CN111368681A - 基于多点定位的活体甄别方法、装置、设备及存储介质 - Google Patents

基于多点定位的活体甄别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111368681A
CN111368681A CN202010123146.0A CN202010123146A CN111368681A CN 111368681 A CN111368681 A CN 111368681A CN 202010123146 A CN202010123146 A CN 202010123146A CN 111368681 A CN111368681 A CN 111368681A
Authority
CN
China
Prior art keywords
living body
point
screened
monitoring
feature vector
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
Application number
CN202010123146.0A
Other languages
English (en)
Other versions
CN111368681B (zh
Inventor
袁方
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.)
Shenzhen Shuliantianxia Intelligent Technology Co Ltd
Original Assignee
Shenzhen Shuliantianxia Intelligent 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 Shenzhen Shuliantianxia Intelligent Technology Co Ltd filed Critical Shenzhen Shuliantianxia Intelligent Technology Co Ltd
Priority to CN202010123146.0A priority Critical patent/CN111368681B/zh
Publication of CN111368681A publication Critical patent/CN111368681A/zh
Application granted granted Critical
Publication of CN111368681B publication Critical patent/CN111368681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实施例公开了一种基于多点定位的活体甄别方法、装置、设备及存储介质。所述方法包括：获取多个监控点的检测设备发送的活体检测数据，多个监控点包括：待甄别监控点和与待甄别监控点关联的其他监控点；根据每个监控点发送的活体检测数据，确定与待甄别监控点对应的多点特征向量；将与待甄别监控点对应的多点特征向量作为活体甄别模型的输入，活体甄别模型用于对监控点是否存在活体进行甄别；获取活体甄别模型输出的甄别结果值，并基于甄别结果值确定待甄别监控点在目标时刻存在活体的可能性。本发明在检测设备不报活体检测数据时输出的待甄别监控点的甄别结果值具有较高的准确性，提高了物联网提供智能服务的准确性。

Description

基于多点定位的活体甄别方法、装置、设备及存储介质
技术领域
本发明涉及物联网技术领域，尤其涉及一种基于多点定位的活体甄别方法、 装置、设备及存储介质。
背景技术
空间定位一直是物联网领域一个重要的研究与应用的场景，而其在室内活体 定位中的价值尤为突显，如果可以精确的定位活体所在的位置，则可以为用户提 供诸如安防预警、环境预调等舒适且安全的智能服务。PIR(被动红外设备)因 成本低被普遍应用于判断有无活体活动的场景中，比如商铺进客检测等，PIR功 能简单，只能做到判断是否有活动的活体，在活体静止不动时虽然检测范围内有 活体但也不会发送检测到活体的结果，导致活体静止不动时物联网无法提供准确 的智能服务。
发明内容
基于此，有必要针对上述问题，提出了一种基于多点定位的活体甄别方法、 装置、设备及存储介质，用于解决现有技术中设备不报活体检测数据时物联网无 法提供准确的智能服务的技术问题。
第一方面，本发明提出了一种基于多点定位的活体甄别方法，所述方法包括：
获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包括：待 甄别监控点和与待甄别监控点关联的其他监控点；
根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点 特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体检测情 况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻，所述 目标时刻为待甄别活体的时刻；
将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入，所述 活体甄别模型用于对监控点是否存在活体进行甄别；
获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述 待甄别监控点在目标时刻存在活体的可能性。
第二方面，本发明还提出了一种基于多点定位的活体甄别装置，所述装置包 括：
数据提取模块，用于获取多个监控点的检测设备发送的活体检测数据，所述 多个监控点包括：待甄别监控点和与待甄别监控点关联的其他监控点，根据每个 监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点特征向量，所 述多点特征向量用于指示多个所述监控点在多个时刻的活体检测情况，所述多个 时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻，所述目标时刻为待 甄别活体的时刻；
活体甄别模块，用于将与所述待甄别监控点对应的多点特征向量作为活体甄 别模型的输入，所述活体甄别模型用于对监控点是否存在活体进行甄别，获取所 述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述待甄别监控 点在目标时刻存在活体的可能性。
第三方面，本发明还提出了一种存储介质，存储有计算机指令程序，所述计 算机指令程序被处理器执行时，使得所述处理器执行第一方面任一项所述方法的 步骤。
第四方面，本发明还提出了一种计算机设备，包括至少一个存储器、至少一 个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理 器执行时，使得所述处理器执行第一方面任一项所述方法的步骤。
综上所述，本发明的基于多点定位的活体甄别方法得到的甄别结果值是在获 取待甄别监控点和与待甄别监控点关联的其他监控点的检测设备发送的活体检 测数据，根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的 多点特征向量，将与所述待甄别监控点对应的多点特征向量输入活体甄别模型对 监控点是否存在活体进行甄别得到的，因此甄别结果值与待甄别监控点和与待甄 别监控点关联的其他监控点同时相关。待甄别监控点和与待甄别监控点关联的其 他监控点属于同一场景，活体进入该场景后将处于其中一个监控点的检测范围， 活体要么在待甄别监控点，要么在与待甄别监控点关联的其他监控点，因此与待 甄别监控点关联的其他监控点的活体检测数据可以用于辅助甄别待甄别监控点 是否存在活体。当待甄别监控点的检测设备不报活体检测数据时，虽然待甄别监 控点的活体检测数据异常，因甄别结果值与待甄别监控点和与待甄别监控点关联 的其他监控点同时相关，又因与待甄别监控点关联的其他监控点的活体检测数据 可以用于辅助甄别待甄别监控点是否存在活体，根据本发明计算得到待甄别监控 点的甄别结果值具有较高的准确性，相对现有技术物联网根据具有较高的准确性 的甄别结果值提供智能服务，从而提高了物联网提供智能服务的准确性。因此， 本发明在检测设备不报活体检测数据时输出的待甄别监控点的甄别结果值具有 较高的准确性，提高了物联网提供智能服务的准确性。
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一些实施例，对于本领域普通技术活体来讲，在不付出创造 性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中基于多点定位的活体甄别方法的流程图；
图2为同一场景下的监控点示意图；
图3为图1的基于多点定位的活体甄别方法的提取多点特征向量的流程图；
图4为图3的基于多点定位的活体甄别方法的确定多点特征向量的流程图；
图5为图1的基于多点定位的活体甄别方法的活体甄别模型的训练的流程图；
图6为另一个实施例中基于多点定位的活体甄别方法的流程图；
图7为另一个实施例中基于多点定位的活体甄别方法的流程图；
图8为一个实施例中基于多点定位的活体甄别装置的结构框图；
图9为一个实施例中计算机设备的结构框图。
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，本领域普通技术活体在没有作出创造性劳动前 提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，在一个实施例中，提出了一种基于多点定位的活体甄别方法， 所述方法包括：
S102、获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包 括：待甄别监控点和与待甄别监控点关联的其他监控点；
具体而言，接收检测设备实时发送的活体检测数据，将活体检测数据存储在 数据库中，从数据库中获取多个监控点的检测设备发送的活体检测数据。
可选的，所述多个监控点是指同一场景下的监控点；活体进入该场景后，处 于该场景下的至少一个监控点的检测设备的检测范围内，其中，活体可以是人， 也可以是动物，在此举例不做具体限定；而且该场景的每个监控点与同一场景下 的至少一个其他的监控点直接关联。比如，同一场景可以是同一套居民房内，也 可以是同一办公区域内，在此举例不做具体限定。
可选的，每个监控点设置一台检测设备。
与待甄别监控点关联的其他监控点包括：与待甄别监控点直接关联的其他监 控点、与待甄别监控点间接关联的其他监控点。
所述与待甄别监控点直接关联的其他监控点，是指活体从待甄别监控点可以 直接转移到的监控点。
活体从与待甄别监控点直接关联的其他监控点转移，只能是直接转移到待甄 别监控点、直接转移到所述与待甄别监控点间接关联的其他监控点中的任一种。
所述直接转移是指两者之间的转移不需要中转的监控点。
所述活体检测数据包括检测设备标识、检测时间、检测设备类型、检测结果。 所述检测设备标识包括设备ID、设备名称等，用于唯一标识一台设备的标识。
所述检测设备类型包括只能判断是否有活动的活体、判断是否有活体。
在检测设备只能判断是否有活动的活体时，所述检测结果是指检测设备的检 测范围内有活体活动，可以理解的是，检测设备的检测范围内有活体但是该活体 没活动时不会发送所述活体检测数据。比如，被动红外设备PIR。
在检测设备可以判断是否有活体时，所述检测结果是指检测设备的检测范围 内有人、无人。比如，雷达波检测设备。
比如，如图2所示的同一场景示意图，待甄别监控点设为沙发，与待甄别监 控点(沙发)直接关联的其他监控点包括客厅和阳台，与待甄别监控点(沙发) 间接关联的其他监控点包括房间1、房间2、房间3、厨房、门、卫生间，在此举 例不做具体限定。
S104、根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应 的多点特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体 检测情况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻， 所述目标时刻为待甄别活体的时刻；
具体而言，从每个监控点发送的活体检测数据中提取出与每个监控点对应的 单点特征向量；再根据所有与每个监控点对应的单点特征向量确定与所述待甄别 监控点对应的多点特征向量。
所述与每个监控点对应的单点特征向量是从一个监控点发送的检测数据中 提取得到的，用特征向量的方式指示一个所述监控点在所述多个时刻的的活体检 测情况，是一个一维特征向量，每个向量元素指示一个所述监控点在一个时刻的 活体检测情况。可以理解的是，当提取与待甄别监控点对应的单点特征向量时， 因所述目标时刻是待甄别活体的时刻，因此与待甄别监控点对应的单点特征向量 不指示待甄别监控点在所述目标时刻的活体检测情况。
可以理解的是，与待甄别监控点对应的单点特征向量以外的与每个监控点对 应的单点特征向量指示待甄别监控点在所述多个时刻的活体检测情况。
所述与所述待甄别监控点对应的多点特征向量用于指示多个所述监控点在 多个时刻的的活体检测情况，多个所述监控点是指待甄别监控点和与待甄别监控 点关联的其他监控点，根据所有与每个监控点对应的单点特征向量确定的，可以 表示为一维的特征向量，也可以表示为多维的特征向量，每个向量元素指示一个 所述监控点在一个时刻的活体检测情况。
所述时刻是指具体的时间点，所述时刻可以精确到小时、分钟、秒、毫秒， 在此举例不做具体限定。
可选的，多个时刻可以根据实际情况自定义设置，相邻时刻之间可以设置成 等间隔的，也可以设置成不等间隔的。比如，可以将目标时刻设置为1点零10 秒，当相邻时刻设置成等间隔时所述目标时刻之前的至少一个时刻设置为1点零5秒、1点零6秒、1点零7秒、1点零8秒、1点零9秒，当相邻时刻设置成不 等间隔时所述目标时刻之前的至少一个时刻设置为1点零3秒、1点零5秒、1 点零7秒、1点零8秒、1点零9秒，在此举例不做具体限定。
所述目标时刻是指需要甄别是否有活体的时间点。所述目标时刻的取值范围 可以是当前时间点，也可以是当前时间点以前的任意需要甄别是否有活体的时间 点。所述当前时间点是指有活体检测数据的最晚时间点。将当前时间点作为所述 目标时刻，可以根据甄别结果值实时控制物联网相关设备的工作；将当前时间点 以前的任意需要甄别是否有活体的时间点作为所述目标时刻，可以用于待甄别监 控点的检测设备是否故障进行判断。
S106、将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入， 所述活体甄别模型用于对监控点是否存在活体进行甄别；
其中，将与所述待甄别监控点对应的多点特征向量输入活体甄别模型对监控 点是否存在活体进行甄别，活体甄别模型甄别完成将输出甄别结果值，所述甄别 结果值用于确定所述待甄别监控点在目标时刻存在活体的可能性。
在一个实施例中，所述活体甄别模型是通过输入多个多点特征向量样本之后 进行线性回归分析及逻辑回归分析后训练得到的。
可以理解的是，所述多点特征向量样本的生成规则与所述待甄别监控点对应 的多点特征向量的生成规则是相同的，以使每个所述多点特征向量样本的向量元 素的数量与所述待甄别监控点对应的多点特征向量的向量元素的数量相同，每个 所述多点特征向量样本与所述待甄别监控点对应的多点特征向量相同位置的向 量元素的含义相同。可以理解的是，含义相同是指向量元素对应的监控点相同以 及向量元素之间相对时间间隔关系相同，比如，所述多点特征向量样本的第五个 向量元素与所述待甄别监控点对应的多点特征向量的第五个向量元素，都是监控 点沙发提取出的第五个向量元素，在此举例不做具体限定。
可选的，所述生成规则包括监控点数量、监控点之间的关联关系、特征提取 的规则、拼接顺序，在此举例不做具体限定。
S108、获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确 定所述待甄别监控点在目标时刻存在活体的可能性。
其中，获取将所述与所述待甄别监控点对应的多点特征向量输入所述待甄别 监控点对应的活体甄别模型进行甄别得到的甄别结果值；所述甄别结果值可以是 一个数值，根据该数值的大小可以对所述待甄别监控点存在活体的可能性进行甄 别。
可选的，所述甄别结果值可以是一个0到1的概率值。可以理解的是，所述 甄别结果值的值越大，在所述目标时刻所述待甄别监控点对应的检测范围内有活 体的可能性越高。
本实施例的基于多点定位的活体甄别方法得到的甄别结果值是在获取待甄 别监控点和与待甄别监控点关联的其他监控点的检测设备发送的活体检测数据， 根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点特征 向量，将与所述待甄别监控点对应的多点特征向量输入活体甄别模型对监控点是 否存在活体进行甄别得到的，因此甄别结果值与待甄别监控点和与待甄别监控点 关联的其他监控点同时相关。待甄别监控点和与待甄别监控点关联的其他监控点 属于同一场景，活体进入该场景后将处于其中一个监控点的检测范围，活体要么 在待甄别监控点，要么在与待甄别监控点关联的其他监控点，因此与待甄别监控 点关联的其他监控点的活体检测数据可以用于辅助甄别待甄别监控点是否存在 活体。当待甄别监控点的检测设备不报活体检测数据时，虽然待甄别监控点的活 体检测数据异常，因甄别结果值与待甄别监控点和与待甄别监控点关联的其他监 控点同时相关，又因与待甄别监控点关联的其他监控点的活体检测数据可以用于 辅助甄别待甄别监控点是否存在活体，根据本发明计算得到待甄别监控点的甄别 结果值具有较高的准确性，相对现有技术物联网根据具有较高的准确性的甄别结 果值提供智能服务，从而提高了物联网提供智能服务的准确性。因此，本发明在 检测设备不报活体检测数据时待甄别监控点的甄别结果值具有较高的准确性，提 高了物联网提供智能服务的准确性。
在待甄别监控点的检测设备不报活体检测数据时，不报活体检测数据是指检 测设备的检测范围内有活体不发送所述活体检测数据。在检测设备只能判断是否 有活动的活体时，检测设备的检测范围内有活体但是活体静止不动，虽然检测设 备正常工作也会不报活体检测数据；在检测设备故障时，可能出现不报活体检测 数据的情况。
在一个实施例中，根据所述目标时刻、所述待甄别监控点的检测设备发送的 活体检测数据，确定与所述待甄别监控点对应的目标时刻特征向量；将所述待甄 别监控点的甄别结果值和与所述待甄别监控点对应的目标时刻特征向量进行对 比；根据对比结果确定所述待甄别监控点的检测设备是否故障。
可以理解的是，在检测设备故障时，也可能出现误报活体检测数据。在检测 设备只能判断是否有活动的活体时，误报活体检测数据是指检测设备的检测范围 内有活体活动不发送所述活体检测数据，和/或检测设备的检测范围内没有活体活 动发送所述活体检测数据；在检测设备可以判断是否有活体时，误报活体检测数 据是指检测设备的检测范围内有人发送检测结果为无人，和/或检测设备的检测范 围内无人发送检测结果为有人。
如图3所示，在一个实施例中，所述根据每个监控点发送的活体检测数据， 确定与所述待甄别监控点对应的多点特征向量，包括：
S302、根据每个监控点发送的活体检测数据，确定与每个监控点对应的单点 特征向量，所述单点特征向量用于指示一个监控点在所述多个时刻的活体检测情 况；
其中，根据所述多个时刻对每个监控点发送的活体检测数据进行特征提取， 确定与每个监控点对应的单点特征向量。所述多个时刻包括目标时刻以及在所述 目标时刻之前的至少一个时刻，所述目标时刻为待甄别活体的时刻。
可选的，与每个监控点对应的单点特征向量的向量元素可以用0或1来表示， 0代表没有检测到活体，1代表检测到活体。根据提取到的多个时间点对应的检 测结果进行组合得到相应的单点特征向量，每个向量元素指示一个所述监控点在 一个时刻的活体检测情况。
S304、根据所述待甄别监控点与其他监控点的关联关系和所述与每个监控点 对应的单点特征向量，确定与所述待甄别监控点对应的多点特征向量。
其中，获取所述待甄别监控点与其他监控点的关联关系，将待甄别监控点对 应的单点特征向量、与待甄别监控点关联的其他监控点对应的单点特征向量按预 设拼接方式进行拼接，得到与所述待甄别监控点对应的多点特征向量，其中，预 设拼接方式根据待甄别监控点与其他监控点的关联关系确定。
可选的，关联关系包括直接关联、间接关联，活体从待甄别监控点直接转移 到其他与待甄别监控点直接关联的监控点，活体从与待甄别监控点直接关联的监 控点转移出来只能是直接转移到待甄别监控点、直接转移到所述与待甄别监控点 间接关联的其他监控点中的任一种，因此与待甄别监控点直接关联的监控点、与 待甄别监控点直接关联的监控点完整指示了活体进入或退出待甄别监控点。
因与待甄别监控点直接关联的监控点、与待甄别监控点直接关联的监控点完 整指示了活体进入或退出待甄别监控点，根据与待甄别监控点直接关联的监控点、 与待甄别监控点间接关联的监控点发送的活体检测数据最终得到与待甄别监控 点对应的多点特征向量，与待甄别监控点对应的多点特征向量也完整指示了活体 进入或退出待甄别监控点，在用与待甄别监控点对应的多点特征向量对待甄别监 控点是否存在活体进行甄别，提高了甄别的准确性。
在一个实施例中，所述根据每个监控点发送的活体检测数据，确定与每个监 控点对应的单点特征向量，包括：获取预设提取时长和所述目标时刻；根据所述 预设提取时长和所述目标时刻分别从每个监控点发送的活体检测数据中，获取与 每个监控点对应的目标检测数据；根据与每个监控点对应的目标检测数据，得到 与每个监控点对应的单点特征向量。
其中，以所述目标时刻为开始时间分别从每个监控点发送的活体检测数据中 获取与每个监控点对应的目标检测数据，与每个监控点对应的目标检测数据指示 的时长与所述预设提取时长相同；根据与每个监控点对应的目标检测数据按所述 多个时刻进行提取，得到与每个监控点对应的单点特征向量，重复上述步骤直至 确定所有监控点对应的单点特征向量。
所述多个时刻可以设置成等间隔的，也可以设置成不等间隔的。
可选的，所述根据所述预设提取时长和所述目标时刻分别从每个监控点发送 的活体检测数据中，获取与每个监控点对应的目标检测数据，包括：以所述目标 时刻为开始时间从与每个监控点对应的活体检测数据中往前提取出所述预设提 取时长的活体检测数据作为与每个监控点对应的目标检测数据。比如，T_1、T_2、 T_3、T_4、T_5、T_6为连续的6个时刻，所述目标时刻选择为T_6，所述预设 提取时长选择为6个时刻，以所述目标时刻(T_6)为开始时间从所述检测数据 中往前提取出所述预设提取时长(6个时刻)的活体检测数据作为所述目标检测 数据，则提取出T_1到T_6的检测数据作为所述目标检测数据。
本实施例以所述目标时刻为开始时间分别从每个监控点发送的活体检测数 据中获取与每个监控点对应的目标检测数据，因此与每个监控点对应的目标检测 数据指示的是监控点从所述目标时刻开始往前的活体检测数据，根据与每个监控 点对应的目标检测数据按所述多个时刻进行提取，得到与每个监控点对应的单点 特征向量，从而使与每个监控点对应的单点特征向量可以用于指示一个监控点在 所述多个时刻的活体检测情况。
在一个实施例中，所述根据与每个监控点对应的目标检测数据，得到与每个 监控点对应的单点特征向量，包括：获取第一预设数值、第二预设数值，其中， 所述第一预设数值与所述第二预设数值不相等；
获取与每个监控点对应的监控设备的工作类型；
当与每个监控点对应的监控设备的工作类型为只能判断是否有活动的活体 时，根据与每个监控点对应的目标检测数据按多个时刻进行数据提取，当提取到 数据时则将所述第一预设数值作为待拼接特征数据，当未提取到数据时则将所述 第二预设数值作为待拼接特征数据；
当与每个监控点对应的监控设备的工作类型为判断是否有活体时，根据与每 个监控点对应的目标检测数据按多个时刻进行数据提取，当提取到数据为有人时 则将所述第一预设数值作为待拼接特征数据，当提取到数据为无人时则将所述第 二预设数值作为待拼接特征数据，当未提取到数据时则将所述第二预设数值作为 待拼接特征数据；
将同一监控点对应的所述待拼接特征数据按时间顺序进行拼接，得到与每个 监控点对应的单点特征向量。
可以理解的是，按多个时刻从与每个监控点对应的目标检测数据中提取数据 是指从与每个监控点对应的目标检测数据的第一个数据开始提取，并且在每个时 刻提取一次数据。比如，目标检测数据时长为20秒，多个时刻可以设置为0秒、 2秒、4秒、6秒、8秒、10秒、12秒、14秒、16秒、18秒、20秒，目标检测 数据的第一个数据对应0秒，在此举例不做具体限定。
当与每个监控点对应的监控设备的工作类型为只能判断是否有活动的活体 时，根据与每个监控点对应的目标检测数据按多个时刻进行数据提取，当提取到 数据时则将所述第一预设数值作为待拼接特征数据，当未提取到数据时则将所述 第二预设数值作为待拼接特征数据；当与每个监控点对应的监控设备的工作类型 为判断是否有活体时，根据与每个监控点对应的目标检测数据按所述多个时刻进 行数据提取，当提取到数据为有人时则将所述第一预设数值作为待拼接特征数据， 当提取到数据为无人时则将所述第二预设数值作为待拼接特征数据，当未提取到 数据时则将所述第二预设数值作为待拼接特征数据。因此，第一预设数值代表检 测到活体，第二预设数值代表没有检测到活体。
所述将同一监控点对应的所述待拼接特征数据按时间顺序进行拼接，得到与 每个监控点对应的单点特征向量，包括：逐个监控点按时间顺序进行拼接得到与 每个监控点对应的单点特征向量，直至得到所有监控点对应的单点特征向量。按 时间顺序进行拼接是指按时间先后顺序进行拼接，时间靠前的待拼接特征数据排 列在时间靠后的待拼接特征数据的前面。
比如，第一预设数值设为1，第二预设数值设为0，T_1到T_6包括6个时 刻，时刻采用1秒，当T_1到T_6的活体检测数据作为所述目标检测数据时，时 刻之间的间隔为1秒，则从T_1开始提取得到6个待拼接特征数据，与每个监控 点对应的单点特征向量是一个向量元素的数量为6个的一维向量，在此举例不做 具体限定。如图2所示，沙发作为所述待甄别监控点时，沙发对应的单点特征向 量为[11000]，客厅对应的单点特征向量为[101000]，阳台对应的单点特征向量为 [100000]，房间1对应的单点特征向量为[000001]，房间2对应的单点特征向量 为[010000]，房间3对应的单点特征向量为[100100]，厨房对应的单点特征向量 为[000101]，门对应的单点特征向量为[101000]，卫生间对应的单点特征向量为[000010]。
在多个检测设备不报活体检测数据时，导致该时刻的活体检测数据空缺，通 过本实施例的可以将所述第二预设数值作为待拼接特征数据，使得到的不同的监 控点对应的单点特征向量的向量元素的数量相同，从而使根据单点特征向量确定 的与所述待甄别监控点对应的多点特征向量的向量元素的数量与预期数量相同、 每个向量元素代表的含义与预期的含义相同，避免向量元素的数量与预期数量不 同、每个向量元素代表的含义与预期的含义不同影响采用活体甄别模型进行甄别 的准确性。
如图4所示，在一个实施例中，所述根据所述待甄别监控点与其他监控点的 关联关系和所述与每个监控点对应的单点特征向量，确定与所述待甄别监控点对 应的多点特征向量，包括：
S402、获取与待甄别监控点直接关联的监控点，将与待甄别监控点直接关联 的监控点对应的单点特征向量进行拼接，得到直接关联特征向量，其中，所述与 待甄别监控点直接关联的监控点包括所述待甄别监控点；
其中，找出所有与待甄别监控点直接关联的监控点，将所述待甄别监控点对 应的单点特征向量、所有与待甄别监控点直接关联的监控点对应的单点特征向量 在同一向量维度上进行拼接，得到直接关联特征向量。在另一个实施例中，找出 所有与待甄别监控点直接关联的监控点，将所述待甄别监控点对应的单点特征向 量、所有与待甄别监控点直接关联的监控点对应的单点特征向量在不同向量维度 上进行拼接，得到直接关联特征向量。
所述直接关联特征向量可以是一维的特征向量，也可以是多维的特征向量。
同一向量维度上进行拼接是指增加同一向量维度的向量元素的数量。
不同向量维度上进行拼接是指增加向量维度的数量。
比如，沙发作为所述待甄别监控点时，将与所述待甄别监控点沙发对应的单 点特征向量[11000]，与待甄别监控点直接关联的监控点对应的单点特征向量包括 客厅对应的单点特征向量为[101000]、阳台对应的单点特征向量为[100000]，预 设直接关联拼接顺序依次是沙发、客厅、阳台，按所述预设直接关联拼接顺序进 行拼接得到的直接关联特征向量为[11000101000100000]，在此举例不做具体限定。
S404、获取与待甄别监控点间接关联的监控点，将与待甄别监控点间接关联 的监控点对应的单点特征向量进行拼接，得到间接关联特征向量；
其中，找出所有与待甄别监控点间接关联的监控点，将所有所述与待甄别监 控点间接关联的监控点对应的单点特征向量在同一向量维度上进行拼接，得到间 接关联特征向量。在另一个实施例中，找出所有与待甄别监控点间接关联的监控 点，将所有所述与待甄别监控点间接关联的监控点对应的单点特征向量在不同向 量维度上进行拼接，得到间接关联特征向量。
所述间接关联特征向量可以是一维的特征向量，也可以是多维的特征向量。
S406、根据所述直接关联特征向量和所述间接关联特征向量确定与所述待甄 别监控点对应的多点特征向量。
其中，将所述直接关联特征向量和所述间接关联特征向量在同一向量维度上 进行拼接，得到与所述待甄别监控点对应的多点特征向量。在另一个实施例中， 将所述直接关联特征向量和所述间接关联特征向量在不同向量维度上进行拼接， 得到与所述待甄别监控点对应的多点特征向量。
所述多点特征向量可以是一维的特征向量，也可以是多维的特征向量。
本实施例根据待甄别监控点与其他监控点的关联关系和所述每个监控点对 应的单点特征向量确定与所述待甄别监控点对应的多点特征向量，从而使与所述 待甄别监控点对应的多点特征向量可以用于指示多个所述监控点在多个时刻的 活体检测情况，有利于在将所述与所述待甄别监控点对应的多点特征向量作为所 述待甄别监控点对应的活体甄别模型的输入时，活体甄别模型可以根据活体在多 个监控点之间转移的关系进行准确甄别。
在一个实施例中，所述将所述与待甄别监控点间接关联的监控点对应的单点 特征向量进行拼接，得到间接关联特征向量，包括：获取预设间接关联拼接顺序； 将所有所述与待甄别监控点间接关联的监控点对应的单点特征向量按所述预设 间接关联拼接顺序进行拼接，得到所述间接关联特征向量。
其中，将所有所述与待甄别监控点间接关联的监控点对应的单点特征向量按 所述预设间接关联拼接顺序在同一向量维度上进行拼接，得到所述间接关联特征 向量，所述间接关联特征向量是一维的特征向量。在一个实施例中，预设间接关 联拼接顺序是指与待甄别监控点间接关联的监控点对应的单点特征向量拼接的 先后顺序，比如，预设间接关联拼接顺序依次是厨房、门、卫生间、房间1、房 间2、房间3。可以理解的是，所述多点特征向量样本的预设间接关联拼接顺序 与所述待甄别监控点对应的多点特征向量的预设间接关联拼接顺序。
比如，所有所述与待甄别监控点沙发间接关联的监控点对应的单点特征向量 包括：房间1对应的单点特征向量为[000001]、房间2对应的单点特征向量为 [010000]、房间3对应的单点特征向量为[100100]、厨房对应的单点特征向量为[000101]、门对应的单点特征向量为[101000]、卫生间对应的单点特征向量为 [000010]，预设间接关联拼接顺序依次是厨房、门、卫生间、房间1、房间2、房 间3，按所述预设间接关联拼接顺序进行拼接得到的间接关联特征向量为 [000101101000000010000001010000100100]，在此举例不做具体限定。
本实施例按预设间接关联拼接顺序，从而有利于使拼接得到的间接关联特征 向量的每个向量元素代表的含义与预期的含义相同，进一步确保了基于间接关联 特征向量采用活体甄别模型进行甄别的准确性。
在一个实施例中，所述根据所述直接关联特征向量和所述间接关联特征向量 确定与所述待甄别监控点对应的多点特征向量，包括：将所述直接关联特征向量 和所述间接关联特征向量进行一维向量拼接，得到与所述待甄别监控点对应的多 点特征向量。
其中，采用reshape函数(矩阵变换函数)将所述直接关联特征向量和所述 间接关联特征向量进行一维向量拼接，使拼接得到的与所述待甄别监控点对应的 多点特征向量成为一个一维向量。
比如，直接关联特征向量为[11000101000100000]，间接关联特征向量为 [000101101000000010000001010000100100]，将所述直接关联特征向量和所述间 接关联特征向量进行一维向量拼接，得到与所述待甄别监控点对应的多点特征向 量[11000101000100000000101101000000010000001010000100100]，在此举例不做 具体限定。
如图5所示，在一个实施例中，所述活体甄别模型采用如下方式训练得到：
S502、获取多个多点特征向量样本；
所述多点特征向量样本用于训练所述活体甄别模型。
比如，多点特征向量样本的数量可以是5000个、10000个、20000个，30000 个，在此举例不做具体限定。
S504、将所述多点特征向量样本按线性回归函数进行线性回归分析，得到与 每个多点特征向量样本对应的目标拟合值；
其中，将所述多点特征向量样本依次输入线性回归函数进行线性回归分析， 得到与每个多点特征向量样本对应的目标拟合值。
所述线性回归函数hθ(x)为：
Figure RE-GDA0002442145920000151
其中，线性回归函数hθ(x)的输出结果即为目标拟合值，x为一个所述多点特 征向量样本，xi为输入的所述多点特征向量样本的第i个向量元素的值，θi为线 性回归函数hθ(x)的第i个待更新参数，n为输入的每个所述多点特征向量样本的 向量元素的总数。
S506、将与每个多点特征向量样本对应的目标拟合值按预设映射函数进行离 散映射，得到与每个多点特征向量样本对应的目标离散值；
其中，将与每个多点特征向量样本对应的目标拟合值输入预设映射函数进行 离散映射，得到与每个多点特征向量样本对应的目标离散值。
所述预设映射函数y为：
Figure BDA0002393603900000152
其中，所述预设映射函数y的输出结果为与每个多点特征向量样本对应的目 标离散值，e为自然常数，hθ(x)为与每个多点特征向量样本x对应的目标拟合值。
所述与每个多点特征向量样本对应的目标离散值可以是一个0到1的概率值。 可以理解的是，所述与每个多点特征向量样本对应的目标离散值的值越大，在所 述目标时刻所述待甄别监控点对应的检测范围有活体的可能性越高。
S508、根据与每个多点特征向量样本对应的目标离散值、与每个多点特征向 量样本对应的活体标定值，采用梯度下降优化方法进行训练，得到已训练的所述 活体甄别模型。
其中，活体标定值为根据待甄别监控点的活体情况预先标定的数值，用于指 示待甄别的监控点在待甄别活体情况的时刻是否有活体。该活体标定值的取值范 围与多点特征向量中的向量元素的取值范围相同，且取值相同的活体标定值和向 量元素指示的活体情况的含义相同。例如活体标定值与向量元素的取值都为1， 如果活体标定值用于指示待甄别的监控点在待甄别活体情况的时刻有活体，则该 向量元素用于指示该向量元素对应的监控点在该向量元素对应的时刻有活体。
具体而言，获取与每个多点特征向量样本对应的活体标定值，根据与每个多 点特征向量样本对应的目标离散值、与每个多点特征向量样本对应的活体标定值 采用梯度下降优化方法进行训练，并且更新所述活体甄别模型的待更新参数，最 终训练得到已训练的所述活体甄别模型。
可以理解的是，与每个多点特征向量样本对应的活体标定值可以独立放在数 据列表中且与每个多点特征向量样本分开存储，也可以由每个多点特征向量样本 携带且与每个多点特征向量样本一起存储。
本实施例采用梯度下降优化方法进行训练，从而提升了训练效率。
本实施例通过多点特征向量样本输入活体甄别模型进行分析后得到与每个 多点特征向量样本对应的目标离散值，再将与每个多点特征向量样本对应的目标 离散值和与每个多点特征向量样本对应的活体标定值采用梯度下降优化方法进 行训练，使与每个多点特征向量样本对应的目标离散值更接近与每个多点特征向 量样本对应的活体标定值，从而在训练结束后活体甄别模型可以用于对监控点是 否存在活体进行甄别。
在一个实施例中，所述根据与每个多点特征向量样本对应的目标离散值、与 每个多点特征向量样本对应的活体标定值，采用梯度下降优化方法进行训练，得 到已训练的所述活体甄别模型，包括：
根据与每个多点特征向量样本对应的目标离散值、与每个多点特征向量样本 对应的活体标定值按照预设损失函数进行计算得到损失值，根据所述损失值按照 预设更新函数计算得到待更新值，根据所述待更新值更新所述的待更新参数，将 更新后的所述线性回归函数用于下一次计算所述与每个多点特征向量样本对应 的目标拟合值；
重复执行上述方法步骤直至所述损失值达到第一收敛条件或迭代次数达到 第二收敛条件，以得到所述已训练的所述活体甄别模型。
其中，将与每个多点特征向量样本对应的目标离散值、与每个多点特征向量 样本对应的活体标定值输入预设损失函数进行计算得到损失值，将所述损失值输 入预设更新函数计算得到待更新值，用待更新值更新所述线性回归函数的待更新 参数，下一次迭代计算时采用更新后的所述线性回归函数，重复执行迭代计算直 至所述损失值达到第一收敛条件或迭代次数达到第二收敛条件；当所述损失值达 到第一收敛条件或迭代次数达到第二收敛条件时，训练结束，以得到所述已训练 的所述活体甄别模型。
可以理解的是，将多个多点特征向量样本作为样本集合，每次迭代计算采用 相同的样本集合。
所述损失值达到第一收敛条件，包括：连续两次计算出的所述损失值的大小 满足lipschitz条件(利普希茨连续条件)；
所述迭代次数达到第二收敛条件，包括：所述迭代次数达到预设迭代次数。
预设损失函数J(θ)为：
Figure RE-GDA0002442145920000171
其中，预设损失函数J(θ)输出值为损失值，m为用于训练的样本集合中所述 多点特征向量样本的个数，x(i)的上标i指所有所述多点特征向量样本中的第i个 所述多点特征向量样本，hθ(x(i))是所有所述多点特征向量样本中的第i个所述多 点特征向量样本对应的目标拟合值，y(i)是所有所述多点特征向量样本中的第i 个所述多点特征向量样本对应的活体标定值。
预设更新函数zj为：
Figure BDA0002393603900000172
其中，预设更新函数zj的输出值为线性回归函数hθ(x)的待更新参数θj对应的 待更新值，θj为第j个待更新参数，
Figure BDA0002393603900000173
是指计算J(θ)的偏导数，
Figure BDA0002393603900000174
是指计算待 更新参数θj的的偏导数，α是指机器学习的学习率。
本实施例训练时通过更新所述的待更新参数，从而每一次迭代计算使与每个 多点特征向量样本对应的目标离散值更接近与每个多点特征向量样本对应的活 体标定值；通过设定第一收敛条件、第二收敛条件其中任一个作为训练结束条件， 提高了训练效率。
在一个实施例中，通过上述方法训练完成活体甄别模型之后，通过训练之后 的活体甄别模型计算甄别结果值举例如下：
与所述待甄别监控点对应的多点特征向量为[1 0 0 1 1 1]，即与所述待甄别监控点对应的多点特征向量的向量元素的总数为6，假设已训练的所述活体甄别模 型的线性回归函数hθ(x)的待更新参数为[θ0θ1θ2θ3θ4θ5θ6]＝[1,1,2,3,4,5,6]；
与所述待甄别监控点对应的多点特征向量的目标拟合值计算如下：
hθ(x)＝θ0+θ1x1+…+θ6x6＝1*1+1*0+2*0+3*1+4*1+ 5*1+6*1＝19
与所述待甄别监控点对应的多点特征向量的目标离散值计算如下：
Figure BDA0002393603900000181
将计算出的与所述待甄别监控点对应的多点特征向量的目标离散值作为甄 别结果值。
可以理解的是，上述计算过程是举例，在此不做具体限定。
如图6所示，在一个实施例中，还提出了一种基于多点定位的活体甄别方法， 所述方法包括：
S602、获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包 括：待甄别监控点和与待甄别监控点关联的其他监控点；
S604、根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应 的多点特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体 检测情况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻， 所述目标时刻为待甄别活体的时刻；
S606、将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入， 所述活体甄别模型用于对监控点是否存在活体进行甄别；
S608、获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确 定所述待甄别监控点在目标时刻存在活体的可能性；
S610、获取与待甄别监控点对应的设备列表，所述设备列表包括与待甄别监 控点对应的设备的设备标识及设备预设工作阈值；
其中，从数据库中获取与待甄别监控点对应的设备列表，所述设备列表中的 每个设备标识对应设置有一个设备预设工作阈值。
所述与待甄别监控点对应的设备列表中的设备包括空调、灯、加暖器、空气 净化器、加湿器、消毒器，在此举例不做具体限定。
每个设备标识对应的设备预设工作阈值可以相同，也可以不同。
与待甄别监控点对应的设备列表中的设备分为有活体才需工作的设备、无活 体才需工作的设备。
有活体才需工作的设备包括空调、灯、加暖器、加湿器、空气净化器，在此 举例不做具体限定。
无活体才需工作的设备包括消毒器，在此举例不做具体限定。
S612、根据所述设备预设工作阈值、所述甄别结果值控制与所述设备标识对 应的设备工作。
其中，对于有活体才需工作的设备，当所述甄别结果值大于或等于所述设备 预设工作阈值时，则物联网控制系统控制与所述设备标识对应的有活体才需工作 的设备开启工作；对于无活体才需工作的设备，当所述甄别结果值小于所述设备 预设工作阈值时，则物联网控制系统控制与所述设备标识对应的无活体才需工作 的设备开启工作。
本实施例根据所述设备预设工作阈值、所述甄别结果值控制与所述设备标识 对应的设备工作，可以避免不需工作的设备开启工作，从而节约了能源，延长了 与待甄别监控点对应的设备列表中的设备的使用寿命，提升了用户体验。
如图7所示，在一个实施例中，还提出了一种基于多点定位的活体甄别方法， 所述方法包括：
S702、获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包 括：待甄别监控点和与待甄别监控点关联的其他监控点；
S704、根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应 的多点特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体 检测情况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻， 所述目标时刻为待甄别活体的时刻；
S706、将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入， 所述活体甄别模型用于对监控点是否存在活体进行甄别；
S708获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定 所述待甄别监控点在目标时刻存在活体的可能性；
S710、获取与待甄别监控点对应的设备预设功率对应表，所述设备预设功率 对应表包括与待甄别监控点对应的设备的设备标识、标准开启阈值及设备预设功 率；
其中，从数据库中获取与待甄别监控点对应的设备预设功率对应表，每个设 备标识对应设置至少一个标准开启阈值，每个标准开启阈值对应设置一个设备预 设功率。
所述与待甄别监控点对应的设备预设功率对应表中的设备包括空调、灯、加 暖器、空气净化器、消毒器，在此举例不做具体限定。
与待甄别监控点对应的设备预设功率对应表中的设备分为有活体才需工作 的设备、无活体才需工作的设备
S712、根据所述甄别结果值、所述标准开启阈值、所述设备预设功率确定与 所述设备标识对应的待处理工作功率；
其中，对于有活体才需工作的设备，当所述甄别结果值大于或等于所述标准 开启阈值，则将与所述标准开启阈值对应的所述设备预设功率作为与所述设备标 识对应的待处理工作功率；对于无活体才需工作的设备，当所述甄别结果值小于 所述标准开启阈值，则将与所述标准开启阈值对应的所述设备预设功率作为与所 述设备标识对应的待处理工作功率。
S714、从与所述设备标识对应的待处理工作功率中选择最大值作为与所述设 备标识对应的目标工作功率；
具体而言，从所有与所述设备标识对应的待处理工作功率中选择最大值作为 与所述设备标识对应的目标工作功率。
S716、根据与所述设备标识对应的目标工作功率控制与所述设备标识对应的 设备工作。
其中，物联网控制系统使与所述设备标识对应的设备以与所述设备标识对应 的目标工作功率作为工作功率进行工作。
本实施例根据所述甄别结果值、所述标准开启阈值、所述设备预设功率确定 与所述设备标识对应的待处理工作功率，根据待处理工作功率确定目标工作功率， 再根据目标工作功率控制与所述设备标识对应的设备工作，从而实现了对设备的 精准控制，提高了用户的体验。
如图8所示，在一个实施例中，提出了一种基于多点定位的活体甄别装置， 所述装置包括：
数据提取模块802，用于获取多个监控点的检测设备发送的活体检测数据， 所述多个监控点包括：待甄别监控点和与待甄别监控点关联的其他监控点，根据 每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点特征向量， 所述多点特征向量用于指示多个所述监控点在多个时刻的活体检测情况，所述多 个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻，所述目标时刻为 待甄别活体的时刻；
活体甄别模块814，用于将与所述待甄别监控点对应的多点特征向量作为活 体甄别模型的输入，所述活体甄别模型用于对监控点是否存在活体进行甄别，获 取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述待甄别 监控点在目标时刻存在活体的可能性。
本实施例的基于多点定位的活体甄别装置得到的甄别结果值是在获取待甄 别监控点和与待甄别监控点关联的其他监控点的检测设备发送的活体检测数据， 根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点特征 向量，将与所述待甄别监控点对应的多点特征向量输入活体甄别模型对监控点是 否存在活体进行甄别得到的，因此甄别结果值与待甄别监控点和与待甄别监控点 关联的其他监控点同时相关。待甄别监控点和与待甄别监控点关联的其他监控点 属于同一场景，活体进入该场景后将处于其中一个监控点的检测范围，活体要么 在待甄别监控点，要么在与待甄别监控点关联的其他监控点，因此与待甄别监控 点关联的其他监控点的活体检测数据可以用于辅助甄别待甄别监控点是否存在 活体。当待甄别监控点的检测设备不报活体检测数据时，虽然待甄别监控点的活 体检测数据异常，因甄别结果值与待甄别监控点和与待甄别监控点关联的其他监 控点同时相关，又因与待甄别监控点关联的其他监控点的活体检测数据可以用于 辅助甄别待甄别监控点是否存在活体，根据本发明计算得到待甄别监控点的甄别 结果值具有较高的准确性，相对现有技术物联网根据具有较高的准确性的甄别结 果值提供智能服务，从而提高了物联网提供智能服务的准确性。因此，本发明在 检测设备不报活体检测数据时待甄别监控点的甄别结果值具有较高的准确性，提 高了物联网提供智能服务的准确性。
在一个实施例中，还包括设备开启管理模块806，所述设备开启管理模块用 于获取与所述待甄别监控点对应的设备列表，所述设备列表包括与所述待甄别监 控点对应的设备的设备标识及设备预设工作阈值，根据所述设备预设工作阈值、 所述甄别结果值控制与所述设备标识对应的设备工作。
在一个实施例中，还包括设备功率管理模块808，所述设备功率管理模块用 于获取与所述待甄别监控点对应的设备预设功率对应表，所述设备预设功率对应 表包括与所述待甄别监控点对应的设备的设备标识、标准开启阈值及设备预设功 率，根据所述甄别结果值、所述标准开启阈值、所述设备预设功率确定与所述设 备标识对应的待处理工作功率，从与所述设备标识对应的待处理工作功率中选择 最大值作为与所述设备标识对应的目标工作功率，根据与所述设备标识对应的目 标工作功率控制与所述设备标识对应的设备工作。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以 是终端，也可以是服务器。如图9所示，该计算机设备包括通过系统总线连接的 处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。 该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该 计算机程序被处理器执行时，可使得处理器实现基于多点定位的活体甄别方法。 该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处 理器执行基于多点定位的活体甄别方法。本领域技术活体可以理解，图9中示出 的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所 应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或 更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的一种基于多点定位的活体甄别方法可以实现 为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计 算机设备的存储器中可存储组成的一种基于多点定位的活体甄别装置的各个程 序模板。比如，数据提取模块802、活体甄别模块804、设备开启管理模块806、 设备功率管理模块808。
在一个实施例中，提出了一种存储介质，存储有计算机指令程序，所述计算 机指令程序被处理器执行时，使得所述处理器执行时实现如下方法步骤：
获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包括：待 甄别监控点和与待甄别监控点关联的其他监控点；
根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点 特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体检测情 况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻，所述 目标时刻为待甄别活体的时刻；
将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入，所述 活体甄别模型用于对监控点是否存在活体进行甄别；
获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述 待甄别监控点在目标时刻存在活体的可能性。
在一个实施例中，提出了一种计算机设备，包括至少一个存储器、至少一个 处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器 执行时，使得所述处理器实现如下方法步骤：
获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包括：待 甄别监控点和与待甄别监控点关联的其他监控点；
根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点 特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体检测情 况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻，所述 目标时刻为待甄别活体的时刻；
将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入，所述 活体甄别模型用于对监控点是否存在活体进行甄别；
获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述 待甄别监控点在目标时刻存在活体的可能性。
需要说明的是，上述基于一种多点定位的活体甄别方法、一种基于多点定位 的活体甄别装置、存储介质及计算机设备属于一个总的发明构思，一种多点定位 的活体甄别方法、一种基于多点定位的活体甄别装置、存储介质及计算机设备实 施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是 可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性 计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流 程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它 介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括 只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除 可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者 外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率 SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线 动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实 施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的 组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进， 这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求 为准。

Claims (11)

1.一种基于多点定位的活体甄别方法，所述方法包括：
获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包括：待甄别监控点和与待甄别监控点关联的其他监控点；
根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体检测情况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻，所述目标时刻为待甄别活体的时刻；
将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入，所述活体甄别模型用于对监控点是否存在活体进行甄别；
获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述待甄别监控点在目标时刻存在活体的可能性。
2.根据权利要求1所述的基于多点定位的活体甄别方法，其特征在于，所述根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点特征向量，包括：
根据每个监控点发送的活体检测数据，确定与每个监控点对应的单点特征向量，所述单点特征向量用于指示一个监控点在所述多个时刻的活体检测情况；
根据所述待甄别监控点与其他监控点的关联关系和所述与每个监控点对应的单点特征向量，确定与所述待甄别监控点对应的多点特征向量。
3.根据权利要求2所述的基于多点定位的活体甄别方法，其特征在于，所述根据每个监控点发送的活体检测数据，确定与每个监控点对应的单点特征向量，包括：
获取预设提取时长和所述目标时刻；
根据所述预设提取时长和所述目标时刻分别从每个监控点发送的活体检测数据中，获取与每个监控点对应的目标检测数据；
根据与每个监控点对应的目标检测数据，得到与每个监控点对应的单点特征向量。
4.根据权利要求2所述的基于多点定位的活体甄别方法，其特征在于，所述根据所述待甄别监控点与其他监控点的关联关系和所述与每个监控点对应的单点特征向量，确定与所述待甄别监控点对应的多点特征向量，包括：
获取与待甄别监控点直接关联的监控点，将与待甄别监控点直接关联的监控点对应的单点特征向量进行拼接，得到直接关联特征向量，其中，所述与待甄别监控点直接关联的监控点包括所述待甄别监控点；
获取与待甄别监控点间接关联的监控点，将与待甄别监控点间接关联的监控点对应的单点特征向量进行拼接，得到间接关联特征向量；
根据所述直接关联特征向量和所述间接关联特征向量确定与所述待甄别监控点对应的多点特征向量。
5.根据权利要求1所述的基于多点定位的活体甄别方法，其特征在于，所述活体甄别模型采用如下方式训练得到：
获取多个多点特征向量样本；
将所述多点特征向量样本按线性回归函数进行线性回归分析，得到与每个多点特征向量样本对应的目标拟合值；
将与每个多点特征向量样本对应的目标拟合值按预设映射函数进行离散映射，得到与每个多点特征向量样本对应的目标离散值；
根据与每个多点特征向量样本对应的目标离散值、与每个多点特征向量样本对应的活体标定值，采用梯度下降优化方法进行训练，得到已训练的所述活体甄别模型。
6.根据权利要求5所述的基于多点定位的活体甄别方法，其特征在于，所述根据与每个多点特征向量样本对应的目标离散值、与每个多点特征向量样本对应的活体标定值，采用梯度下降优化方法进行训练，得到已训练的所述活体甄别模型，包括：
根据与每个多点特征向量样本对应的目标离散值、与每个多点特征向量样本对应的活体标定值按照预设损失函数进行计算得到损失值，根据所述损失值按照预设更新函数计算得到待更新值，根据所述待更新值更新所述的待更新参数，将更新后的所述线性回归函数用于下一次计算所述与每个多点特征向量样本对应的目标拟合值；
重复执行上述方法步骤直至所述损失值达到第一收敛条件或迭代次数达到第二收敛条件，以得到所述已训练的所述活体甄别模型。
7.根据权利要求1至6任一项所述的基于多点定位的活体甄别方法，其特征在于，在获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述待甄别监控点在目标时刻存在活体的可能性之后，还包括：
获取与所述待甄别监控点对应的设备列表，所述设备列表包括与所述待甄别监控点对应的设备的设备标识及设备预设工作阈值；
根据所述设备预设工作阈值、所述甄别结果值控制与所述设备标识对应的设备工作。
8.根据权利要求1至6任一项所述的基于多点定位的活体甄别方法，其特征在于，获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述待甄别监控点在目标时刻存在活体的可能性之后，还包括：
获取与所述待甄别监控点对应的设备预设功率对应表，所述设备预设功率对应表包括与所述待甄别监控点对应的设备的设备标识、标准开启阈值及设备预设功率；
根据所述甄别结果值、所述标准开启阈值、所述设备预设功率确定与所述设备标识对应的待处理工作功率；
从与所述设备标识对应的待处理工作功率中选择最大值作为与所述设备标识对应的目标工作功率；
根据与所述设备标识对应的目标工作功率控制与所述设备标识对应的设备工作。
9.一种基于多点定位的活体甄别装置，其特征在于，所述装置包括：
数据提取模块，用于获取多个监控点的检测设备发送的活体检测数据，所述多个监控点包括：待甄别监控点和与待甄别监控点关联的其他监控点，根据每个监控点发送的活体检测数据，确定与所述待甄别监控点对应的多点特征向量，所述多点特征向量用于指示多个所述监控点在多个时刻的活体检测情况，所述多个时刻包括目标时刻以及在所述目标时刻之前的至少一个时刻，所述目标时刻为待甄别活体的时刻；
活体甄别模块，用于将与所述待甄别监控点对应的多点特征向量作为活体甄别模型的输入，所述活体甄别模型用于对监控点是否存在活体进行甄别，获取所述活体甄别模型输出的甄别结果值，并基于所述甄别结果值确定所述待甄别监控点在目标时刻存在活体的可能性。
10.一种存储介质，存储有计算机指令程序，其特征在于，所述计算机指令程序被处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
11.一种计算机设备，其特征在于，包括至少一个存储器、至少一个处理器，所述存储器存储有计算机指令程序，所述计算机指令程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
CN202010123146.0A 2020-02-27 2020-02-27 基于多点定位的活体甄别方法、装置、设备及存储介质 Active CN111368681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010123146.0A CN111368681B (zh) 2020-02-27 2020-02-27 基于多点定位的活体甄别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010123146.0A CN111368681B (zh) 2020-02-27 2020-02-27 基于多点定位的活体甄别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111368681A true CN111368681A (zh) 2020-07-03
CN111368681B CN111368681B (zh) 2023-09-01

Family

ID=71206388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010123146.0A Active CN111368681B (zh) 2020-02-27 2020-02-27 基于多点定位的活体甄别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111368681B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102233A (zh) * 2020-08-05 2020-12-18 深圳市第二人民医院(深圳市转化医学研究院) 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956515A (zh) * 2016-04-20 2016-09-21 西安电子科技大学 基于极成像的立体-高光谱人脸识别方法
CN108681699A (zh) * 2018-05-04 2018-10-19 上海像我信息科技有限公司 一种基于深度学习的视线估计方法及视线估计装置
CN109858381A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 活体检测方法、装置、计算机设备和存储介质
CN110032490A (zh) * 2018-12-28 2019-07-19 中国银联股份有限公司 用于检测系统异常的方法及其装置
CN110309767A (zh) * 2019-06-28 2019-10-08 广州致远电子有限公司 活体检测设备、识别方法、装置及存储介质
CN110738103A (zh) * 2019-09-04 2020-01-31 北京奇艺世纪科技有限公司 活体检测方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956515A (zh) * 2016-04-20 2016-09-21 西安电子科技大学 基于极成像的立体-高光谱人脸识别方法
CN108681699A (zh) * 2018-05-04 2018-10-19 上海像我信息科技有限公司 一种基于深度学习的视线估计方法及视线估计装置
CN110032490A (zh) * 2018-12-28 2019-07-19 中国银联股份有限公司 用于检测系统异常的方法及其装置
CN109858381A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 活体检测方法、装置、计算机设备和存储介质
CN110309767A (zh) * 2019-06-28 2019-10-08 广州致远电子有限公司 活体检测设备、识别方法、装置及存储介质
CN110738103A (zh) * 2019-09-04 2020-01-31 北京奇艺世纪科技有限公司 活体检测方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102233A (zh) * 2020-08-05 2020-12-18 深圳市第二人民医院(深圳市转化医学研究院) 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质
CN112102233B (zh) * 2020-08-05 2023-12-26 深圳市第二人民医院(深圳市转化医学研究院) 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111368681B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
JP7188255B2 (ja) 学習方法、学習プログラムおよび学習装置
CN109595763B (zh) 空调系统的控制策略优化方法、装置和计算机设备
CN109194913B (zh) 监控视频数据的处理方法、装置、设备及介质
US10833888B2 (en) IoT device plug-in method and device in data analysis-based automation systems
DE102016010048B4 (de) Maschinelles lernverfahren und vorrichtung zum maschinellen lernen zum erlernen eines betriebsbefehls an einen elektromotor sowie steuerung und elektromotorvorrichtung einschliesslich vorrichtung zum maschinellen lernen
CN107120794B (zh) 空调器运行工况调节方法及空调器
CN110942228A (zh) 能耗控制方法、装置、计算机设备与存储介质
CN111368681A (zh) 基于多点定位的活体甄别方法、装置、设备及存储介质
US20220137578A1 (en) Control system for equipment device
CN112450080A (zh) 一种温度调节方法、装置、系统及存储介质
CN110410982B (zh) 送风设备及其送风量控制方法、装置、存储介质和系统
CN114838470A (zh) 一种暖通空调的控制方法和系统
CN110211343B (zh) 实验室管理方法、系统、计算机设备和存储介质
CN110398375B (zh) 车辆冷却系统工作状态的监测方法、装置、设备和介质
EP3754264A1 (en) Heating, ventilation, and air conditioning (hvac) control system
EP2911018A1 (en) Building automation system using a predictive model
CN117236559A (zh) 一种基于物联网的智能充电桩数据分析方法和装置
CN109270849B (zh) 一种建筑电器协同控制下的安全性预警方法
CN110794701A (zh) 基于空调机器人的环境控制方法和装置
WO2021049010A1 (ja) データ収集装置、データ収集システムおよびデータ収集方法
CN111322729B (zh) 空调控制方法、装置、系统、设备和存储介质
CN108366003B (zh) 家居服务框架创建方法、调用方法、装置、服务器及介质
CN114992703B (zh) 采暖炉控制方法、装置、设备及存储介质
CN117408680B (zh) 一种基于物联网的智能化配电房管理方法及系统
CN117422425B (zh) 一种基于即时通讯的现场安全隐患管理方法及系统

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