CN107909687A - 一种基于机器学习的智能门控系统及其控制方法 - Google Patents

Abstract

本发明公开的一种基于机器学习的智能门控系统，包括图像获取模块、处理单元和门锁控制模块，所述图像获取模块用于获取设定开门图像信息和开门图像信息，并将所述信息传输到处理单元；所述处理单元用于接收和预处理设定开门图像信息和开门图像信息；对所述预处理后的设定开门图像信息进行机器学习训练得到模型库；把预处理后的开门图像信息进行机器学习后输入模型库分析识别，根据分析识别结果发出控制指令控制门锁控制模块；所述门锁控制模块用于控制门锁装置打开智能门。采用机器学习方法对开门的图像进行学习，对图像的识别率高，使用方便，准确率高，提高了智能门的安全性。

Description

一种基于机器学习的智能门控系统及其控制方法

技术领域

本发明涉及智能门技术领域，具体涉及一种基于机器学习的智能门控系统及其控制方法。

背景技术

门是分割有限空间的一种实体，它的作用是可以连接和关闭两个或多个空间的出入口，随着智能化控制技术的发展，人们的生活中到处可见先进的电子设备。传统的门锁，需要人们随身携带钥匙才能打开门，如果忘记钥匙则要请人开锁，且安全性不高。

发明内容

针对现有技术中的缺陷，本发明的目的之一在于提供一种基于机器学习的智能门控系统，安全性高。

第一方面，本发明提供的一种基于机器学习的智能门控系统，包括图像获取模块、处理单元和门锁控制模块，所述图像获取模块用于获取设定开门图像信息和开门图像信息，并将所述信息传输到处理单元；所述处理单元用于接收和预处理设定开门图像信息和开门图像信息；对所述预处理后的设定开门图像信息进行机器学习训练得到模型库；把预处理后的开门图像信息进行机器学习后输入模型库分析识别，根据分析识别结果发出控制指令控制门锁控制模块；所述门锁控制模块用于控制门锁装置打开智能门。

可选地，所述处理单元包括数据预处理模块，所述数据预处理模块用于对设定开门图像信息和开门图像信息进行预处理。

可选地，所述数据预处理模块包括图像去噪模块、灰度变换模块和直方图均衡化模块，所述图像去噪模块用于去除设定开门图像和开门图像的噪声；所述灰度变换模块用于调整设定开门图像和开门图像中每个像素的灰度值；所述直方图均衡化模块用于增加设定图像和开门图像中的局部对比度。

可选地，所述处理单元还包括训练模型单元，所述训练模型单元用于对预处理后的设定开门图像信息进行特征提取、特征集合和特征加权，对特征加权后的图像特征信息采用机器学习算法进行学习，得到模型库。

可选地，所述处理单元还包括分析单元，所述分析单元用于对预处理后的开门图像信息进行特征提取、特征集合和特征加权，得到开门图像信息特征向量，将开门图像信息特征向量输入模型库。

可选地，所述处理单元还包括识别单元，所述识别单元用于根据开门图像信息特征向量与模型库中的设定开门图像特征信息进行分析识别，得到分析识别结果。

可选地，所述系统还包括显示模块，所述显示模块用于显示智能门的显示识别状态和启闭状态。

第二方面，本发明还提供一种基于机器学习的智能门控系统的控制方法，具体包括以下步骤：

获取设定开门图像信息；

对所述设定开门图像信息进行预处理；

将预处理后设定开门图像信息进行机器学习，得到训练模型；

获取开门图像信息；

对所述开门图像信息进行预处理；

将预处理后的开门图像信息进行机器学习，将开门图像特征输入训练模型进行分析识别，得到识别结果；

根据所述识别结果控制门锁控制模块打开门锁装置。

可选地，所述对设定图像信息进行预处理得到预处理，所述预处理的方法具体包括以下步骤：对设定开门图像进行去噪；对去噪后的设定开门图像中每个像素进行灰度值调整；检测设定开门图像和开门图像的边缘；提取设定开门图像和开门图像的轮廓。

可选地，将预处理后的设定开门图像信息进行机器学习的方法具体包括以下步骤：将预处理后的设定开门图像进行图像特征提取、图像特征集合和图像特征加权，利用支持向量机方法对图像特征信息进行训练。

本发明的有益效果：

本发明的基于机器学习的智能门控系统，采用机器学习方法对人开门的图像进行学习，对图像的识别率高，使用方便，准确率高，提高了智能门的安全性。

本发明的基于机器学习的智能门控系统的控制方法，采用机器学习方法对人开门的图像进行学习，对图像的识别率高，使用方便，准确率高，提高了智能门的安全性。

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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第提供的一种基于机器学习的智能门控系统的第一实施例的原理框图；

图2示出了图1中处理单元的原理框图；

图3示出了本发明提供的一种基于机器学习的智能门控系统的控制方法的第一实施例的流程图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

图1、2示出了本发明所提供的一种基于机器学习的智能门控系统的第一实施例，包括图像获取模块1、处理单元2和门锁控制模块3，所述图像获取模块1用于获取设定开门图像信息和开门图像信息，并将所述信息传输到处理单元；所述处理单元2用于接收和预处理设定开门图像信息和开门图像信息；对所述预处理后的设定开门图像信息进行机器学习训练得到模型库；把预处理后的开门图像信息进行机器学习后输入模型库分析识别，根据分析识别结果发出控制指令控制门锁控制模块；所述门锁控制模块3用于控制门锁装置打开智能门。图像获取模块可以摄像模块，通过摄像模块对人脸、手势进行拍照。在初次使用时，通过摄像模块设定开门图像信息，设定开门图像信息包括但不限于人脸图像、手势图像和物品图像。本实施例中，设定开门图像信息采用手势图像。手势图像的区分点主要包括：手形、手指之间的角度、轮廓的周长与面积比，采用上述区分点作为手势图像的特征信息。本发明的基于机器信息的智能门控系统，通过摄像模块获取可以打开门的人的手势图像，处理单元对手势图像进行预处理，把预处理后的手势图像采用机器学习方法训练得到训练模型库。在需要打开智能门时，摄像模块对开门的人的手势进行拍照，处理单元对拍照得到的图像进行预处理，将预处理后的手势图像进行机器学习后输入到训练模型库中对比识别，处理单元根据识别结果发出控制指令控制门锁控制模块把门打开。本发明的基于机器学习的智能门控系统，采用机器学习方法对人开门的图像进行学习，对图像的识别率高，使用方便，准确率高，提高了智能门的安全性。

处理单元2包括数据预处理模块21，所述数据预处理模块21用于对设定开门图像信息和开门图像信息进行预处理。所述数据预处理模块21包括图像去噪模块211、灰度变换模块212、边缘检测模块213和轮廓提取模块214，所述图像去噪模块211用于去除设定图像和开门图像的噪声；所述灰度变换模块212用于调整设定图像和开门图像中每个像素的灰度值；边缘检测模块213用于检测设定图像和开门图像的边缘；轮廓提取模块214用于提取设定图像和开门图像的轮廓。对摄像模块获取的图像进行预处理，提高图像的识别率。

处理单元还包括训练模型单元22，所述训练模型单元22用于对预处理后的设定开门图像信息进行特征提取、特征集合和特征加权，对特征加权后的图像特征信息采用机器学习算法进行学习，得到模型库。处理单元还包括分析单元23，所述分析单元23用于对预处理后的开门图像信息进行特征提取、特征集合和特征加权，得到开门图像信息特征向量，将开门图像信息特征向量输入模型库。所述处理单元还包括识别单元24，所述识别单元24用于根据开门图像信息特征向量与模型库中的设定图像特征信息进行分析识别，得到分析识别结果。

系统还包括显示模块4，所述显示模块4用于显示智能门的显示识别状态和启闭状态。在摄像模块对开门图像进行获取时，处理单元控制显示模块显示图像的获取状态，例如，显示图像获取中或用画圆的方式表示处理进度让人知晓识别的状态或进度，显示模块上显示智能门的当前状态，如果关闭，则显示锁被锁闭状态，当图像识别匹配成功，智能门被打开，显示模块上显示锁打开的状态，直观显示智能门的启闭状态。

系统还包括采集模块5和无线通信模块6，所述采集模块5用于采集周围的环境数据，所述无线通信模块6用于无线数据传输。所述采集模块包括温度传感器和湿度传感器，所述温度传感器用于采集智能门所处环境的温度数据，湿度传感器用于采集智能门所处环境的湿度数据。当发生火灾时，采集的温度数据和湿度数据通过无线通信模块发送到移动终端，住户可及时知晓家中着火的消息，实现了智能门的多功能化。

上述实施例中的基于机器学习的智能门控系统，通过摄像模块获取预先设定的开门图像信息，通过数据预处理模块对设定开门图像信息进行预处理，将预处理后的设定的开门图像信息作为训练样本，用机器学习方法学习训练，得到模型库，通过摄像模块获取开门的图像信息，通过数据预处理模块将图像信息进行预处理，通过分析单元对开门图像信息预处理后进行特征提取得到开门图像信息特征向量，识别单元将开门图像信息特征向量输入模型库进行分析对比识别，得到分析识别结果，如果分析识别结果为匹配成功，处理单元根据分析识别结果控制门锁控制装置打开智能门，如果分析识别结果为匹配失败，处理单元不控制门锁控制装置工作，在显示模块上显示智能门的状态。

图3示出了本发明还提供一种基于机器学习的智能门控系统的控制方法的第一实施例的流程图，该方法具体包括以下步骤：

S1：获取设定开门图像信息；通过摄像模块获取设定开门图像信息，图像信息包括但不限于人脸图像、手势图像和物品图像，在本实施例中以手势图像为例，设定开门图像信息为手势图像，设定开门图像信息可以是多个人的不同手势图像。

S2：对所述设定开门图像信息进行预处理；预处理包括对手势图像进行去噪；对手势图像中每个像素进行灰度值调整；检测所述图像的边缘；提取手势图像的轮廓。

S3：将预处理后设定开门图像信息特征提取，将预处理后的手势图像进行图像特征提取、图像特征集合和图像特征加权，利用支持向量机方法对图像特征信息进行训练。对图像进行预处理，可提高机器学习训练过程的准确性。

S4：获取开门图像信息；

S5：对所述开门图像信息进行预处理；

S6：将预处理后的开门图像信息进行机器学习，将开门图像特征输入训练模型进行分析识别，得到识别结果；具体包括：将预处理后的设定开门图像进行图像特征提取、图像特征集合和图像特征加权，利用支持向量机方法对图像特征信息进行训练。

S7：根据所述识别结果控制门锁控制模块打开门锁装置。

本发明的基于机器学习的智能门控系统的控制方法，采用机器学习方法对人开门的图像进行学习，对图像的识别率高，使用方便，准确率高，提高了智能门的安全性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于机器学习的智能门控系统，其特征在于，包括图像获取模块、处理单元和门锁控制模块，所述图像获取模块用于获取设定开门图像信息和开门图像信息，并将所述信息传输到处理单元；所述处理单元用于接收和预处理设定开门图像信息和开门图像信息；对所述预处理后的设定开门图像信息进行机器学习训练得到模型库；把预处理后的开门图像信息进行机器学习后输入模型库分析识别，根据分析识别结果发出控制指令控制门锁控制模块；所述门锁控制模块用于控制门锁装置打开智能门。

2.如权利要求1所述的基于机器学习的智能门控系统，其特征在于，所述处理单元包括数据预处理模块，所述数据预处理模块用于对设定开门图像信息和开门图像信息进行预处理。

3.如权利要求2所述的基于机器学习的智能门控系统，其特征在于：所述数据预处理模块包括图像去噪模块、灰度变换模块、边缘检测模块和轮廓提取模块，所述图像去噪模块用于去除设定开门图像和开门图像的噪声；所述灰度变换模块用于调整设定开门图像和开门图像中每个像素的灰度值；所述边缘检测模块用于检测设定开门图像和开门图像的边缘；轮廓提取模块用于提取设定开门图像和开门图像的轮廓。

4.如权利要求2所述的基于机器学习的智能门控系统，其特征在于，所述处理单元还包括训练模型单元，所述训练模型单元用于对预处理后的设定开门图像信息进行图像特征提取、图像特征集合和图像特征加权，对图像特征加权后的图像特征信息采用机器学习算法进行学习，得到模型库。

5.如权利要求4所述的基于机器学习的智能门控系统，其特征在于，所述处理单元还包括分析单元，所述分析单元用于对预处理后的开门图像信息进行特征提取、特征集合和特征加权，得到开门图像信息特征向量，将开门图像信息特征向量输入模型库。

6.如权利要求5所述的基于机器学习的智能门控系统，其特征在于，所述处理单元还包括识别单元，所述识别单元用于根据开门图像信息特征向量与模型库中的设定图像特征信息进行分析识别，得到分析识别结果。

7.如权利要求1-6之一所述基于机器学习的智能门控系统，其特征在于，所述系统还包括显示模块，所述显示模块用于显示智能门的显示识别状态和启闭状态。

8.如权利要求1所述的基于机器学习的智能门控系统的控制方法，其特征在于，具体包括以下步骤：

获取设定开门图像信息；

对所述设定开门图像信息进行预处理；

将预处理后设定开门图像信息进行机器学习，得到训练模型；

获取开门图像信息；

对所述开门图像信息进行预处理；

将预处理后的开门图像信息进行机器学习，将开门图像特征输入训练模型进行分析识别，得到识别结果；

根据所述识别结果控制门锁控制模块打开门锁装置。

9.如权利要求8所述的基于机器学习的智能门控系统的控制方法，其特征在于，所述对设定图像信息进行预处理得到预处理，所述预处理的方法具体包括以下步骤：对设定开门图像进行去噪；对去噪后的设定开门图像中每个像素进行灰度值调整；检测设定开门图像和开门图像的边缘；提取设定开门图像和开门图像的轮廓。

10.如权利要求9所述的基于机器学习的智能门控系统的控制方法，其特征在于，将预处理后的设定开门图像信息进行机器学习的方法具体包括以下步骤：将预处理后的设定开门图像进行图像特征提取、图像特征集合和图像特征加权，利用支持向量机方法对图像特征信息进行训练。