据流的结构化数据模型的形式发送到MCU模组和通过TCP/IP协议抄送至主机系统；
E、MCU模组将用户的生理图像信息存储到分布式数据库芯片，并对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第一图像简单特征向量矩阵，同时，主机系统对同样的用户的生理图像信息进行第二卷积特征提取和滤波计算，得出第二图像复杂特征向量矩阵；
F、MCU模组对个人身份信息、个人权限信息以及第一图像简单特征向量矩阵进行第一信息整合；第一信息整合完成后进入步骤H；
G、主机系统对个人身份信息、个人权限信息以及第二图像复杂特征向量矩阵进行第二信息整合，生成的第二信息用以做识别身份时的仲裁依据；
H、将欲写入RFID标签的第一信息存入分布式数据库芯片，同时抄送至主机系统与其他子系统的分布式数据库芯片；主机系统收到后将该第一信息与自身整合完成的第二信息保存；
J、子系统通过RFID读写器对RFID标签进行写操作，将第一信息写入RFID标签，完成信息的采集录入流程；
步骤E中MCU模组对用户的生理图像信息进行第一卷积特征提取和滤波计算，具体方法为：
E1、MCU模组内置的MPEG-1协议栈进行有损图像压缩得到图像样本；
E2、将图像样本转换成数组序列的数字信号进行CNN训练；
E3、通过5层至50层隐含层卷积算法得出第一图像简单特征信息，并以特征向量矩阵形式存入分布式数据库芯片中；
步骤E中主机系统对同样的用户的生理图像信息进行第二卷积特征提取和滤波计算，得出第二图像复杂特征向量矩阵；具体方法为：
E4、根据图像实际大小分配多线程模块进行并行计算；
E5、建立从50层至500层之间的CNN隐含层网络，卷积出长序列的CNN特征信息序列；
E6、通过二次卷积迭代和加密算法处理得到的数据信息。
2.一种基于RFID技术的智能身份信息采集系统，包括RFID标签、主机系统和若干子系统；其特征在于：
主机系统用于通过交换机完成同下层各子系统间的数据通信以及控制逻辑的交互操作，并对用户的生理图像信息进行第二卷积特征提取级滤波计算，得到第二图像复杂特征向量矩阵；
每个子系统包括RFID读写器、超级终端、MCU模组、图像采集模块和分布式数据库芯片；MCU模组通过以太网接口和交换机与主机系统连接；
图像采集模块为输入设备，用于采集被识别人员的生理图像信息，同时完成数字化处理，图像采集模块采集用户的生理图像信息，并将用户的生理图像信息按像素图序列数据流的结构化数据模型的形式发送到MCU模组和通过TCP/IP协议抄送至主机系统；
分布式数据库芯片用于存储采集并验证通过的合法身份信息，同时为MCU模组提供数据查询与维护服务；
RFID读写器用于读取RFID标签信息，并通过RS232串口与MCU模组通讯；
MCU模组用于将图像采集模块采集的生理图像信息通过交换机传送到主机系统，并同时对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第一图像简单特征向量矩阵；
超级终端为显示输出端，还用于提供人机操作，并通过RS232串口与MCU模组通讯；
其中，MCU模组对用户的生理图像信息进行第一卷积特征提取和滤波计算，得出第一图像简单特征向量矩阵，具体包括：
MCU模组内置的MPEG-1协议栈进行有损图像压缩得到图像样本；并将图像样本转换成数组序列的数字信号进行CNN训练，再通过5层至50层隐含层卷积算法得出第一图像简单特征信息；并以特征向量矩阵形式存入分布式数据库芯片中；
主机系统对用户的生理图像信息进行第二卷积特征提取级滤波计算，得到第二图像复杂特征向量矩阵，具体包括：
根据图像实际大小分配多线程模块进行并行计算；建立从50层至500层之间的CNN隐含层网络，卷积出长序列的CNN特征信息序列；通过二次卷积迭代和加密算法处理得到的数据信息。
3.根据权利要求2所述的基于RFID技术的智能身份信息采集系统，其特征在于：每个子系统还包括算法程序存储介质，用于存储算法程序并与MCU模组交互传输。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711089490.7A CN107742141B (zh) | 2017-11-08 | 2017-11-08 | 基于rfid技术的智能身份信息采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711089490.7A CN107742141B (zh) | 2017-11-08 | 2017-11-08 | 基于rfid技术的智能身份信息采集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107742141A CN107742141A (zh) | 2018-02-27 |
| CN107742141B true CN107742141B (zh) | 2020-07-28 |
Family
ID=61234178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711089490.7A Active CN107742141B (zh) | 2017-11-08 | 2017-11-08 | 基于rfid技术的智能身份信息采集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107742141B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446188B (zh) * | 2018-10-17 | 2021-06-25 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习的跟踪审计方法和机器人系统 |
| CN109948481B (zh) * | 2019-03-07 | 2024-02-02 | 惠州学院 | 一种基于窄带射频链路采样的无源人体识别方法 |
| US11676291B1 (en) * | 2020-04-20 | 2023-06-13 | Everguard, Inc. | Adaptive multimodal safety systems and methods |
| US11803955B1 (en) | 2020-04-30 | 2023-10-31 | Everguard, Inc. | Multimodal safety systems and methods |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016065534A1 (zh) * | 2014-10-28 | 2016-05-06 | 中国科学院自动化研究所 | 一种基于深度学习的歩态识别方法 |
| CN106339673A (zh) * | 2016-08-19 | 2017-01-18 | 中山大学 | 一种基于人脸识别的atm机身份验证方法 |
| CN106599864A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于极值理论的深度人脸识别方法 |
| CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
-
2017
- 2017-11-08 CN CN201711089490.7A patent/CN107742141B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016065534A1 (zh) * | 2014-10-28 | 2016-05-06 | 中国科学院自动化研究所 | 一种基于深度学习的歩态识别方法 |
| CN106339673A (zh) * | 2016-08-19 | 2017-01-18 | 中山大学 | 一种基于人脸识别的atm机身份验证方法 |
| CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
| CN106599864A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于极值理论的深度人脸识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107742141A (zh) | 2018-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018361246B2 (en) | Data protection via aggregation-based obfuscation | |
| CN107742141B (zh) | 基于rfid技术的智能身份信息采集方法及系统 | |
| Zhang et al. | On efficient and robust anonymization for privacy protection on massive streaming categorical information | |
| CN105429761B (zh) | 一种密钥生成方法及装置 | |
| CN107209821A (zh) | 用于对电子文件进行数字签名的方法以及认证方法 | |
| CN111915306B (zh) | 业务数据的验证方法和验证平台 | |
| CN107004077A (zh) | 用于提供安全且可独立操作的生物特征认证的方法和系统 | |
| CN107395369A (zh) | 面向移动互联网自带设备的认证方法、访问方法及系统 | |
| US10956909B2 (en) | Systems and methods for identity atomization and usage | |
| Feng et al. | Research on mobile commerce payment management based on the face biometric authentication | |
| CN110324350A (zh) | 基于移动端非敏感传感器数据的身份认证方法及服务器 | |
| Kwon et al. | CCTV-based multi-factor authentication system | |
| CN111597167A (zh) | 一种应用区块链技术的大数据管理系统及方法 | |
| Kumar et al. | Blockchain and internet of things (IoT) enabled smart e-voting system | |
| CN109903046A (zh) | 基于区块链的用户数据管理方法及装置 | |
| Zhang et al. | Aegis: a trusted, automatic and accurate verification framework for vertical federated learning | |
| CN107742140B (zh) | 基于rfid技术的智能身份信息识别方法 | |
| CN109450878B (zh) | 生物特征识别方法、装置以及系统 | |
| CN116432193A (zh) | 一种金融数据库数据保护改造方法及其金融数据保护系统 | |
| CN115643090A (zh) | 基于隐私检索的纵向联邦分析方法、装置、设备及介质 | |
| CN105957398A (zh) | 一种车场停车位发布管理系统 | |
| CN103138920A (zh) | 身份识别方法、系统及业务处理服务器、识别信息采集终端 | |
| CN106204405A (zh) | 一种高安全性校车信息处理系统 | |
| Wang et al. | Internet of vehicles based on TrustZone and optimized RSA | |
| CN117494092B (zh) | 基于生物活体识别的景区门票无感核验方法、系统及介质 |
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 |