CN111080874B - 基于面部图像的金库安全门的控制方法和装置 - Google Patents
基于面部图像的金库安全门的控制方法和装置 Download PDFInfo
- Publication number
- CN111080874B CN111080874B CN201911410131.6A CN201911410131A CN111080874B CN 111080874 B CN111080874 B CN 111080874B CN 201911410131 A CN201911410131 A CN 201911410131A CN 111080874 B CN111080874 B CN 111080874B
- Authority
- CN
- China
- Prior art keywords
- user
- sample data
- vault
- prediction network
- password
- 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
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
- G07C9/00182—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated with unidirectional data transmission between data carrier and locks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (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)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Collating Specific Patterns (AREA)
- Lock And Its Accessories (AREA)
Abstract
本申请提供一种基于面部图像的金库安全门的控制方法和装置,在用户输入金库密码时采集用户的面部图像,然后从用户的面部图像中提取出用户的表情特征;利用风险预测网络处理表情特征,得到表情特征的预估风险等级;若表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启;若表情特征的预估风险等级为高风险,控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的表情特征,预测出用户输入金库密码的场景的风险等级,基于预测结果控制金库的安全门的开启或关闭,从而有效避免了高风险场景下金库门开启导致的财物损失。
Description
技术领域
本发明涉及安防技术领域,特别涉及一种基于面部图像的金库安全门的控制方法和装置。
背景技术
银行金库是银行的重点区域,储存有大量贵重物品,金库的物品被盗或被抢将给银行带来巨大损失。为了保护金库内物品的安全,现有银行多采用密码锁的方式控制金库的安全门。
然而,在某些高风险场景中(例如,发生暴力犯罪事件时)持有金库安全门密码的管理员可能会被胁迫打开安全门,现有的密码锁无法识别这类场景,一旦管理员输入了正确的密码安全门就会开启,导致金库内的财物失窃。
发明内容
基于上述现有技术的缺点,本发明提供一种基于面部图像的金库安全门的控制方法和装置,以提供一种能够识别高风险场景并在高风险场景下自动控制金库的安全门的控制方案。
本发明第一方面提供一种基于面部图像的金库安全门的控制方法,包括:
在用户输入金库密码时采集用户的面部图像;
从所述用户的面部图像中提取出用户的表情特征;
利用风险预测网络处理所述表情特征,得到所述表情特征的预估风险等级;其中,所述风险预测网络是,利用样本数据集预先训练得到的反向传播神经网络;所述样本数据集的每一个样本数据,均包括表情特征和所述表情特征对应的实际风险等级;
若所述表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启;
若所述表情特征的预估风险等级为高风险,控制所述银行金库的安全门关闭。
可选的,所述若所述表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启,包括:
若所述表情特征的预估风险等级为低风险,比较所述用户输入的密码和银行金库的开启密码;
若所述用户输入的密码和所述银行金库的开启密码一致,确定所述用户输入的密码通过密码校验,并控制所述银行金库的安全门开启。
可选的,训练所述风险预测网络的方法,包括:
获取初始预测网络;其中,所述初始预测网络的参数利用遗传算法确定;
针对样本数据集的每一个样本数据,利用所述初始预测网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;
根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级,计算所述初始预测网络的损失函数;
若所述初始预测网络的损失函数不满足收敛条件,更新所述初始预测网络的参数,返回执行所述针对样本数据集的每一个样本数据,利用所述初始特征网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;
若所述初始预测网络的损失函数满足收敛条件,将所述初始预测网络确定为风险预测网络。
可选的,所述从所述用户的面部图像中提取出用户的表情特征之前,还包括:
用图像增强算法对所述用户的面部图像增强处理,得到增强后的面部图像;
其中,所述从所述用户的面部图像中提取出用户的表情特征,包括:
从所述增强后的面部图像中提取出用户的表情特征。
可选的,所述若所述表情特征的预估风险等级为高风险,控制所述银行金库的安全门关闭之后,还包括:
向授权终端发送授权请求,并接收所述授权终端的响应信息;
若所述授权终端的响应信息授权开启所述银行金库的安全门,且所述用户输入的密码通过密码校验,控制所述银行金库的安全门开启;
若所述授权终端的响应信息授权关闭所述银行金库的安全门,控制所述银行金库的安全门关闭。
本发明第二方面提供一种基于面部图像的金库安全门的控制装置,包括:
采集单元,用于在用户输入金库密码时采集用户的面部图像;
提取单元,用于从所述用户的面部图像中提取出用户的表情特征;
预测单元,用于利用风险预测网络处理所述表情特征,得到所述表情特征的预估风险等级;其中,所述风险预测网络是,利用样本数据集预先训练得到的反向传播神经网络;所述样本数据集的每一个样本数据,均包括表情特征和所述表情特征对应的实际风险等级;
控制单元,若所述表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,用于控制银行金库的安全门开启;
所述控制单元,若所述表情特征的预估风险等级为高风险,用于控制所述银行金库的安全门关闭。
可选的,所述控制单元控制银行金库的安全门开启时,具体用于:
若所述表情特征的预估风险等级为低风险,比较所述用户输入的密码和银行金库的开启密码;
若所述用户输入的密码和所述银行金库的开启密码一致,确定所述用户输入的密码通过密码校验,并控制所述银行金库的安全门开启。
可选的,所述控制装置还包括:训练单元,所述训练单元用于:
获取初始预测网络;其中,所述初始预测网络的参数利用遗传算法确定;
针对样本数据集的每一个样本数据,利用所述初始预测网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;
根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级,计算所述初始预测网络的损失函数;
若所述初始预测网络的损失函数不满足收敛条件,更新所述初始预测网络的参数,返回执行所述针对样本数据集的每一个样本数据,利用所述初始特征网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;
若所述初始预测网络的损失函数满足收敛条件,将所述初始预测网络确定为风险预测网络。
可选的,所述控制装置还包括:
增强单元,用于用图像增强算法对所述用户的面部图像增强处理,得到增强后的面部图像;
其中,所述提取单元从所述用户的面部图像中提取出用户的表情特征时,具体用于:
从所述增强后的面部图像中提取出用户的表情特征。
可选的,所述控制装置还包括:通信单元;
所述通信单元,用于向授权终端发送授权请求,并接收所述授权终端的响应信息;
其中,所述控制单元还用于:
若所述授权终端的响应信息授权开启所述银行金库的安全门,且所述用户输入的密码通过密码校验,控制所述银行金库的安全门开启;
若所述授权终端的响应信息授权关闭所述银行金库的安全门,控制所述银行金库的安全门关闭。
本申请提供一种基于面部图像的金库安全门的控制方法和装置,在用户输入金库密码时采集用户的面部图像,然后从用户的面部图像中提取出用户的表情特征;利用风险预测网络处理表情特征,得到表情特征的预估风险等级;若表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启;若表情特征的预估风险等级为高风险,控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的表情特征,预测出用户输入金库密码的场景的风险等级,基于预测结果控制金库的安全门的开启或关闭,从而有效避免了高风险场景下金库安全门开启导致的财物损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于面部图像的金库安全门的控制方法的流程图;
图2为本申请实施例提供的风险预测网络的训练方法的流程图;
图3为本申请实施例提供的一种基于面部图像的金库安全门的控制装置的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
面部表情是面部肌肉群组合动作的结果,这些动作表达了个体当前的情绪状态。另一方面,人在安全场景和危险场景(例如,被胁迫,被绑架等场景)下的情绪状态有很大的差别,在危险场景下会出现强烈的恐惧,惊吓等情绪,对应的在危险场景下人的表情也会显著区别于安全场景下的表情,换言之,危险场景下呈现的表情具有区别于安全场景下呈现的表情的表情特征。因此,银行金库的控制系统可以从用户(本申请中,用户指代银行金库的管理员)当前的面部图像中提取出表情特征,并根据表情特征预测出用户当前是否处于危险场景下,进而根据预测结果控制银行金库的安全门开启或关闭,以避免财物损失。
具体的,本申请实施例提供了一种基于面部图像的金库安全门的控制方法,请参考图1,该方法包括以下步骤:
S101、在用户输入金库密码时采集用户的面部图像。
一般的,金库的安全门一侧配置有密码锁,用户可以点击密码锁显示的虚拟键盘输入密码。为了实现本申请实施例所提供的方法,可以在密码锁上方预先设置摄像头,一旦检测到用户唤醒了密码锁的虚拟键盘并开始输入密码,摄像头就开始拍摄当前操作密码锁的用户的面部,得到面部图像。
可选的,为了更清晰准确的采集到用户的面部图像,可以在用户开始输入密码时,输出提示信息,提示用户注释密码锁上配置的摄像头。
S102、从用户的面部图像中提取出用户的表情特征。
可选的,为了提高预测的准确程度,可以在执行步骤S102之前先对采集到的面部图像进行预处理,得到预处理后的面部图像,然后再从预处理后的面部图像中提取出用户的表情特征。
具体的,对面部图像的预处理可以包括以下几方面的方法中的任意一种或组合:
第一方面,可以用图像增强算法对用户的面部图像增强处理,以提高面部图像和背景图像的差异,突出用户的面部图像。
第二方面,可以对面部图像进行灰度归一化和几何归一化
第三方面,可以对采集到的面部图像进行人脸对齐,修正面部图像的角度。
目前有多种现有的图像特征提取算法可以用于从面部图像中提取出表情特征。例如,独立成分分析(Independent component analysis,ICA)算法能够提取面部图像的像素间的隐藏信息,从而获取面部图像的全局表情特征。利用局部二值模式(LocalBinaryPattern,LBP)算法可以将面部图像转换为高维直方图,进而提取出面部图像的局部表情特征。
这里需要说明的是,图像特征算法实际上是将一个面部图像作为一个由像素点构成的矩阵,对这个矩阵按一定的算法进行处理,最后得到一个由这个面部图像决定的特征向量,这个特征向量就是用图像特征算法提取得到的,面部图像的表情特征。
本实施例中,同时利用ICA算法和LBP算法处理面部图像,并将两种算法提取得到的全局特征向量和局部特征向量拼接起来,得到的拼接后的向量,就是本实施例中的表情特征,显然,表情特征也是一个由用户的面部图像决定的特征向量。
S103、利用风险预测网络处理表情特征,得到表情特征的预估风险等级。
其中,风险预测网络是,利用样本数据集预先训练得到的反向传播神经网络;样本数据集的每一个样本数据,均包括表情特征和表情特征对应的实际风险等级。
一个表情特征对应于一次密码输入过程,一个表情特征对应的风险等级,可以理解为:
在这个表情特征对应的密码输入过程中,输入密码的用户(也就是银行金库的管理员)处在危险场景(例如,发生暴力犯罪事件,管理员被胁迫打开金库的场景就是一种危险场景)中的概率。
本实施例中,将风险等级划分为高风险和低风险两个等级,若某个表情特征对应的风险等级是高风险,那么系统就认为在这个表情特征对应的密码输入过程中用户处于危险场景下,对应的,若某个表情特征对应的风险等级是低风险,那么系统就认为在这个表情特征对应的密码输入过程中用户处于安全场景下。
步骤S103中,若表情特征的预估风险等级为低风险,表示当前输入密码的用户处于安全场景中,执行步骤S104。若表情特征的预估风险等级为高风险,表示当前输入密码的用户处于危险场景中,执行步骤S105。
预估风险等级,就是利用风险预测网络处理表情特征后,由风险预测网络预测得到的,该表情特征对应的密码输入过程中用户处于危险场景的概率。表情特征的实际风险等级,则表示表情特征对应的密码输入过程实际发生时的场景是否为危险场景。
样本数据可以通过以下方式获取:
在银行中模拟出若干种危险场景,然后记录金库管理员在这些危险场景下所执行的若干次密码输入过程的表情特征,这些在模拟的危险场景下采集的表情特征,对应的实际风险等级就是高风险。
另一方面,采集正常情况下被执行的若干次密码输入过程的表情特征,这些表情特征对应的实际风险等级就是低风险。
通过上述方法,就可以得到实际风险等级已知的若干个表情特征,这些表情特征以及对应的实际风险等级就构成用于训练风险预测网络的样本数据。
S104、在用户输入的密码通过密码校验后,控制银行金库的安全门开启。
可以理解的,在预测出输入密码的管理员处于安全场景后,还需要校验管理员输入的密码。从而确认管理员的身份。
因此,步骤S104具体包括如下两个动作:
将用户输入的密码和金库的开启密码进行比对,若用户输入的密码和预设的开启密码一致,则认为用户输入的密码通过密码校验;反之,若用户输入的密码和开启密码不一致,则认为用户输入的密码未通过密码校验。
确定用户输入的密码通过密码校验之后,控制银行金库的安全门开启。
可选的,若确定用户输入的密码未通过密码校验,可以输出错误提示信息,提示用户再次输入密码。
S105、控制银行金库的安全门关闭。
可选的,执行步骤S105之后,金库的控制系统还可以执行以下方法向远程的授权终端请求授权:
向授权终端发送授权请求,并接收所述授权终端的响应信息。
可选的,授权终端收到授权请求,授权终端的用户可以与金库的控制系统建立视频连接,从金库的控制系统获取实时视频流,从而了解金库的管理员所处的场景,以判断授权关闭还是打开银行金库的安全门。
若通过视频发现金库的管理员所处的场景所处场景安全,那么授权终端可以向金库的控制系统发送第一响应信息,第一响应信息用于授权开启银行金库的安全门。
若通过视频发现金库的管理员所处的场景所处场景危险,那么授权终端可以向金库的控制系统发送第二响应信息,第二响应信息用于授权关闭银行金库的安全门。
若金库的控制系统收到第一响应信息,且用户输入的密码通过密码校验,则控制银行金库的安全门开启。
若金库的控制系统收到第二响应信息,则控制银行金库的安全门关闭。
最后需要说明的是,本申请实施例所提供的方法,可以在用户输入密码的过程中只采集一个面部图像,并基于这一个面部图像进行预测。
另一方面,也可以在用户输入密码的过程中连续地或者按一定时间间隔地采集多个面部图像,对每一个面部图像均用本实施例提供的方法预测出对应的预估风险等级。
若在采集到的多个面部图像中,预估风险等级为低风险的面部图像所占的比例大于一定的阈值,则校验用户输入的密码,并在校验通过后控制金库的安全门开启,反之,若预估风险等级为低风险的面部图像所占的比例小于或等于阈值,则控制金库的安全门关闭。
具体的,阈值可以设置为80%,也就是,采集多个面部图像时,只有超过80%的面部图像的预估风险等级为低风险,才可能开启金库的安全门,反之则无法开启金库的安全门。
本申请提供一种基于面部图像的金库安全门的控制方法,在用户输入金库密码时采集用户的面部图像,然后从用户的面部图像中提取出用户的表情特征;利用风险预测网络处理表情特征,得到表情特征的预估风险等级;若表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启;若表情特征的预估风险等级为高风险,控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的表情特征,预测出用户输入金库密码的场景的风险等级,基于预测结果控制金库的安全门的开启或关闭,从而有效避免了高风险场景下金库门开启导致的财物损失。
本申请实施例还提供一种风险预测网络的训练方法,本方法可以利用样本数据对初始预测网络进行训练,得到用于根据表情特征预测用户当前所处场景的风险等级的风险预测网络。
请参考图2,该方法包括以下步骤:
S201、获取初始预测网络。
其中,初始预测网络的参数利用遗传算法确定。
具体的,利用遗传算法确定初始预测网络的参数的方法包括:
根据初始预测的架构,随机生成多个参数向量,这些参数向量构成的集合称为参数向量集合。
这里的随机,是指,每一个参数向量所包含的各个元素的取值是随机确定的。另一方面,每一个参数向量的维数是相同的,均等于初始预测网络中需要确定的参数的数量。初始预测网络的参数的数量由网络的架构决定。网络架构方面,可以直接将现有的任意一种神经网络架构确定为本实施例中初始预测网络的架构。
另外,对于任意一个参数向量,该参数向量所包含的每一个元素均对应于初始预测网络中的一个参数,换言之,对于确定了架构的初始预测网络,每给定一个参数向量,将这个参数向量的各个元素对应的代入初始预测网络中的参数,就可以得到这个参数向量对应的预测网络。
确定参数向量集合中的每一个参数向量的适应度,本实施例中,参数向量的适应度,利用该参数向量对应的预测网络处理样本数据后得到的损失函数,因此,适应度越低的参数向量越优,适应度越高的参数向量越差。
以参数向量的适应度作为概率,对参数向量集合中的每一个参数向量进行随机的交叉和变异,得到迭代后的参数向量集合。其中,适应度越低的参数向量交叉和变异的概率越高。
迭代结束后,判断当前的迭代次数是否大于或等于预先指定的次数阈值,若当前的迭代次数小于预先指定的次数阈值,返回执行前述确定参数向量集合中的每一个参数向量的适应度的步骤,也就是进入下一次迭代,以此类推,直至当前的迭代次数大于或等于预先指定的次数阈值。
当前的迭代次数大于或等于预先指定的次数阈值后,将当前的参数向量集合中适应度最低的参数向量确定为初始参数向量,初始参数向量中各个元素的值,就是初始预测网络中对应的参数。
S202、针对样本数据集的每一个样本数据,利用初始预测网络处理样本数据的表情特征,得到样本数据的预估风险等级。
S203、根据每一个样本数据的预估风险等级和样本数据的实际风险等级,计算初始预测网络的损失函数。
初始预测网络的损失函数,是一个由预测错误的样本数量决定的函数值。具体的,对于任意一个样本数据,若初始预测网络处理该样本数据的表情特征后得到的预估风险等级和该样本数据的实际风险等级不一致,那么该样本数据就是一个预测错误的样本。
利用初始预测网络处理样本数据集的所有样本数据后,确定其中预测错误的样本所占的比例,然后就可以根据该比例计算出初始预测网络的损失函数。
S204、判断初始预测网络的损失函数是否满足收敛条件。
可选的,可以将初始预测网络的损失函数和预设的阈值做比较,若初始预测网络的损失函数大于阈值,则不满足收敛条件,执行步骤S205。
若初始预测网络的损失函数小于或等于阈值,则满足收敛条件,执行步骤S206。
S205、更新初始预测网络的参数。
可选的,可以利用梯度下降算法对初始预测网络的损失函数进行计算,得到初始预测网络的参数的更新值,然后用参数的更新值更新初始预测网络的参数。
完成步骤S205的更新后,返回步骤S202。
S206、将初始预测网络确定为风险预测网络,并输出风险预测网络。
本申请实施例提供一种基于面部图像的金库安全门的控制装置,请参考图3,该装置包括以下单元:
采集单元301,用于在用户输入金库密码时采集用户的面部图像。
提取单元302,用于从用户的面部图像中提取出用户的表情特征。
预测单元303,用于利用风险预测网络处理表情特征,得到表情特征的预估风险等级。
其中,风险预测网络是,利用样本数据集预先训练得到的反向传播神经网络;样本数据集的每一个样本数据,均包括表情特征和表情特征对应的实际风险等级。
控制单元304,用于:
若表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启;
若表情特征的预估风险等级为高风险,控制银行金库的安全门关闭。
控制单元304控制银行金库的安全门开启时,具体用于:
若表情特征的预估风险等级为低风险,比较用户输入的密码和银行金库的开启密码;
若用户输入的密码和银行金库的开启密码一致,确定用户输入的密码通过密码校验,并控制银行金库的安全门开启。
本实施例提供的控制装置还包括:训练单元305,用于:
获取初始预测网络;其中,初始预测网络的参数利用遗传算法确定;
针对样本数据集的每一个样本数据,利用初始预测网络处理样本数据的表情特征,得到样本数据的预估风险等级;
根据每一个样本数据的预估风险等级和样本数据的实际风险等级,计算初始预测网络的损失函数;
若初始预测网络的损失函数不满足收敛条件,更新初始预测网络的参数,返回执行针对样本数据集的每一个样本数据,利用初始特征网络处理样本数据的表情特征,得到样本数据的预估风险等级;
若初始预测网络的损失函数满足收敛条件,将初始预测网络确定为风险预测网络。
可选的,控制装置还包括:
增强单元306,用于用图像增强算法对用户的面部图像增强处理,得到增强后的面部图像。
其中,提取单元302从用户的面部图像中提取出用户的表情特征时,具体用于:
从增强后的面部图像中提取出用户的表情特征。
可选的,本实施例提供的控制装置还包括:通信单元307,用于向授权终端发送授权请求,并接收授权终端的响应信息。
其中,控制单元304还用于:
若授权终端的响应信息授权开启银行金库的安全门,且用户输入的密码通过密码校验,控制银行金库的安全门开启;
若授权终端的响应信息授权关闭银行金库的安全门,控制银行金库的安全门关闭。
本申请实施例所提供的控制装置,其具体工作原理可以参考本申请实施例提供的控制方法中的对应步骤,此处不再赘述。
本申请提供一种基于面部图像的金库安全门的控制装置,采集单元301在用户输入金库密码时采集用户的面部图像,然后提取单元302从用户的面部图像中提取出用户的表情特征;预测单元303利用风险预测网络处理表情特征,得到表情特征的预估风险等级;若表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制单元304控制银行金库的安全门开启;若表情特征的预估风险等级为高风险,控制单元305控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的表情特征,预测出用户输入金库密码的场景的风险等级,基于预测结果控制金库的安全门的开启或关闭,从而有效避免了高风险场景下金库门开启导致的财物损失。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于面部图像的金库安全门的控制方法,其特征在于,包括:
在用户输入金库密码时采集用户的面部图像;
从所述用户的面部图像中提取出用户的表情特征,包括:利用独立成分分析(ICA)算法提取所述面部图像的像素间的隐藏信息,获取所述面部图像的全局特征向量;利用局部二值模式(LBP)算法将所述面部图像转换为高维直方图,提取出所述面部图像的局部特征向量;拼接所述全局特征向量和所述局部特征向量得到所述表情特征;
利用风险预测网络处理所述表情特征,得到所述表情特征的预估风险等级,就是得到所述表情特征对应的密码输入过程中用户处于危险场景的概率;其中,所述风险预测网络是,利用样本数据集预先训练得到的反向传播神经网络;所述样本数据集的每一个样本数据,均包括表情特征和所述表情特征对应的实际风险等级;
若所述表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启;
若所述表情特征的预估风险等级为高风险,控制所述银行金库的安全门关闭;向授权终端发送授权请求,向所述授权终端实时发送金库现场的视频流,并接收所述授权终端的响应信息;
若所述授权终端的响应信息授权开启所述银行金库的安全门,且所述用户输入的密码通过密码校验,控制所述银行金库的安全门开启;
若所述授权终端的响应信息授权关闭所述银行金库的安全门,控制所述银行金库的安全门关闭;
训练所述风险预测网络的方法,包括:
获取初始预测网络;其中,所述初始预测网络的参数利用遗传算法确定;
针对样本数据集的每一个样本数据,利用所述初始预测网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;
根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级,计算所述初始预测网络的损失函数;
若所述初始预测网络的损失函数不满足收敛条件,更新所述初始预测网络的参数,返回执行所述针对样本数据集的每一个样本数据,利用所述初始特征网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;
若所述初始预测网络的损失函数满足收敛条件,将所述初始预测网络确定为风险预测网络。
2.根据权利要求1所述的控制方法,其特征在于,所述若所述表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,控制银行金库的安全门开启,包括:
若所述表情特征的预估风险等级为低风险,比较所述用户输入的密码和银行金库的开启密码;
若所述用户输入的密码和所述银行金库的开启密码一致,确定所述用户输入的密码通过密码校验,并控制所述银行金库的安全门开启。
3.根据权利要求1所述的控制方法,其特征在于,所述从所述用户的面部图像中提取出用户的表情特征之前,还包括:
用图像增强算法对所述用户的面部图像增强处理,得到增强后的面部图像;
其中,所述从所述用户的面部图像中提取出用户的表情特征,包括:
从所述增强后的面部图像中提取出用户的表情特征。
4.一种基于面部图像的金库安全门的控制装置,其特征在于,包括:
采集单元,用于在用户输入金库密码时采集用户的面部图像;
提取单元,用于从所述用户的面部图像中提取出用户的表情特征,包括:利用独立成分分析(ICA)算法提取所述面部图像的像素间的隐藏信息,获取所述面部图像的全局特征向量;利用局部二值模式(LBP)算法将所述面部图像转换为高维直方图,提取出所述面部图像的局部特征向量;拼接所述全局特征向量和所述局部特征向量得到所述表情特征;
预测单元,用于利用风险预测网络处理所述表情特征,得到所述表情特征的预估风险等级,就是得到所述表情特征对应的密码输入过程中用户处于危险场景的概率;其中,所述风险预测网络是,利用样本数据集预先训练得到的反向传播神经网络;所述样本数据集的每一个样本数据,均包括表情特征和所述表情特征对应的实际风险等级;
控制单元,若所述表情特征的预估风险等级为低风险,且用户输入的密码通过密码校验,用于控制银行金库的安全门开启;
所述控制单元,若所述表情特征的预估风险等级为高风险,用于控制所述银行金库的安全门关闭;
通信单元,用于在所述控制单元控制所述银行金库的安全门关闭后,向授权终端发送授权请求,向所述授权终端实时发送金库现场的视频流,并接收所述授权终端的响应信息;
所述通信单元工作后,所述控制单元还用于:若所述授权终端的响应信息授权开启所述银行金库的安全门,且所述用户输入的密码通过密码校验,控制所述银行金库的安全门开启;若所述授权终端的响应信息授权关闭所述银行金库的安全门,控制所述银行金库的安全门关闭;
训练单元,用于获取初始预测网络;其中,所述初始预测网络的参数利用遗传算法确定;针对样本数据集的每一个样本数据,利用所述初始预测网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级,计算所述初始预测网络的损失函数;若所述初始预测网络的损失函数不满足收敛条件,更新所述初始预测网络的参数,返回执行所述针对样本数据集的每一个样本数据,利用所述初始特征网络处理所述样本数据的表情特征,得到所述样本数据的预估风险等级;若所述初始预测网络的损失函数满足收敛条件,将所述初始预测网络确定为风险预测网络。
5.根据权利要求4所述的控制装置,其特征在于,所述控制单元控制银行金库的安全门开启时,具体用于:
若所述表情特征的预估风险等级为低风险,比较所述用户输入的密码和银行金库的开启密码;
若所述用户输入的密码和所述银行金库的开启密码一致,确定所述用户输入的密码通过密码校验,并控制所述银行金库的安全门开启。
6.根据权利要求4所述的控制装置,其特征在于,所述控制装置还包括:
增强单元,用于用图像增强算法对所述用户的面部图像增强处理,得到增强后的面部图像;
其中,所述提取单元从所述用户的面部图像中提取出用户的表情特征时,具体用于:
从所述增强后的面部图像中提取出用户的表情特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410131.6A CN111080874B (zh) | 2019-12-31 | 2019-12-31 | 基于面部图像的金库安全门的控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410131.6A CN111080874B (zh) | 2019-12-31 | 2019-12-31 | 基于面部图像的金库安全门的控制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080874A CN111080874A (zh) | 2020-04-28 |
CN111080874B true CN111080874B (zh) | 2022-06-03 |
Family
ID=70321045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410131.6A Active CN111080874B (zh) | 2019-12-31 | 2019-12-31 | 基于面部图像的金库安全门的控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080874B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070990B (zh) * | 2020-09-29 | 2022-02-25 | 中国银行股份有限公司 | 一种加钞控制方法、装置及电子设备 |
CN115862198A (zh) * | 2022-12-06 | 2023-03-28 | 湖南文宝银行设备有限公司 | 基于近红外特征识别的金库门智能控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268859A (zh) * | 2018-02-08 | 2018-07-10 | 南京邮电大学 | 一种基于深度学习的人脸表情识别方法 |
CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
CN109278748A (zh) * | 2017-07-19 | 2019-01-29 | 福特全球技术公司 | 制动预测和参与 |
CN110309812A (zh) * | 2019-07-10 | 2019-10-08 | 深圳市华腾物联科技有限公司 | 一种形态特征识别的应用方法和设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799945B (zh) * | 2010-03-10 | 2012-02-01 | 浙江大华安防联网运营服务有限公司 | 基于图像识别的自助银行安全门禁方法 |
CN104615985B (zh) * | 2015-01-28 | 2018-01-16 | 广州柚子舍生物科技有限公司 | 一种人脸相似度的识别方法 |
CN105303661B (zh) * | 2015-11-10 | 2018-06-05 | 成都智慧数联信息技术有限公司 | 基于指纹和指静脉识别的智慧社区系统及方法 |
CN107180234A (zh) * | 2017-06-01 | 2017-09-19 | 四川新网银行股份有限公司 | 基于人脸表情识别和人脸特征提取的信用风险预测方法 |
CN207676395U (zh) * | 2017-12-12 | 2018-07-31 | 湖南中翔远威科技有限公司 | 基于人脸识别的金库控制系统 |
CN108287738A (zh) * | 2017-12-21 | 2018-07-17 | 维沃移动通信有限公司 | 一种应用程序控制方法及装置 |
CN108805259A (zh) * | 2018-05-23 | 2018-11-13 | 北京达佳互联信息技术有限公司 | 神经网络模型训练方法、装置、存储介质及终端设备 |
CN109472608A (zh) * | 2018-10-16 | 2019-03-15 | 深圳壹账通智能科技有限公司 | 基于情绪识别的交易认证方法及终端设备 |
-
2019
- 2019-12-31 CN CN201911410131.6A patent/CN111080874B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109278748A (zh) * | 2017-07-19 | 2019-01-29 | 福特全球技术公司 | 制动预测和参与 |
CN108268859A (zh) * | 2018-02-08 | 2018-07-10 | 南京邮电大学 | 一种基于深度学习的人脸表情识别方法 |
CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
CN110309812A (zh) * | 2019-07-10 | 2019-10-08 | 深圳市华腾物联科技有限公司 | 一种形态特征识别的应用方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111080874A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992739A (zh) | 用户验证方法、装置及系统 | |
CN112528259A (zh) | 身份验证方法、装置、计算机设备和存储介质 | |
CN111861240A (zh) | 可疑用户识别方法、装置、设备及可读存储介质 | |
CN111080874B (zh) | 基于面部图像的金库安全门的控制方法和装置 | |
CN111179945B (zh) | 基于声纹识别的安全门的控制方法和装置 | |
CN106603563A (zh) | 基于生物特征识别的信息安全实现方法和系统 | |
CN110955874A (zh) | 身份验证方法、装置、计算机设备和存储介质 | |
CN114863506B (zh) | 准入权限的验证方法、装置、系统和身份认证终端 | |
CN107833328B (zh) | 基于人脸识别的门禁验证方法及装置、计算设备 | |
CN112330035A (zh) | 风险预测模型的训练方法及装置 | |
CN109389028A (zh) | 基于动作分析的人脸识别方法、装置、设备及存储介质 | |
CN103646200A (zh) | 一种人脸信息的编码加密及应用方法 | |
CN113591603A (zh) | 证件的验证方法、装置、电子设备及存储介质 | |
CN105931327A (zh) | 一种门禁监控方法及系统 | |
CN110084213B (zh) | 人脸图像处理方法及装置 | |
CN113642462A (zh) | 一种驾驶行为考核方法、装置、终端设备及存储介质 | |
CN117853103A (zh) | 基于智能手环的支付系统激活方法 | |
CN110675880B (zh) | 身份验证方法、装置和电子设备 | |
CN117197755A (zh) | 社区人员身份监控识别方法及装置 | |
CN111079712B (zh) | 基于人脸识别的权限管理方法及装置 | |
CN112053148B (zh) | 自助终端转账验证的方法、装置、设备和存储介质 | |
CN110910586B (zh) | 一种防盗刷卡的方法及系统 | |
CN111080873B (zh) | 基于按键特征的银行金库的管控方法和装置 | |
CN117240607B (zh) | 一种基于安全计算机的安全认证方法 | |
CN118053229B (zh) | 一种应用于门禁控制的多源数据融合优化分析系统及方法 |
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 |