CN113204995A - 行为密码智慧门锁的识别方法、设备以及介质 - Google Patents
行为密码智慧门锁的识别方法、设备以及介质 Download PDFInfo
- Publication number
- CN113204995A CN113204995A CN202110346906.9A CN202110346906A CN113204995A CN 113204995 A CN113204995 A CN 113204995A CN 202110346906 A CN202110346906 A CN 202110346906A CN 113204995 A CN113204995 A CN 113204995A
- Authority
- CN
- China
- Prior art keywords
- image
- behavior
- door lock
- gesture
- processed image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 67
- 230000008569 process Effects 0.000 description 10
- 238000003707 image sharpening Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000003711 image thresholding Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能门锁技术领域,尤其涉及一种行为密码智慧门锁的识别方法、设备以及介质,所述方法包括:接收图像采集设备采集的第一行为图像;对所述第一行为图像进行预处理以获得初步处理后图像;将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。本发明提供的技术方案,通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准继而判断是否开锁,从而提高开锁的安全性。
Description
技术领域
本发明涉及智能门锁技术领域,尤其涉及一种行为密码智慧门锁的识别方法、设备以及介质。
背景技术
现有的智能门锁大多是通过人脸识别的方式进行验证,但通过播放业主的视频也能够进行开锁,因此导致智能门锁安全性降低,目前也没有基于行为密码进行开锁的智能门锁。
因此,亟需一种能够保证提高开锁的安全性的行为密码智慧门锁的识别方法、设备以及介质,从而解决现有的智能门锁大多是通过人脸识别的方式进行验证,但通过播放业主的视频也能够进行开锁,因此导致智能门锁安全性降低的问题。
发明内容
本发明的主要目的在于提供一种能够保证提高开锁的安全性的行为密码智慧门锁的识别方法、设备以及介质,从而解决现有的智能门锁大多是通过人脸识别的方式进行验证,但通过播放业主的视频也能够进行开锁,因此导致智能门锁安全性降低的问题。
为实现上述目的,本发明第一方面提供了一种行为密码智慧门锁的识别方法,所述方法包括:
接收图像采集设备采集的第一行为图像;
对所述第一行为图像进行预处理以获得初步处理后图像;
将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;
当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。
作为其他一种实施例,所述将所述初步处理后图像通过HOG特征行为检测算法模型进行处理,具体包括:
将初步处理后图像进行图像归一化处理并通过Gamma对归一化的图像进行公式1平滑处理以获得第一图像;
I(x,y)=I(x,y)gamma (公式1)
其中,Gamma=1/2;
对第一图像进行图像梯度通过公式2计算出以图像像素点处的梯度幅值,并且通过公式3计算出梯度方向角;
其中,(x,y)为图像像素点;
根据像素点的幅值、梯度幅值或幅值的函数计算出权值并针对图像中每个细胞单元依次构建直方图;
采用相同的图像的数据块的光照强度的标准进行归一化。
作为其他一种实施例,所述对所述第一行为图像进行预处理以获得初步处理后图像,具体包括:
将所述第一行为图像进行转换为灰度图像;
利用图像平滑算法消除灰度图像中的噪声以获得消除噪声的灰度图像;
利用图像锐化以使消除噪声的灰度图像的边缘及轮廓清晰化;
根据像素的灰度级,对轮廓清晰化的消除噪声的灰度图像进行像素集合划分获得不同区域的灰度级图像;
对不同区域的灰度级图像进行运动目标的分割以获得分割后的图像。
作为其他一种实施例,所述将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准,具体还包括:
通过手势识别模块实现对手势数字、手掌以及拳头的采集识别;
通过双目测距模块对目标手势的距离进行识别;
当所述手势数字符合预设行为且目标手势的距离符合预设安全距离时判定为符合预设标准。
作为其他一种实施例,所述将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准,具体还包括:
训练HOG特征行为检测算法模型;
输入预设手势手掌打开并设定为打开智能门锁;
获取手势识别模块识别的当前手势手掌打开的情形;
当打开智能门锁时,训练结束;
当没有打开门锁时,调整HOG特征行为检测算法并继续训练。
作为其他一种实施例,所述训练HOG特征行为检测算法模型,具体还包括:
正、负样本图像采集;
对所述样本图像进行归一化处理并输入至正负样本库;
提取正负样本的HOG特征;
训练HOG检测分类器。
作为其他一种实施例,所述将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准,具体还包括:
手势特征提取与识别;
对初步处理后图像中的手势进行检测;
当检测到目标手势时,对所述目标手势进行特征提取;其中,所述目标手势是与存储于正负样本库中的手势匹配的当前手势;
对目标手势进行SVM识别分类器进行分类并输出初步处理后的图像是否符合预设标准的结果。
作为其他一种实施例,所述通过双目测距模块对目标手势的距离进行识别,具体还包括:
周期性通过双目摄像头采集智能门锁前的图片;
找出棋盘照片的角点并进行立体锁定;
通过立体矫正使左右两个相机的光轴平行并计算目标物体的距离信息。
本发明第二方面公开了一种行为密码智慧门锁的识别设备,所述设备包括:
接收行为模块:用于接收图像采集设备采集的第一行为图像;
预处理模块:用于对所述第一行为图像进行预处理以获得初步处理后图像;
判断达标模块:用于将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;
驱动模块:用于当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。
本发明第三方面公开了一种存储介质,所述存储介质存储有可执行程序,所述可执行程序被执行时,实现上述行为密码智慧门锁的识别方法。
本发明提供的技术方案,具有以下优点:
接收图像采集设备采集的第一行为图像;对所述第一行为图像进行预处理以获得初步处理后图像;将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准继而判断是否开锁,从而提高开锁的安全性。
附图说明
图1为本发明提供的一实施例提供的一种行为密码智慧门锁的识别方法的流程示意图。
图2为本发明提供的另一实施例提供的一种行为密码智慧门锁的识别方法的场景示意图。
图3为本发明提供的一实施例提供的一种行为密码智慧门锁的识别设备的结构示意图。
图4为本申请另一实施例提供的服务器的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
请参看图1和2,本发明的一方面提供了一种行为密码智慧门锁的识别方法,应用于智能门锁、图像采集设备、用户端以及服务器组成的系统,所述方法包括以下步骤。
步骤S10:接收图像采集设备采集的第一行为图像。具体地,采用的是数字摄像头;能够提供高质量图像的图像采集设备,第一行为图像可以为任意设定的手势,比如说握拳、手掌张开、指示数字1-5中任意一个数字中其中的任意一个;也可以是间隔一定时间内的两个手势,比如说前2秒内握拳手势,后两秒内手掌张开;数字摄像头将感光器件和视频捕捉器集成在一起,主要由镜头、CCD图像传感器、A/D模数转换器、MPU微处理器、内置存储器和接口等部件组成,价格便宜、分辨率高,且USB传输速度高于串口、并口的速度,可实现即插即用。
步骤S20:对所述第一行为图像进行预处理以获得初步处理后图像。因为第一行为图像杂波较多,所以进行预处理。具体地包括步骤S21-S26。
步骤S21:将所述第一行为图像进行转换为灰度图像。为了使图像的计算量变小,我们通常将彩色图像转变成灰度图像再进行计算。与彩色图像相同的是,灰度图像也代表着整幅图像局部和整体的特征。考虑到一般手势识别技术中特征提取、手势分割与手势识别都是基于灰度图像的,所以我们先将彩色图像转变成为灰度图像。灰度值是将彩色图像根据不同的颜色和亮度转换为不同灰度程度值得灰色。
步骤S22:利用图像平滑算法消除灰度图像中的噪声以获得消除噪声的灰度图像。各种干扰噪声会影响到视频采集和传输的质量。所以,原始图像中包含了大量的噪声,在图像特征增强的过程中,经常利用各类图像平滑算法来消除噪声。可以通过邻域平均法、中值滤波法和频域平滑技术等方法消除噪声。
步骤S23:利用图像锐化以使消除噪声的灰度图像的边缘及轮廓清晰化。原始图像在平滑处理的过程中,图像边缘和轮廓都会出现一定程度的模糊情况。为了减少这种不利情况的影响,将利用图像锐化技术,使图像的边缘及轮廓变得清晰。图像锐化处理在空域或者频域中均可以进行,图像锐化的过程其实是对图像轮廓补偿的过程,增强了图像的边缘及灰度跳变的部分的特征。从频域的角度来分析,是由于图像的高频分量受到衰减从而导致图像变得模糊,所以我们可以使用高通滤波器让图像变得清晰。从空域的角度来考虑,由于图像受到了平均运算或者是积分运算,所以经过平滑的图像将会变得模糊,我们可以通过对其进行逆运算,比如微分运算,使图像清晰化。例如将中值滤波后的手势图像用Laplacian算子进行锐化处理,处理后,消除了原有图像的噪声,图像的细节变得更加清晰,图像的边缘及灰度跳变部分得到了一定程度的增强。
步骤S24:根据像素的灰度级,对轮廓清晰化的消除噪声的灰度图像进行像素集合划分获得不同区域的灰度级图像。图像阈值分割技术是基于图像区域进行的。其优点是原理简单,使用率高,可以简化运算过程中的分析处理步骤,也可以进行数据量的压缩。阈值化分割法对于背景与目标在不同灰度级别范围内的图像尤其适用。图像阈值化的目的是依。据像素的灰度级,对像素集合划分阈值化分割法的原理为,利用不同的特征阈值的设定,将某一原始图像的像素点划分成为许多个类别。依据某一特定的准则从f(x,y)中找到特征值,该值记作T,其中f(x,y)是原始图像,根据特征值T,把原始图像进行分割如公式a。
g(x,y)=b0f(x,y)<t (公式a)
g(x,y)=b1f(x,y)>t
步骤S25:对不同区域的灰度级图像进行运动目标的分割以获得分割后的图像。可以理解,根据阈值法原理,阈值法可分基于点的全局阈值方法、基于区域的全局阈值方法、局部阈值法和多阈值法。基于点的全局阈值方法时间复杂程度比较低,容易实现,对于在线实时图像处理系统非常适用;基于区域的全局阈值方法是将一幅图像分为背景和目标两个不同的区域,处于同一个区域内的像素在灰度级与位置上具备很强的相关性和一致性。局部阈值法也叫做动态阈值,采用与像素坐标位置相关的一组阈值对图像各部分分别进行分割,可以解决图像中出现阴影、照度不均匀、突发噪声以及背景灰度变化等情况时,只用一个固定的全局阈值对整幅图像进行分割,存在不能顾及图像每处的情况而造成分割效果受影响的现象。该算法抗噪能力强,但是时间复杂度和空间复杂度较大,对于用全局阈值不易分割的图像有较好的分割效果。多阈值法是图像中含有占据不同灰度级区域的几个目标时,使用多个阈值将它们分开。
在上述实施例中,从摄像头采集的图像中直接提取包含手势的图像,在三维图像转变成数字图像的过程中会受摄像头本身处理能力或者外界噪声等各种因素的干扰。所以,运用图像预处理方式来消除手势图像中的无关信息,增强可用信息的特征,并且极大限度地简化数据,增强有用数据的可检测性。从而提高手势图像检测以及特定手势识别的有效性和准确性。
步骤S30:将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准。可以先对HOG特征行为检测算法模型进行训练,训练方法如下:
步骤S31:训练HOG特征行为检测算法模型;具体包括:步骤S311:正、负样本图像采集。
步骤S312:对所述样本图像进行归一化处理并输入至正负样本库。
步骤S313:提取正负样本的HOG特征。
步骤S314:训练HOG检测分类器。
步骤S315:输入预设手势手掌打开并设定为打开智能门锁。
步骤S316:获取手势识别模块识别的当前手势手掌打开的情形。
步骤S317:当打开智能门锁时,训练结束。
步骤S318:当没有打开门锁时,调整HOG特征行为检测算法并继续训练。
步骤S32:通过手势识别模块实现对手势数字、手掌以及拳头的采集识别。
步骤S33:通过双目测距模块对目标手势的距离进行识别;具体包括周期性通过双目摄像头采集智能门锁前的图片;找出棋盘照片的角点并进行立体锁定。
步骤S34:当所述手势数字符合预设行为且目标手势的距离符合预设安全距离时判定为符合预设标准。
步骤S35:将初步处理后图像进行图像归一化处理并通过Gamma对归一化的图像进行公式1平滑处理以获得第一图像;
I(x,y)=I(x,y)gamma (公式1)
其中,Gamma=1/2。
步骤S36:对第一图像进行图像梯度通过公式2计算出以图像像素点处的梯度幅值,并且通过公式3计算出梯度方向角;
其中,(x,y)为图像像素点。
步骤S37:根据像素点的幅值、梯度幅值或幅值的函数计算出权值并针对图像中每个细胞单元依次构建直方图。
步骤S38:采用相同的图像的数据块的光照强度的标准进行归一化。
步骤S39:手势特征提取与识别。
步骤S301:对初步处理后图像中的手势进行检测。
步骤S302:当检测到目标手势时,对所述目标手势进行特征提取;其中,所述目标手势是与存储于正负样本库中的手势匹配的当前手势。
步骤S303:对目标手势进行SVM识别分类器进行分类并输出初步处理后的图像是否符合预设标准的结果。
具体地,步骤S303具体包括以下步骤:本文进行HOG特征检测的主要步骤为:
步骤3031:准备训练样本,分别为正样本和负样本。所谓正样本就是在简单背景下、复杂背景下以及不同光照等等条件下,手势数字1—6,手掌和拳头的图片,负样本包括实际应用场景中不包含人手势的图片,负样本的数量最好是正样本的2-3倍比较好。考虑到计算量的问题,将正负样本大小裁剪成64×64的图片。
步骤3032:裁剪得到训练样本之后,将所有的正样本放在positive文件夹中,将所有负样本放在negative文件夹中。
步骤3033:提取所有正负样本的HOG特征,输入SVM分类器进行训练。
步骤3034:经过SVM训练后将生成XML数据文件,然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数,再调用OpenCV中的多尺度检测函数进行手势检测。
步骤S40:当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。
本发明提供的技术方案,具有以下优点:
接收图像采集设备采集的第一行为图像;对所述第一行为图像进行预处理以获得初步处理后图像;将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准继而判断是否开锁,从而提高开锁的安全性。
请参看图3,本申请还提供一种行为密码智慧门锁的识别设备,所述设备包括:
接收行为模块10:用于接收图像采集设备采集的第一行为图像;
预处理模块20:用于对所述第一行为图像进行预处理以获得初步处理后图像;
判断达标模块30:用于将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;
驱动模块40:用于当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。
请参阅图4,本申请还提供一种服务器30,应用于智能门锁、图像采集设备、用户端以及服务器组成的系统,服务器30包括存储器301以及处理器302,其中,存储器301与所述处理器302通过总线303电连接。
其中,存储器301至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器301在一些实施例中可以是服务器30的内部存储单元,例如该服务器30的硬盘。存储器301在另一些实施例中也可以是服务器30的外部存储设备,例如服务器30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器301不仅可以用于存储安装于车载设备的应用软件及各类数据,例如计算机可读程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据,也即该第一存储器可以作为存储介质,存储介质存储有计算机可执行的车辆出行预约程序。
处理器302在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,处理器302可调用存储器301中存储的行为密码智慧门锁的识别程序,以实现如下步骤:
步骤S10:接收图像采集设备采集的第一行为图像。具体地,采用的是数字摄像头;能够提供高质量图像的图像采集设备,第一行为图像可以为任意设定的手势,比如说握拳、手掌张开、指示数字1-5中任意一个数字中其中的任意一个;也可以是间隔一定时间内的两个手势,比如说前2秒内握拳手势,后两秒内手掌张开;数字摄像头将感光器件和视频捕捉器集成在一起,主要由镜头、CCD图像传感器、A/D模数转换器、MPU微处理器、内置存储器和接口等部件组成,价格便宜、分辨率高,且USB传输速度高于串口、并口的速度,可实现即插即用。
步骤S20:对所述第一行为图像进行预处理以获得初步处理后图像。因为第一行为图像杂波较多,所以进行预处理。具体地包括步骤S21-S26。
步骤S21:将所述第一行为图像进行转换为灰度图像。为了使图像的计算量变小,我们通常将彩色图像转变成灰度图像再进行计算。与彩色图像相同的是,灰度图像也代表着整幅图像局部和整体的特征。考虑到一般手势识别技术中特征提取、手势分割与手势识别都是基于灰度图像的,所以我们先将彩色图像转变成为灰度图像。灰度值是将彩色图像根据不同的颜色和亮度转换为不同灰度程度值得灰色。
步骤S22:利用图像平滑算法消除灰度图像中的噪声以获得消除噪声的灰度图像。各种干扰噪声会影响到视频采集和传输的质量。所以,原始图像中包含了大量的噪声,在图像特征增强的过程中,经常利用各类图像平滑算法来消除噪声。可以通过邻域平均法、中值滤波法和频域平滑技术等方法消除噪声。
步骤S23:利用图像锐化以使消除噪声的灰度图像的边缘及轮廓清晰化。原始图像在平滑处理的过程中,图像边缘和轮廓都会出现一定程度的模糊情况。为了减少这种不利情况的影响,将利用图像锐化技术,使图像的边缘及轮廓变得清晰。图像锐化处理在空域或者频域中均可以进行,图像锐化的过程其实是对图像轮廓补偿的过程,增强了图像的边缘及灰度跳变的部分的特征。从频域的角度来分析,是由于图像的高频分量受到衰减从而导致图像变得模糊,所以我们可以使用高通滤波器让图像变得清晰。从空域的角度来考虑,由于图像受到了平均运算或者是积分运算,所以经过平滑的图像将会变得模糊,我们可以通过对其进行逆运算,比如微分运算,使图像清晰化。例如将中值滤波后的手势图像用Laplacian算子进行锐化处理,处理后,消除了原有图像的噪声,图像的细节变得更加清晰,图像的边缘及灰度跳变部分得到了一定程度的增强。
步骤S24:根据像素的灰度级,对轮廓清晰化的消除噪声的灰度图像进行像素集合划分获得不同区域的灰度级图像。图像阈值分割技术是基于图像区域进行的。其优点是原理简单,使用率高,可以简化运算过程中的分析处理步骤,也可以进行数据量的压缩。阈值化分割法对于背景与目标在不同灰度级别范围内的图像尤其适用。图像阈值化的目的是依。据像素的灰度级,对像素集合划分阈值化分割法的原理为,利用不同的特征阈值的设定,将某一原始图像的像素点划分成为许多个类别。依据某一特定的准则从f(x,y)中找到特征值,该值记作T,其中f(x,y)是原始图像,根据特征值T,把原始图像进行分割如公式a。
g(x,y)=b0f(x,y)<t (公式a)
g(x,y)=b1f(x,y)>t
步骤S25:对不同区域的灰度级图像进行运动目标的分割以获得分割后的图像。可以理解,根据阈值法原理,阈值法可分基于点的全局阈值方法、基于区域的全局阈值方法、局部阈值法和多阈值法。基于点的全局阈值方法时间复杂程度比较低,容易实现,对于在线实时图像处理系统非常适用;基于区域的全局阈值方法是将一幅图像分为背景和目标两个不同的区域,处于同一个区域内的像素在灰度级与位置上具备很强的相关性和一致性。局部阈值法也叫做动态阈值,采用与像素坐标位置相关的一组阈值对图像各部分分别进行分割,可以解决图像中出现阴影、照度不均匀、突发噪声以及背景灰度变化等情况时,只用一个固定的全局阈值对整幅图像进行分割,存在不能顾及图像每处的情况而造成分割效果受影响的现象。该算法抗噪能力强,但是时间复杂度和空间复杂度较大,对于用全局阈值不易分割的图像有较好的分割效果。多阈值法是图像中含有占据不同灰度级区域的几个目标时,使用多个阈值将它们分开。
在上述实施例中,从摄像头采集的图像中直接提取包含手势的图像,在三维图像转变成数字图像的过程中会受摄像头本身处理能力或者外界噪声等各种因素的干扰。所以,运用图像预处理方式来消除手势图像中的无关信息,增强可用信息的特征,并且极大限度地简化数据,增强有用数据的可检测性。从而提高手势图像检测以及特定手势识别的有效性和准确性。
步骤S30:将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准。可以先对HOG特征行为检测算法模型进行训练,训练方法如下:
步骤S31:训练HOG特征行为检测算法模型;具体包括:步骤S311:正、负样本图像采集。
步骤S312:对所述样本图像进行归一化处理并输入至正负样本库。
步骤S313:提取正负样本的HOG特征。
步骤S314:训练HOG检测分类器。
步骤S315:输入预设手势手掌打开并设定为打开智能门锁。
步骤S316:获取手势识别模块识别的当前手势手掌打开的情形。
步骤S317:当打开智能门锁时,训练结束。
步骤S318:当没有打开门锁时,调整HOG特征行为检测算法并继续训练。
步骤S32:通过手势识别模块实现对手势数字、手掌以及拳头的采集识别。
步骤S33:通过双目测距模块对目标手势的距离进行识别;具体包括周期性通过双目摄像头采集智能门锁前的图片;找出棋盘照片的角点并进行立体锁定。
步骤S34:当所述手势数字符合预设行为且目标手势的距离符合预设安全距离时判定为符合预设标准。
步骤S35:将初步处理后图像进行图像归一化处理并通过Gamma对归一化的图像进行公式1平滑处理以获得第一图像;
I(x,y)=I(x,y)gamma (公式1)
其中,Gamma=1/2。
步骤S36:对第一图像进行图像梯度通过公式2计算出以图像像素点处的梯度幅值,并且通过公式3计算出梯度方向角;
其中,(x,y)为图像像素点。
步骤S37:根据像素点的幅值、梯度幅值或幅值的函数计算出权值并针对图像中每个细胞单元依次构建直方图。
步骤S38:采用相同的图像的数据块的光照强度的标准进行归一化。
步骤S39:手势特征提取与识别。
步骤S301:对初步处理后图像中的手势进行检测。
步骤S302:当检测到目标手势时,对所述目标手势进行特征提取;其中,所述目标手势是与存储于正负样本库中的手势匹配的当前手势。
步骤S303:对目标手势进行SVM识别分类器进行分类并输出初步处理后的图像是否符合预设标准的结果。
具体地,步骤S303具体包括以下步骤:本文进行HOG特征检测的主要步骤为:
步骤3031:准备训练样本,分别为正样本和负样本。所谓正样本就是在简单背景下、复杂背景下以及不同光照等等条件下,手势数字1—6,手掌和拳头的图片,负样本包括实际应用场景中不包含人手势的图片,负样本的数量最好是正样本的2-3倍比较好。考虑到计算量的问题,将正负样本大小裁剪成64×64的图片。
步骤3032:裁剪得到训练样本之后,将所有的正样本放在positive文件夹中,将所有负样本放在negative文件夹中。
步骤3033:提取所有正负样本的HOG特征,输入SVM分类器进行训练。
步骤3034:经过SVM训练后将生成XML数据文件,然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数,再调用OpenCV中的多尺度检测函数进行手势检测。
步骤S40:当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。
本发明提供的技术方案,具有以下优点:
接收图像采集设备采集的第一行为图像;对所述第一行为图像进行预处理以获得初步处理后图像;将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准继而判断是否开锁,从而提高开锁的安全性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种行为密码智慧门锁的识别方法,其特征在于,所述方法包括:
接收图像采集设备采集的第一行为图像;
对所述第一行为图像进行预处理以获得初步处理后图像;
将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;
当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。
3.如权利要求2所述的一种行为密码智慧门锁的识别方法,其特征在于,所述对所述第一行为图像进行预处理以获得初步处理后图像,具体包括:
将所述第一行为图像进行转换为灰度图像;
利用图像平滑算法消除灰度图像中的噪声以获得消除噪声的灰度图像;
利用图像锐化以使消除噪声的灰度图像的边缘及轮廓清晰化;
根据像素的灰度级,对轮廓清晰化的消除噪声的灰度图像进行像素集合划分获得不同区域的灰度级图像;
对不同区域的灰度级图像进行运动目标的分割以获得分割后的图像。
4.如权利要求2所述的一种行为密码智慧门锁的识别方法,其特征在于,所述将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准,具体还包括:
通过手势识别模块实现对手势数字、手掌以及拳头的采集识别;
通过双目测距模块对目标手势的距离进行识别;
当所述手势数字符合预设行为且目标手势的距离符合预设安全距离时判定为符合预设标准。
5.如权利要求2所述的一种行为密码智慧门锁的识别方法,其特征在于,所述将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准,具体还包括:
训练HOG特征行为检测算法模型;
输入预设手势手掌打开并设定为打开智能门锁;
获取手势识别模块识别的当前手势手掌打开的情形;
当打开智能门锁时,训练结束;
当没有打开门锁时,调整HOG特征行为检测算法并继续训练。
6.如权利要求5所述的一种行为密码智慧门锁的识别方法,其特征在于,所述训练HOG特征行为检测算法模型,具体还包括:
正、负样本图像采集;
对所述样本图像进行归一化处理并输入至正负样本库;
提取正负样本的HOG特征;
训练HOG检测分类器。
7.如权利要求6所述的一种行为密码智慧门锁的识别方法,其特征在于,所述将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准,具体还包括:
手势特征提取与识别;
对初步处理后图像中的手势进行检测;
当检测到目标手势时,对所述目标手势进行特征提取;其中,所述目标手势是与存储于正负样本库中的手势匹配的当前手势;
对目标手势进行SVM识别分类器进行分类并输出初步处理后的图像是否符合预设标准的结果。
8.如权利要求4所述的一种行为密码智慧门锁的识别方法,其特征在于,所述通过双目测距模块对目标手势的距离进行识别,具体还包括:
周期性通过双目摄像头采集智能门锁前的图片;
找出棋盘照片的角点并进行立体锁定;
通过立体矫正使左右两个相机的光轴平行并计算目标物体的距离信息。
9.一种行为密码智慧门锁的识别设备,其特征在于,所述设备包括:
接收行为模块:用于接收图像采集设备采集的第一行为图像;
预处理模块:用于对所述第一行为图像进行预处理以获得初步处理后图像;
判断达标模块:用于将所述初步处理后图像通过HOG特征行为检测算法模型进行处理以判断初步处理后的图像是否符合预设标准;
驱动模块:用于当初步处理后的图像符合预设标准时,生成开锁指令发送给智能门锁以打开门锁。
10.一种介质,其特征在于,所述介质存储有可执行程序,所述可执行程序被执行时,实现如权利要求1-8任一项所述的行为密码智慧门锁的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346906.9A CN113204995A (zh) | 2021-03-31 | 2021-03-31 | 行为密码智慧门锁的识别方法、设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346906.9A CN113204995A (zh) | 2021-03-31 | 2021-03-31 | 行为密码智慧门锁的识别方法、设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113204995A true CN113204995A (zh) | 2021-08-03 |
Family
ID=77025826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110346906.9A Pending CN113204995A (zh) | 2021-03-31 | 2021-03-31 | 行为密码智慧门锁的识别方法、设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204995A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759517A (zh) * | 2022-11-23 | 2023-03-07 | 杭州柏源科技有限公司 | 基于生物识别的酒店入住系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134061A (zh) * | 2014-08-15 | 2014-11-05 | 上海理工大学 | 一种基于特征融合的支持向量机的数字手势识别方法 |
US20170109571A1 (en) * | 2010-06-07 | 2017-04-20 | Affectiva, Inc. | Image analysis using sub-sectional component evaluation to augment classifier usage |
CN108416256A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 基于特征识别的家庭云智能监控系统和监控方法 |
CN109086589A (zh) * | 2018-08-02 | 2018-12-25 | 东北大学 | 一种结合手势识别的智能终端人脸解锁方法 |
CN110147764A (zh) * | 2019-05-17 | 2019-08-20 | 天津科技大学 | 一种基于机器学习的静态手势识别方法 |
-
2021
- 2021-03-31 CN CN202110346906.9A patent/CN113204995A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170109571A1 (en) * | 2010-06-07 | 2017-04-20 | Affectiva, Inc. | Image analysis using sub-sectional component evaluation to augment classifier usage |
CN104134061A (zh) * | 2014-08-15 | 2014-11-05 | 上海理工大学 | 一种基于特征融合的支持向量机的数字手势识别方法 |
CN108416256A (zh) * | 2018-01-17 | 2018-08-17 | 南京邮电大学 | 基于特征识别的家庭云智能监控系统和监控方法 |
CN109086589A (zh) * | 2018-08-02 | 2018-12-25 | 东北大学 | 一种结合手势识别的智能终端人脸解锁方法 |
CN110147764A (zh) * | 2019-05-17 | 2019-08-20 | 天津科技大学 | 一种基于机器学习的静态手势识别方法 |
Non-Patent Citations (1)
Title |
---|
张雨丽: "视觉感知的手势智能控制系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759517A (zh) * | 2022-11-23 | 2023-03-07 | 杭州柏源科技有限公司 | 基于生物识别的酒店入住系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009531B (zh) | 一种多策略防欺诈的人脸识别方法 | |
CN105956578B (zh) | 一种基于身份证件信息的人脸验证方法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN103914676A (zh) | 一种在人脸识别中使用的方法和装置 | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
KR101781358B1 (ko) | 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법 | |
EP2580711A2 (en) | Distinguishing live faces from flat surfaces | |
CN110852310A (zh) | 三维人脸识别方法、装置、终端设备及计算机可读介质 | |
KR20100072772A (ko) | 스테레오 비전을 이용한 실시간 얼굴 검출 시스템 및 그 방법 | |
CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN111209820B (zh) | 人脸活体检测方法、系统、设备及可读存储介质 | |
CN112214773B (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
CN111967319A (zh) | 基于红外和可见光的活体检测方法、装置、设备和存储介质 | |
CN111199197B (zh) | 一种人脸识别的图像提取方法及处理设备 | |
CN113204995A (zh) | 行为密码智慧门锁的识别方法、设备以及介质 | |
Milani et al. | A saliency-based rate control for people detection in video | |
CN110738607A (zh) | 基于人工智能拍摄驾驶证的方法、装置、设备及存储介质 | |
CN111274851A (zh) | 一种活体检测方法及装置 | |
CN113496215A (zh) | 一种活体人脸检测的方法、装置及电子设备 | |
CN112861588A (zh) | 一种活体检测的方法、装置 | |
CN115830513A (zh) | 一种图像场景变化确定的方法、装置、系统及存储介质 | |
CN112749713B (zh) | 一种基于人工智能的大数据图像识别系统及方法 | |
Eren et al. | Stereo vision and statistical based behaviour prediction of driver | |
CN116420176A (zh) | 基于对象的图像表示来区分对象的不同配置状态的方法和设备 | |
CN111860343B (zh) | 确定人脸对比结果的方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 238, room 406, 1 Yichuang street, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: Guangzhou langguo Electronic Technology Co.,Ltd. Address before: Room 238, room 406, 1 Yichuang street, Huangpu District, Guangzhou, Guangdong 510700 Applicant before: GUANGZHOU LANGO ELECTRONIC SCIENCE & TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |