CN112528695B - 识别方法、装置、设备及计算机可读存储介质 - Google Patents

识别方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112528695B
CN112528695B CN202011510835.3A CN202011510835A CN112528695B CN 112528695 B CN112528695 B CN 112528695B CN 202011510835 A CN202011510835 A CN 202011510835A CN 112528695 B CN112528695 B CN 112528695B
Authority
CN
China
Prior art keywords
wireless device
category
near field
field communication
wireless
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
Application number
CN202011510835.3A
Other languages
English (en)
Other versions
CN112528695A (zh
Inventor
奚智
姜哲
邹仕洪
张广伟
黄浩东
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.)
Yuanxin Technology
Original Assignee
Yuanxin Technology
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 Yuanxin Technology filed Critical Yuanxin Technology
Priority to CN202011510835.3A priority Critical patent/CN112528695B/zh
Publication of CN112528695A publication Critical patent/CN112528695A/zh
Application granted granted Critical
Publication of CN112528695B publication Critical patent/CN112528695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G06K19/07—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips
    • G06K19/0723—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips the record carrier comprising an arrangement for non-contact communication, e.g. wireless communication circuits on transponder cards, non-contact smart cards or RFIDs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10237—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the reader and the record carrier being capable of selectively switching between reader and record carrier appearance, e.g. in near field communication [NFC] devices where the NFC device may function as an RFID reader or as an RFID tag
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Toxicology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例提供了一种识别方法、装置、设备及计算机可读存储介质，该方法应用于终端，包括：接收无线设备发送的请求信息；根据请求信息，确定无线设备对应的指纹特征向量；将指纹特征向量输入至预设的分类模型，得到无线设备的类别；确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。该方法实现了终端对无线设备的类别识别，终端自动调用与无线设备的类别相匹配的近场通信卡，从而完成自动刷卡操作。

Description

识别方法、装置、设备及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，具体而言，本申请涉及一种识别方法、装置、设备及计算机可读存储介质。
背景技术
现有技术中移动终端通过嵌入了NFC(Near Field Communication，近场通信)模块与受理终端非接触靠近来建立射频通信链接，实现数据快速传输；其中，受理终端为无线设备，例如嵌入NFC模块的POS(Pointofsales，销售点)机、NFC读写器等。因为使用上的简易性特点，只须简单接触或靠近具有NFC功能的设备，便可启动所需的服务。NFC技术在移动终端得到广泛的应用，典型应用场景主要包括：移动支付、权限及访问控制、数据传输与交换、读取信息和消费等领域。
随着移动终端NFC技术发展和广泛应用，移动终端已经实现了近场通信NFC卡模拟，一个移动终端可以模拟多个NFC卡，例如门禁卡、公交卡、信用卡等，同时又会面对多个NFC读写器。现有技术只是基于(主动设备端)NFC读写器对移动终端(被动设备端)进行识别，在这种情况下，移动终端用户处于被动地位并会带来工作和生活上的不便。例如，用户进行刷卡操作前需要在多个模拟的NFC卡进行人工切换，降低了NFC卡使用上的简易性优势。
发明内容
本申请针对现有的方式的缺点，提出一种识别方法、装置、电子设备及计算机可读存储介质，用以解决终端如何自动调用与无线设备相匹配的近场通信卡，从而完成自动刷卡操作的问题。
第一方面，本申请提供了一种识别方法，应用于终端，包括：
接收无线设备发送的请求信息；
根据请求信息，确定无线设备对应的指纹特征向量；
将指纹特征向量输入至预设的分类模型，得到无线设备的类别；
确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。
在一个实施例中，根据请求信息，确定无线设备对应的指纹特征向量，包括：
将请求信息对应的射频信号通过预处理，得到频域信号；
将频域信号通过预设的高阶谱分析算法的处理，得到无线设备对应的指纹特征向量。
在一个实施例中，预处理包括射频信号的下变频处理、射频信号的相位补偿处理、射频信号的能量归一化处理中的至少一项。
在一个实施例中，将指纹特征向量输入至预设的分类模型，得到无线设备的类别，包括：
将指纹特征向量和请求信息包括的特征数据输入至预设的分类模型，得到无线设备的类别；特征数据包括无线设备的刷卡时间数据、无线设备的位置数据、无线设备的刷卡方向数据中的至少一项。
在一个实施例中，确定与类别相匹配的终端的近场通信卡，包括：
根据无线设备的类别，对无线设备进行标识，得到无线设备的标签，无线设备的标签用于表征无线设备的类别；
当无线设备的标签与预设的关系列表包括的至少一个近场通信卡中一个近场通信卡的标签相同，则确定一个近场通信卡与无线设备的类别相匹配，一个近场通信卡的标签表征与一个近场通信卡相匹配的无线设备的类别。
在一个实施例中，分类模型为深度神经网络模型。
第二方面，本申请提供了一种识别装置，应用于终端，包括：
第一处理模块，用于接收无线设备发送的请求信息；
第二处理模块，用于根据请求信息，确定无线设备对应的指纹特征向量；
第三处理模块，用于将指纹特征向量输入至预设的分类模型，得到无线设备的类别；
第四处理模块，用于确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。
在一个实施例中，第二处理模块，具体用于将请求信息对应的射频信号通过预处理，得到频域信号；将频域信号通过预设的高阶谱分析算法的处理，得到无线设备对应的指纹特征向量。
在一个实施例中，预处理包括射频信号的下变频处理、射频信号的相位补偿处理、射频信号的能量归一化处理中的至少一项。
在一个实施例中，第三处理模块，具体用于将指纹特征向量和请求信息包括的特征数据输入至预设的分类模型，得到无线设备的类别；特征数据包括无线设备的刷卡时间数据、无线设备的位置数据、无线设备的刷卡方向数据中的至少一项。
在一个实施例中，第四处理模块，具体用于根据无线设备的类别，对无线设备进行标识，得到无线设备的标签，无线设备的标签用于表征无线设备的类别；当无线设备的标签与预设的关系列表包括的至少一个近场通信卡中一个近场通信卡的标签相同，则确定一个近场通信卡与无线设备的类别相匹配，一个近场通信卡的标签表征与一个近场通信卡相匹配的无线设备的类别。
在一个实施例中，分类模型为深度神经网络模型。
第三方面，本申请提供了一种电子设备，包括：处理器、存储器和总线；
总线，用于连接处理器和存储器；
存储器，用于存储操作指令；
处理器，用于通过调用操作指令，执行本申请第一方面的识别方法。
第四方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被用于执行本申请第一方面的识别方法。
本申请实施例提供的技术方案，至少具有如下有益效果：
终端接收无线设备发送的请求信息；根据请求信息，确定无线设备对应的指纹特征向量；将指纹特征向量输入至预设的分类模型，得到无线设备的类别；确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。如此，实现了终端对无线设备的类别识别，终端自动调用与无线设备的类别相匹配的近场通信卡，从而完成自动刷卡操作。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的系统架构的示意图；
图2为本申请实施例提供的一种识别方法的流程示意图；
图3为本申请实施例提供的另一种识别方法的流程示意图；
图4为本申请实施例提供的一种识别装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
下面详细描述本申请的实施例，该实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为了更好的理解及说明本申请实施例的方案，下面对本申请实施例中所涉及到的一些技术用语进行简单说明。
下变频：在接收机中，如果经过混频后得到的中频信号比原始信号低，那么此种混频方式叫做下变频；下变频的目的是为了降低信号的载波频率或是直接去除载波频率得到基带信号。
相位补偿：在基本放大器或反馈网络中增加一些C或RC元件,以增大相位裕度的补偿。
能量归一化：添加功率归一化因子，目的在于使得不同调制方式都能够取得相同的平均功率。
高阶谱分析：高阶谱估计随机过程高阶累积量的多维傅里叶变换。
深度神经网络：深度神经网络是机器学习(ML，Machine Learning)领域中一种技术；其中，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
VGG模型：VGG(Visual Geometry Group，视觉几何组)又分为VGG16和VGG19，分别在AlexNet的基础上将层数增加到16层和19层，对目标检测有很好的识别效果。
GoogLeNet模型：GoogLeNet除了层数加深到22层以外，主要的创新在于GoogLeNet的Inception，Inception是一种网中网(Network In Network)的结构；用了Inception之后整个GoogLeNet网络结构的宽度和深度都可扩大。
ResNet模型：残差网络ResNet直接将深度拉到了152层，ResNet主要的创新在于残差网络，ResNet本质上是要解决层次比较深时无法训练的问题。
Inception-ResNet-v2模型：Inception-ResNet-v2将深度和宽带融合到一起，将Inception v3与ResNet结合而成的。
本申请实施例提供的一种系统架构的示意图如图1所示，该系统架构包括：终端和无线设备，其中，终端例如图1中终端110，无线设备例如图1中的无线设备120。终端110通过嵌入了NFC(Near Field Communication，近场通信)模块与无线设备120非接触靠近来建立射频通信链接，实现数据快速传输。终端110可以为移动终端，无线设备120可以为嵌入NFC模块的POS机、NFC读写器等。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请实施例中提供了一种识别方法，应用于终端，该方法的流程示意图如图2所示，该方法包括：
S101，接收无线设备发送的请求信息。
在一个实施例中，请求信息为请求指令。无线设备为NFC读写器，终端为移动终端。NFC读写器为了能够随时读取靠近的移动终端中模拟的NFC卡，NFC读写器基于轮询周期进行轮询循环，NFC读写器发出请求指令；NFC读写器等待工作场内的NFC卡的响应，直至NFC读写器获取NFC卡回发的应答信号；移动终端经防冲突机制选择进行通信的NFC卡，激活该NFC卡与NFC读写器建立连接，使该NFC卡与NFC读写器之间交互数据，从而完成近场通信。移动终端中模拟的NFC卡可以是门禁卡、公交卡、信用卡等。
在一个实施例中，NFC读写器轮询循环中的轮询周期射频信号分为三个阶段，其中，第一阶段，NFC读写器由未调制射频信号，到开始对载波信号进行调制以嵌入请求指令，并得到调制载波信号；第二阶段，该调制载波信号保持稳定传输；第三阶段，该调制载波信号转为未调制载波信号。轮询周期射频信号在这三个阶段中都为稳态信号。
S102，根据请求信息，确定无线设备对应的指纹特征向量。
在一个实施例中，请求信息可以为轮询周期射频信号；无线设备为NFC读写器，NFC读写器对应的指纹特征向量表征NFC读写器的稳态指纹特征。不同的NFC读写器对应不同的NFC读写器硬件，不同的NFC读写器硬件上的差异会反映在轮询周期射频信号中，通过分析接收到的轮询周期射频信号就可以提取出NFC读写器的稳态指纹特征。
在一个实施例中，根据请求信息，确定无线设备对应的指纹特征向量，包括：
将请求信息对应的射频信号通过预处理，得到频域信号；
将频域信号通过预设的高阶谱分析算法的处理，得到无线设备对应的指纹特征向量。
在一个实施例中，将频域信号通过预设的高阶谱分析算法，即局部积分双谱的特征提取算法，可以保留频域信号的幅度和相位信息，抑制高斯有色噪声对非高斯信号的干扰，抑制非高斯有色噪声的影响，得到稳态指纹特征；基于与轮询周期对应的时序，将稳态指纹特征转换为NFC读写器对应的指纹特征向量，该指纹特征向量用以表征NFC读写器的稳态指纹特征。
在一个实施例中，预处理包括射频信号的下变频处理、射频信号的相位补偿处理、射频信号的能量归一化处理中的至少一项。
在一个实施例中，对采集到的轮询周期射频信号进行下变频、相位补偿、能量归一化等预处理，得到频域信号。
S103，将指纹特征向量输入至预设的分类模型，得到无线设备的类别。
在一个实施例中，无线设备的类别包括地铁的无线设备、小区的无线设备、写字楼的无线设备等。
在一个实施例中，分类模型为深度神经网络模型。
在一个实施例中，深度神经网络模型可以是VGG模型、GoogLeNet模型、ResNet模型、Inception-ResNet-v2模型等。
在一个实施例中，构建深度神经网络模型作为待训练的分类模型，即分类器模型。将训练数据输入至待训练的分类模型，对待训练的分类模型进行训练，得到预设的分类模型。训练数据包括训练用的指纹特征向量和训练用的特征数据，训练用的特征数据包括NFC读写器的刷卡时间数据、NFC读写器的位置数据、NFC读写器的刷卡方向数据等；其中，NFC读写器的刷卡方向数据用于表征NFC读写器的刷卡姿态，例如横刷等。
在一个实施例中，将指纹特征向量输入至预设的分类模型，得到无线设备的类别，包括：
将指纹特征向量和请求信息包括的特征数据输入至预设的分类模型，得到无线设备的类别；特征数据包括无线设备的刷卡时间数据、无线设备的位置数据、无线设备的刷卡方向数据中的至少一项。
在一个实施例中，将NFC读写器对应的指纹特征向量和请求信息包括的特征数据输入至预设的分类模型，得到NFC读写器的类别；特征数据包括NFC读写器的刷卡时间数据、NFC读写器的位置数据和NFC读写器的刷卡方向数据；NFC读写器的类别，例如，地铁的NFC读写器、小区的NFC读写器、写字楼的NFC读写器等。
S104，确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。
在一个实施例中，移动端基于射频设备识别结果加载并模拟目标NFC卡，NFC读写器与模拟NFC卡间完成正常交互工作。
在一个实施例中，确定与类别相匹配的终端的近场通信卡，包括：
根据无线设备的类别，对无线设备进行标识，得到无线设备的标签，无线设备的标签用于表征无线设备的类别；
当无线设备的标签与预设的关系列表包括的至少一个近场通信卡中一个近场通信卡的标签相同，则确定一个近场通信卡与无线设备的类别相匹配，一个近场通信卡的标签表征与一个近场通信卡相匹配的无线设备的类别。
在一个实施例中，根据NFC读写器的类别，对NFC读写器进行打标签key，将key作为NFC读写器的classID类别标识，其中，key为NFC读写器的标签。终端存储预设的关系列表，该预设的关系列表包括NFC读写器的类别与终端中各个NFC卡的对应关系。当NFC读写器的标签与预设的关系列表包括的一个NFC卡的标签相同，则确定该NFC卡与NFC读写器的类别相匹配；终端将调用该NFC卡与NFC读写器进行通信。
本申请实施例中，终端接收无线设备发送的请求信息；根据请求信息，确定无线设备对应的指纹特征向量；将指纹特征向量输入至预设的分类模型，得到无线设备的类别；确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。如此，实现了终端对无线设备的类别识别，终端自动调用与无线设备的类别相匹配的近场通信卡，从而完成自动刷卡操作。
为了更好的理解本申请实施例所提供的方法，下面结合具体应用场景的示例对本申请实施例的方案进行进一步说明。
本申请实施例所提供的方法应用于各种不同的近场通信场景，例如移动支付、权限及访问控制、数据传输与交换、读取信息和消费等领域。
本申请实施例中提供了另一种识别方法，该方法的流程示意图如图3所示，该方法包括：
S201，移动终端靠近小区门禁的NFC读写器，接收NFC读写器发送的请求信息。
在一个实施例中，移动终端可以是智能手机，当智能手机与NFC读写器的距离小于预设距离，则智能手机可以接收到NFC读写器发送的请求信息。请求信息可以为NFC读写器发送的轮询周期射频信号。
S202，移动终端将请求信息对应的轮询周期射频信号通过预处理，得到频域信号。
在一个实施例中，预处理包括下变频、相位补偿和能量归一化；移动终端将请求信息对应的轮询周期射频信号通过下变频、相位补偿和能量归一化，得到频域信号。
S203，移动终端将频域信号通过预设的高阶谱分析算法的处理，得到NFC读写器对应的得到稳态指纹特征。
在一个实施例中，高阶谱分析算法可以是局部积分双谱的特征提取算法。
S204，移动终端将稳态指纹特征转换为NFC读写器对应的指纹特征向量。
在一个实施例中，指纹特征向量用以表征NFC读写器的稳态指纹特征。
S205，移动终端将NFC读写器对应的指纹特征向量和请求信息包括的特征数据输入至预设的分类模型，得到NFC读写器的类别。
在一个实施例中，特征数据包括NFC读写器的刷卡时间数据、NFC读写器的位置数据和NFC读写器的刷卡方向数据；例如，刷卡时间数据包括小区门禁的NFC读写器发送请求信息给移动终端的时间，NFC读写器的位置数据包括NFC读写器的位置坐标，NFC读写器的刷卡方向数据包括移动终端中的模拟NFC卡对NFC读写器进行刷卡操作的方向。
S206，移动终端根据NFC读写器的类别，对NFC读写器进行标识，得到NFC读写器的标签。
在一个实施例中，移动终端根据NFC读写器的类别，即小区的NFC读写器，对NFC读写器进行标识，得到NFC读写器的标签，该标签的值表征该NFC读写器的类别为小区的NFC读写器。
S207，移动终端确定与NFC读写器相匹配的NFC卡。
在一个实施例中，当NFC读写器的标签的值与移动终端中预设的关系列表包括的一个NFC卡的标签的值相同，则确定该NFC卡与NFC读写器的类别相匹配。
S208，移动终端调用一个NFC卡与NFC读写器进行通信。
在一个实施例中，移动终端从预设的关系列表包括的多个NFC卡中调用一个NFC卡，使该NFC卡与NFC读写器之间进行刷卡操作，当NFC读写器识别该NFC卡具有进入小区权限，门禁自动打开；其中，该NFC卡与NFC读写器的类别相匹配。
本申请实施例中，实现了移动终端对NFC读写器的稳态指纹特征提取；基于稳态指纹特征，实现了移动终端对NFC读写器类别的识别，得到表征NFC读写器类别的标签；基于移动终端存储的NFC读写器和模拟NFC卡的关系列表，移动终端通过表征NFC读写器类别的标签，为NFC读写器匹配到移动终端中的模拟NFC卡，移动终端调用该模拟NFC卡与NFC读写器进行通信；实现了移动终端对NFC读写器的智能识别。针对多个不同近场通信场景，移动终端可以对多个模拟NFC卡进行自动切换，从而完成移动终端针对多个不同场景的自动NFC刷卡操作。
基于相同的发明构思，本申请实施例还提供了一种识别装置，应用于终端，该装置的结构示意图如图4所示，识别装置40，包括第一处理模块401、第二处理模块402、第三处理模块403和第四处理模块404。
第一处理模块401，用于接收无线设备发送的请求信息；
第二处理模块402，用于根据请求信息，确定无线设备对应的指纹特征向量；
第三处理模块403，用于将指纹特征向量输入至预设的分类模型，得到无线设备的类别；
第四处理模块404，用于确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。
在一个实施例中，第二处理模块402，具体用于将请求信息对应的射频信号通过预处理，得到频域信号；将频域信号通过预设的高阶谱分析算法的处理，得到无线设备对应的指纹特征向量。
在一个实施例中，预处理包括射频信号的下变频处理、射频信号的相位补偿处理、射频信号的能量归一化处理中的至少一项。
在一个实施例中，第三处理模块403，具体用于将指纹特征向量和请求信息包括的特征数据输入至预设的分类模型，得到无线设备的类别；特征数据包括无线设备的刷卡时间数据、无线设备的位置数据、无线设备的刷卡方向数据中的至少一项。
在一个实施例中，第四处理模块404，具体用于根据无线设备的类别，对无线设备进行标识，得到无线设备的标签，无线设备的标签用于表征无线设备的类别；当无线设备的标签与预设的关系列表包括的至少一个近场通信卡中一个近场通信卡的标签相同，则确定一个近场通信卡与无线设备的类别相匹配，一个近场通信卡的标签表征与一个近场通信卡相匹配的无线设备的类别。
在一个实施例中，分类模型为深度神经网络模型。
应用本申请实施例，至少具有如下有益效果：
终端接收无线设备发送的请求信息；根据请求信息，确定无线设备对应的指纹特征向量；将指纹特征向量输入至预设的分类模型，得到无线设备的类别；确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。如此，实现了终端对无线设备的类别识别，终端自动调用与无线设备的类别相匹配的近场通信卡，从而完成自动刷卡操作。
基于相同的发明构思，本申请实施例还提供了一种电子设备，该电子设备的结构示意图如图5所示，该电子设备9000包括至少一个处理器9001、存储器9002和总线9003，至少一个处理器9001均与存储器9002电连接；存储器9002被配置用于存储有至少一个计算机可执行指令，处理器9001被配置用于执行该至少一个计算机可执行指令，从而执行如本申请中任意一个实施例或任意一种可选实施方式提供的任意一种识别方法的步骤。
进一步，处理器9001可以是FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其它具有逻辑处理能力的器件，如MCU(Microcontroller Unit，微控制单元)、CPU(Central Process Unit，中央处理器)。
应用本申请实施例，至少具有如下有益效果：
终端接收无线设备发送的请求信息；根据请求信息，确定无线设备对应的指纹特征向量；将指纹特征向量输入至预设的分类模型，得到无线设备的类别；确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。如此，实现了终端对无线设备的类别识别，终端自动调用与无线设备的类别相匹配的近场通信卡，从而完成自动刷卡操作。
基于相同的发明构思，本申请实施例还提供了另一种计算机可读存储介质，存储有计算机程序，该计算机程序用于被处理器执行时实现本申请中任意一个实施例或任意一种可选实施方式提供的任意一种识别方法的步骤。
本申请实施例提供的计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(RandomAccess Memory，随即存储器)、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读存储介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
应用本申请实施例，至少具有如下有益效果：
终端接收无线设备发送的请求信息；根据请求信息，确定无线设备对应的指纹特征向量；将指纹特征向量输入至预设的分类模型，得到无线设备的类别；确定与类别相匹配的终端的近场通信卡，以用于使近场通信卡与无线设备进行通信。如此，实现了终端对无线设备的类别识别，终端自动调用与无线设备的类别相匹配的近场通信卡，从而完成自动刷卡操作。
本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本申请公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (9)

1.一种识别方法，应用于终端，其特征在于，包括：
接收无线设备发送的请求信息；
根据所述请求信息，确定所述无线设备对应的指纹特征向量；
将所述指纹特征向量输入至预设的分类模型，得到所述无线设备的类别；
确定与所述类别相匹配的所述终端的近场通信卡，以用于使所述近场通信卡与所述无线设备进行通信；
所述将所述指纹特征向量输入至预设的分类模型，得到所述无线设备的类别，包括：
将所述指纹特征向量和所述请求信息包括的特征数据输入至预设的分类模型，得到所述无线设备的类别；所述特征数据包括所述无线设备的刷卡时间数据、所述无线设备的位置数据、所述无线设备的刷卡方向数据中的至少一项。
2.根据权利要求1所述的方法，其特征在于，所述根据所述请求信息，确定所述无线设备对应的指纹特征向量，包括：
将所述请求信息对应的射频信号通过预处理，得到频域信号；
将所述频域信号通过预设的高阶谱分析算法的处理，得到所述无线设备对应的指纹特征向量。
3.根据权利要求2所述的方法，其特征在于，所述预处理包括所述射频信号的下变频处理、所述射频信号的相位补偿处理、所述射频信号的能量归一化处理中的至少一项。
4.根据权利要求1所述的方法，其特征在于，所述确定与所述类别相匹配的所述终端的近场通信卡，包括：
根据所述无线设备的类别，对所述无线设备进行标识，得到所述无线设备的标签，所述无线设备的标签用于表征所述无线设备的类别；
当所述无线设备的标签与预设的关系列表包括的至少一个近场通信卡中一个近场通信卡的标签相同，则确定所述一个近场通信卡与所述无线设备的类别相匹配，所述一个近场通信卡的标签表征与所述一个近场通信卡相匹配的无线设备的类别。
5.根据权利要求1所述的方法，其特征在于，所述分类模型为深度神经网络模型。
6.一种识别装置，应用于终端，其特征在于，包括：
第一处理模块，用于接收无线设备发送的请求信息；
第二处理模块，用于根据所述请求信息，确定所述无线设备对应的指纹特征向量；
第三处理模块，用于将所述指纹特征向量输入至预设的分类模型，得到所述无线设备的类别；
第四处理模块，用于确定与所述类别相匹配的所述终端的近场通信卡，以用于使所述近场通信卡与所述无线设备进行通信；
所述第三处理模块，具体用于：
将所述指纹特征向量和所述请求信息包括的特征数据输入至预设的分类模型，得到所述无线设备的类别；所述特征数据包括所述无线设备的刷卡时间数据、所述无线设备的位置数据、所述无线设备的刷卡方向数据中的至少一项。
7.根据权利要求6所述的装置，其特征在于，所述第二处理模块，具体用于：
将所述请求信息对应的射频信号通过预处理，得到频域信号；
将所述频域信号通过预设的高阶谱分析算法的处理，得到所述无线设备对应的指纹特征向量。
8.一种电子设备，其特征在于，包括：处理器、存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于通过调用所述计算机程序，执行如权利要求1-5中任一项所述的识别方法。
9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序用于被处理器执行时实现如权利要求1-5中任一项所述的识别方法。
CN202011510835.3A 2020-12-18 2020-12-18 识别方法、装置、设备及计算机可读存储介质 Active CN112528695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011510835.3A CN112528695B (zh) 2020-12-18 2020-12-18 识别方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011510835.3A CN112528695B (zh) 2020-12-18 2020-12-18 识别方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112528695A CN112528695A (zh) 2021-03-19
CN112528695B true CN112528695B (zh) 2024-03-15

Family

ID=75001698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011510835.3A Active CN112528695B (zh) 2020-12-18 2020-12-18 识别方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112528695B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120099614A (ko) * 2012-08-27 2012-09-11 주식회사 비즈모델라인 근접 통신 제어 방법
CN105678273A (zh) * 2016-01-14 2016-06-15 上海大学 射频指纹识别技术瞬态信号的起始点检测算法
CN106599745A (zh) * 2016-11-04 2017-04-26 上海德门信息技术有限公司 可用于智能卡核验和替代的系统和方法
CN206319721U (zh) * 2016-11-30 2017-07-11 广州科升信息科技有限公司 一种基于物联网控制的防盗电子锁
CN207557987U (zh) * 2017-11-16 2018-06-29 中国华电集团公司福建分公司 应用于发电企业的人员安全管控装置
CN108604342A (zh) * 2017-01-20 2018-09-28 华为技术有限公司 基于nfc进行数据传输的方法及移动设备
CN109257071A (zh) * 2017-07-12 2019-01-22 深圳如探索科技有限公司 设备控制方法、装置及设备
CN109948650A (zh) * 2019-02-13 2019-06-28 南京中一物联科技有限公司 一种基于报文特征的智能家居设备类型判定方法
CN110020569A (zh) * 2019-03-11 2019-07-16 华为技术有限公司 自动选择nfc模拟卡的方法、电子设备及通信系统
CN110647951A (zh) * 2019-11-27 2020-01-03 南京邮电大学 基于机器学习算法的无线射频设备身份识别方法及系统
CN110958562A (zh) * 2019-11-28 2020-04-03 Oppo广东移动通信有限公司 一种调制方式选择方法及近场通信装置、存储介质
CN111027048A (zh) * 2019-12-11 2020-04-17 北京天融信网络安全技术有限公司 一种操作系统识别方法、装置、电子设备及存储介质
CN111385297A (zh) * 2020-03-04 2020-07-07 西安交通大学 无线设备指纹识别方法、系统、设备及可读存储介质
CN111464692A (zh) * 2020-03-30 2020-07-28 RealMe重庆移动通信有限公司 近场通信卡片确定方法、装置、存储介质及电子设备
CN111866876A (zh) * 2020-06-02 2020-10-30 东南大学 一种基于频偏预处理的无线设备识别方法、装置及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150249920A1 (en) * 2014-03-03 2015-09-03 Toshiba Global Commerce Solutions Holdings Corporation Pressure-enabled near field communications device
US10070261B2 (en) * 2016-10-04 2018-09-04 Apple Inc. Harvesting labels for significant locations and updating a location fingerprint database using harvested labels

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120099614A (ko) * 2012-08-27 2012-09-11 주식회사 비즈모델라인 근접 통신 제어 방법
CN105678273A (zh) * 2016-01-14 2016-06-15 上海大学 射频指纹识别技术瞬态信号的起始点检测算法
CN106599745A (zh) * 2016-11-04 2017-04-26 上海德门信息技术有限公司 可用于智能卡核验和替代的系统和方法
CN206319721U (zh) * 2016-11-30 2017-07-11 广州科升信息科技有限公司 一种基于物联网控制的防盗电子锁
CN108604342A (zh) * 2017-01-20 2018-09-28 华为技术有限公司 基于nfc进行数据传输的方法及移动设备
CN109257071A (zh) * 2017-07-12 2019-01-22 深圳如探索科技有限公司 设备控制方法、装置及设备
CN207557987U (zh) * 2017-11-16 2018-06-29 中国华电集团公司福建分公司 应用于发电企业的人员安全管控装置
CN109948650A (zh) * 2019-02-13 2019-06-28 南京中一物联科技有限公司 一种基于报文特征的智能家居设备类型判定方法
CN110020569A (zh) * 2019-03-11 2019-07-16 华为技术有限公司 自动选择nfc模拟卡的方法、电子设备及通信系统
CN110647951A (zh) * 2019-11-27 2020-01-03 南京邮电大学 基于机器学习算法的无线射频设备身份识别方法及系统
CN110958562A (zh) * 2019-11-28 2020-04-03 Oppo广东移动通信有限公司 一种调制方式选择方法及近场通信装置、存储介质
CN111027048A (zh) * 2019-12-11 2020-04-17 北京天融信网络安全技术有限公司 一种操作系统识别方法、装置、电子设备及存储介质
CN111385297A (zh) * 2020-03-04 2020-07-07 西安交通大学 无线设备指纹识别方法、系统、设备及可读存储介质
CN111464692A (zh) * 2020-03-30 2020-07-28 RealMe重庆移动通信有限公司 近场通信卡片确定方法、装置、存储介质及电子设备
CN111866876A (zh) * 2020-06-02 2020-10-30 东南大学 一种基于频偏预处理的无线设备识别方法、装置及存储介质

Also Published As

Publication number Publication date
CN112528695A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN111432339A (zh) 近场通信卡片的切换方法、装置、存储介质及电子设备
CN109194689B (zh) 异常行为识别方法、装置、服务器及存储介质
Aravindhan et al. Design of attendance monitoring system using RFID
CN109257071A (zh) 设备控制方法、装置及设备
CN204117216U (zh) 一种nfc电子锁读卡器以及nfc电子锁系统
CN110782333B (zh) 一种设备风险控制方法、装置、设备及介质
CN103942898A (zh) 实现近场通信中选择安全单元的方法、移动终端与pos机
CN104915696B (zh) 一种基于Android平台的NFC读写方法
CN107657454A (zh) 生物支付方法、装置、设备及存储介质
CN113986521A (zh) 边缘计算节点的部署方法及装置
CN105099700A (zh) 一种认证方法、服务器及系统
CN112528695B (zh) 识别方法、装置、设备及计算机可读存储介质
CN106971163A (zh) 一种接领人识别方法、装置和系统
CN107229962A (zh) 一种基于移动终端的通用智能卡
CN106355684A (zh) 受控设备的控制方法、装置和系统
CN202445166U (zh) 一种智能学生考勤的服装
CN111709851A (zh) 基于rfid及面部识别的酒店安全入住的方法、装置及设备
CN109889280A (zh) 一种nfc设备安全测试方法
CN115700845A (zh) 人脸识别模型训练方法、人脸识别方法、装置及相关设备
CN115130485A (zh) 读卡器、卡端设备、刷卡方法及控制单元
CN109033797A (zh) 一种权限设置方法及装置
CN107169517A (zh) 判断重复笔画的方法、终端设备及计算机可读存储介质
CN107292608A (zh) 一种指纹加密的eID移动交易装置
CN117152567B (zh) 特征提取网络的训练方法、分类方法、装置及电子设备
Yu et al. Detecting partially occluded vehicles with geometric and likelihood reasoning

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