具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的控制门禁的系统应用场景示意图。
如图1所示,本说明书所涉及的控制门禁的系统100的应用场景可以包括一个或一个以上终端110、第一计算系统120、第二计算系统150和/或第三计算系统160。
第一计算系统120可以用于获取安全信息112;所述安全信息112可以通过终端110获取。安全信息112可以通过各种常见的方式进入第一计算系统120。如WIFI、蓝牙、微波通信等手段。通过第一计算系统120中的特征提取模型122,可以将所接收到的安全信息112转化为第一安全特征130。
第二计算系统150可以用于将初始模型152训练成安全程度判断模型162。在一些实施例中,第二计算系统150可以获取多组样本数据140,每组训练样本包含多个访问者的第一安全特征130及其对应的安全程度。在一些实施例中,可以基于多个访问者的第一安全特征130及其对应的安全程度对训练样本的类型进行标记。第二计算系统150通过多组训练样本及标记的样本的类型更新安全程度判断模型162的参数,得到训练好的模型。
在本说明书的一个或多个实施例中,模型(例如,特征提取模型122、初始模型152或/和安全程度判断模型162)可以指基于处理设备而进行的若干方法的集合。这些方法可以包括大量的参数。在执行模型时,所使用的参数可以是被预先设置好的,也可以是可以动态调整的。一些参数可以通过训练的方法获得,一些参数可以在执行的过程中获得。关于本说明书中涉及模型的具体说明,可参见本说明书的相关部分。
第三计算机系统160可以用于基于安全程度确定对应的门禁控制策略170。例如,当安全程度判断模型160判断访问者是小区业主时,门禁控制策略170为开门。又例如,当安全程度判断模型160判断访问者有危险倾向时,门禁控制策略170可以为拒绝开门并呼叫保安。
第一计算系统120、第二计算系统150和第三计算系统160可以相同也可以不同。第一计算系统120、第二计算系统150和第三计算系统160是指具有计算能力的系统,可以包括各种计算机,比如服务器、个人计算机,也可以是由多台计算机以各种结构连接组成的计算平台。
第一计算系统120、第二计算系统150和第三计算系统160中可以包括处理设备(图中未示出)。处理设备可以执行程序指令。处理设备可以包括各种常见的通用中央处理器(central processing unit,CPU),图形处理器(Graphics Processing Unit,GPU),微处理器,特殊应用集成电路(application-specific integrated circuit,ASIC),或其他类型的集成电路。
第一计算系统120、第二计算系统150和第三计算系统160中可以包括存储介质(图中未示出)。存储介质可以存储指令,也可以存储数据。存储介质可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。
第一计算系统120、第二计算系统150和第三计算系统160还可以包括用于内部连接和与外部连接的网络。也可以包括用于输入或输出的终端。网络可以是有线网络或无线网络中的任意一种或多种。
在一些实施例中,第一计算系统120所获取的安全信息112可以来自一个或多个终端110。在本说明书的一个或多个实施例中,终端110可以是带有信息获取、存储和/或发送功能的设备,所述设备包括但不限于移动设备110-1、平板电脑110-2、台式电脑110-3、摄像装置110-4等中的一种或几种的组合。在一些实施例中,终端设备110可以包括智能家居设备、可穿戴设备、智能移动设备、增强现实设备等或其组合。
在一些实施例中,终端110可以用于采集各类信息,包括但不限于与安全相关的信息。例如,终端110所采集的信息可以包括访问者的身份相关信息(例如,访问者的个人信息、年龄信息、面部信息等)、访问者的行走路线信息(例如,行程路径、行走速度、行走加速度等)、访问者的行走姿态相关信息(例如,体态信息、步态信息等)等或其任意组合。所采集信息可以是实时的,也可以是各类历史信息如访问者的过去的访问历史等等。
终端110采集到的各类信息,可以用于判定在后续安全程度判定过程中所出现的恶性事件和/或异常情况。例如,可以基于轨迹信息,判定访问者是否在某一地点存在停留异常、是否在某一路段丢失信号、是否在无监控路段反复逗留等。又例如,可以根据访问者的个人信息、年龄信息、面部信息等判断访问者的身份,判断访问者是否有伤人和威胁业主的倾向、是否有法律状态纠纷、是否在公安机关有案底等。关于基于安全信息112确定访问者的安全特征的更多细节参见图2、图3的相关内容,在此不再赘述。
在一些实施例中,上述控制门禁的系统100中可以包括安全信息获取模块、第一安全特征确认模块、安全程度判断模型获取模块、访问者的安全程度判断模块和门禁控制策略确定模块。
安全信息获取模块,可以用于获取访问者的多个安全信息。
第一安全特征确认模块,可以用于基于训练好的特征提取模型以及所述访问者的多个安全信息,基于数据分桶、数据归一化、数据加权求和等数据处理方式确定访问者的至少一个第一安全特征;所述安全信息包括访问者的身份信息、访问者的行走轨迹信息、访问者历史到访次数信息、访问者的面部信息、访问者的体态信息和访问者的步态信息中的至少一个。在一些实施例中,所述访问者的身份信息可以自访问者的终端直接获取。在一些实施例中,所述访问者的身份信息还可以基于摄像头采集到的静态图像获取访问者的面部信息,基于面部信息获取其在预设数据库中的身份信息。
安全程度判断模型获取模块,可以用于获取安全程度判断模型。
访问者的安全程度判断模块,可以用于基于所述安全程度判断模型以及所述访问者的至少一个第一安全特征判断访问者的安全程度。
门禁控制策略确定模块,可以用于基于访问者的安全程度确定对应的门禁控制策略;其中,所述访问者对应的门禁控制策略至少包括以下一种:开门、呼叫工作人员确认访问者身份、拒绝开门、呼叫保安、通知警方和联络访问者周围的人员进行协助。
在一些实施例中,安全程度判断模型获取模块还用于:获取多个训练样本;所述训练样本包括多个访问者的第一安全特征及其对应的安全程度;基于所述多个访问者的第一安全特征及其对应的安全程度对训练样本的类型进行标记;基于所述训练样本及标记的样本的类型训练所述安全程度判断模型。
在一些实施例中,系统还包括第二安全特征确定模块,所述第二安全特征确定模块用于:基于所述访问者的多个第一安全特征进行特征组合;获取至少一个第二安全特征;基于所述安全程度判断模型以及所述访问者的至少一个第二安全特征判断访问者的安全程度。
在一些实施例中,系统还包括开关门策略确定模块,所述开关门策略确定模块用于:当所述访问者对应的门禁控制策略为开门时:基于访问者的安全信息中包括的面部信息、体态信息和步态信息中的至少一个确定访问者的开关门策略;所述开关门策略至少包括以下一种:正常开关门、延迟关门。
应当理解,本说明书一个或多个实施中的所述系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于处理设备及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。
图2是根据本说明书一些实施例所示的获取门禁控制策略的方法200的示例性流程图。
步骤210,获取访问者的多个安全信息。在一些实施例中,步骤210由安全信息获取模块执行。
安全信息获取模块可以获取至少一个与访问者相关的安全信息。所述与访问者相关的安全信息可以是当前时刻被摄像头捕捉到的数据,例如,访问者的面部信息、体态信息以及步态信息等。访问者的面部信息可以是以图片、视频等方式存储的访问者面部图像。在一些实施例中,可以基于面部识别模型识别访问者的面部信息,以确定访问者的身份(如,可以确定访问者是否为住户、租户、或者是外部访客)。访问者的体态信息是指访问者的身高、胖瘦等指标。例如,可以将身高矮于1.3m的访问者全部判断为孩子,由于孩子产生法律纠纷等的概率很低,因此可以判定其产生不安全事件的概率较低。访问者的步态信息是指访问者行走的姿态信息,可以基于访问者的行走姿态信息判断访问者是否有残疾、腿脚不便等情况。显然,当访问者腿脚不便时,其产生偷盗、抢劫等不安全因素的可能会相应降低。
在一些实施例中,所述与访问者相关的安全信息可以是访问者终端上进行中和/或已完成的相关信息。例如,可以包括货物运输信息、行走轨迹信息等。所述货物运输订单的相关信息可以包括该货物订单的特征,包括但不限于货物运输时间、是否可燃易爆、是否具有化学危险性等。所述行走轨迹信息的相关信息可以包括终端(如访问者所携带的手机、电子手表等)所记载的信息,包括但不限于行走轨迹发生时间、行程起始点、行程目的地、行程路径等或其任意组合。所述访问者的行走轨迹信息可以提供小区监控无法获得的信息。例如,行走轨迹信息可以反映小区监控网络通常无法触及的小路行经信息,可以反映访问者是否经常在视频监控死角经过或逗留。
在一些实施例中,安全信息获取模块还可以获取历史安全信息。在一些实施例中,所述访问者的历史安全信息可以包括访问者的到访次数信息,可以记录访问者的历史到访次数、到访时间和频率。当访问者经常出入此门禁或者此小区时,即使其为访客,其出现抢劫、人身安全事件等事件的概率较低。在一些实施例中,所述历史安全信息可以包括发生过不安全事件的相关信息。所述历史安全信息可以与上述实时信息类似。例如,可以基于训练好的卷积神经网络获取人脸图像中的生物特征,与数据库中的人脸进行比对,确定访问者的身份信息,进而调取数据库中存储的历史安全信息。在一些实施例中,所述历史安全信息还包括了对应于访问者某一种发生具体的不安全事件发生倾向的类型。不安全事件类型可以包括抢劫、人身安全事件、与业主发生口角、斗殴、与业主产生纠纷等或其任意组合。在一些实施例中,所述与访问者相关的安全信息还包括至少一个与访问者相关的历史记录。所述与访问者相关的历史记录包括但不限于访问者的到访次数信息、访问者的法律纠纷信息等。在一些实施例中,所述数据库还可以与公安系统、司法系统等平台系统进行联网,以获取访问者的历史安全信息(如是否有违法、违纪、打架、斗殴等恶性事件的历史),进而判断访问者的安全性。
在一些实施例中,所述历史安全信息可以作为训练信息训练安全程度判断模型或确定安全判定规则。所得到的安全程度判定模型或安全程度判定规则可以用于对访问者进行判定以确定访问者是否安全。
步骤220,基于训练好的特征提取模型以及所述访问者的多个安全信息,确定访问者的至少一个第一安全特征。在一些实施例中,步骤220由第一安全特征确认模块执行。
在一些实施例中,第一安全特征确认模块可以将获取到的与访问者相关的安全信息进行特征提取处理,转化为特征数据。具体地,在一些实施例中,可以将所述与访问者相关的安全信息进行特征处理,获取至少一个第一安全特征。特征提取处理可以是指对原始信息进行处理并提取特征数据,特征提取处理可以提升原始信息的表达,以方便后续任务。在本说明书申请的一个或多个实施例中,原始信息也可被称为原始数据,用以反映未经特征提取处理的与访问者相关的安全信息。
在一些实施例中,特征化提取处理可以采用统计方法(例如主成分分析方法)、降维技术(例如线性判别分析方法)、特征归一化等方法。
在一些实施例中,第一安全特征确认模块可以采用自定义的规则,将数据(或信息)转化为特征值。以访问者的年龄为例,可以将0-20岁按比例对应[0,0.6],21-60年按比例对应[0.6,1],60年以上对应1。
在一些实施例中,第一安全特征确认模块可以采取自定义的连续函数,将数据转化为特征值。所用连续函数包括但不限于Sigmoid、Tanh、ReLU、Leaky ReLU、Maxout、Softmax等。例如,对于访问者的年龄,可以使用Sigmoid函数求得年龄对应的Sigmoid(年龄),以Sigmoid(年龄)作为年龄的特征值。
在一些实施例中,第一安全特征确认模块还可以采用数据分桶的方式将数据转化为特征向量。例如,以历史到访次数为例,第一安全特征确认模块可以将到访10次以内按比例对应[1,0,0],10-20次按比例对应[0,1,0],20次以上对应[0,0,1]。
然而,由于所获得的安全信息是多样的,有些获得的安全信息难以用固定的函数或者明确的规则或者衡量。在一些实施例中,第一安全特征确认模块还可以使用训练好的机器学习模型对一些历史数据或特征进行处理,得到第一安全特征。借助于机器学习的方式,可以通过采集到的安全信息自动学习来形成可预测的模型,从而获取较高的准确性。
在一些实施例中,第一安全特征确认模块可以基于单独的机器学习模型,获取相对应的第一安全特征。例如,可以根据访问者身份信息以及身份信息模型获取访问者身份类别(如租客、房东还是访客)。又例如,可以根据访问者的行为偏好以及训练好的行为偏好类型模型获取访问者的行为偏好类别。再例如,可以根据访问者的轨迹记录以及行为类别模型获取访问者的行为类别。在一些实施例中,以上所述模型可以是一个线性回归模型、逻辑回归模型。在另一些实施例中,所述模型可以是一个深度学习模型(DNN)或循环神经网络模型(LSTM)。
在一些其他实施例中,所述机器学习模型还可以包括人脸识别模型和步态识别模型,用以获取访问者的人脸特征和步态特征。人脸识别模型可以用于识别用户的身份信息,步态识别模型可以用于识别用户的动作信息。在一些实施例中,人脸识别模型的输入可以为一个或多个用户图像,输出可以为用户的身份信息。在一些实施例中,姿态识别模型的输入可以为一个或多个用户图像,输出可以为用户的当前动作姿态,例如,举手、拿出手机、走路姿态等。
在一些实施例中,机器学习模型可以通过训练获得。在一些实施例中,训练的样本可以是有标签的样本。例如,对于访身份信息模型,可以由多个访问者的身份信息组成训练样本,按经验人工定义标记类别,标签可以是访问者身份类别。又例如,对于行为偏好类型模型,可以由多个访问者的行为偏好组成训练样本,按经验人工定义标记类别,标签可以是访问者行为偏好类别。再例如,对于行为类别模型,可以由多个历史轨迹记录组成训练样本,根据大数据标记类别,标签可以是访问者的行为类别。
在另一些实施例中,训练的样本可以是无标签的样本。计算机可以通过表示学习提取样本特征,学习出很好的特征表示,进而训练相应的模型。在一些实施例中,表示学习可以采用深度学习(包括常见的模型如CNN/RNN/DBN等)、无监督学习算法(如主成分分析、自编码器等)、树模型等方法。在一些实施例中,还可以基于时间序列的表示学习对序列数据进行处理,从而获取具有代表性的特征。由于表示学习属于现有技术中用于特征获取的常用方法,在此不详细介绍。
在实际判断访问者是否安全时,各种不同的安全信息都会对判断结果产生影响,因此单独使用某一个安全信息对应的特征向量难以得到准确的判定结果;另一方面,由于涉及的安全信息较多,采取各类标准的机器学习模型会造成模型参数量过多,并且容易出现过拟合等问题。
针对以上问题,在一些实施例中,第一安全特征确认模块还可以将多个安全信息输入一个机器学习模型以获得一个特征值或特征向量的综合结果。基于这一机器学习模型不仅可以减少多个机器模型带来的过拟合、模型参数大的问题,也可以基于一个特征向量的综合结果获得更加准确的安全程度判断结果。
在一些实施例中,可以将访问者的身份信息、访问者的行走轨迹信息、访问者历史到访次数信息、访问者的面部信息、访问者的体态信息和访问者的步态信息中的至少两个输入同一机器学习中,以获得一个特征向量的综合结果。例如,第一安全特征确认模块可以根据货物运输信息、访问者身份信息获取表示访问者是否携带危险品的特征值或特征向量。当访问者是本小区住户时,访问者携带危险品对小区安全影响值较小。当访问者是陌生来客时,访问者携带危险品对小区安全影响值较大。又例如,第一安全特征确认模块可以根据访问者的历史安全信息、访问者的步态信息获取表示访问者是否会发生恶性事件的特征值或特征向量。当访问者步态判断为腿脚不便状态时,其发生恶性事件的概率较低;当访问者四肢健全并且有恶性事件发生历史时,访问者发生恶性事件的概率相对应地增加。显然,采用一个特征向量对多个安全信息进行综合表征可以获得更好的运行效率和预测效果,这是采用单一安全信息进行预测所无法实现的。
在一些实施例中,机器学习模型可以是多层神经网络模型,可以将多个安全信息输入多层神经网络模型,输出得到综合反映多种信息特征的特征值或特征向量作为第一安全特征。
如图5所示,在一些实施例中,机器学习模型可以是包括多个隐藏层的多层神经网络模型,图5中仅作为示例,隐藏层可以为4个。
在一些实施例中,可以有多个隐藏层对输入的多个安全信息分别进行处理得到对应的多个特征向量。
在一些实施例中,多个安全信息中的每一个安全信息都可以对应输入一个隐藏层,进行特征提取处理得到一个对应的特征向量。例如多个安全信息可以包括访问者的身份信息、访问者的行走轨迹信息、访问者历史到访次数信息、访问者的面部信息、访问者的体态信息和访问者的步态信息,将前述每个安全信息分别输入一个隐藏层,可以得到对应的特征向量。如图5中所示,可以将访问者的历史到访信息输入第一隐藏层,输出得到历史到访特征,可以将访问者的行走轨迹信息输入到第三隐藏层,输出得到行走轨迹特征。
在一些实施例中,还可以将多个安全信息中的至少2类信息进行组合,得到多组安全信息。其中,一组安全信息可以对应输入一个隐藏层,进行特征提取处理得到一个对应的特征向量。例如:可以将访问者的行走轨迹信息和步态信息作为一组安全信息输入一个隐藏层,得到对应的特征向量,该特征向量可以表征访问者翻墙、溜门撬锁的倾向(例如,访问者行走轨迹经常出现在监控死角且步态形色匆匆,则其翻墙而入的可能性较高);可以将访问者的携带物体信息以及访问者身份作为一组安全信息输入一个隐藏层,得到对应的特征向量,该特征向量可以表征访问者携带危险物品的危险性(例如,访问者为陌生访客且有故意犯罪前科,则系统应判定其携带危险物品的危险性高;又例如,访问者为小区住户且无故意犯罪前科,则系统应判定其携带危险物品的危险性低);可以将访问者历史到访信息、访问者携带物品信息、访问者步态信息以及访问者身份作为一则安全信息输入一个隐藏层,得到对应的特征向量,该特征向量可以表征访问者发生暴力事件的倾向(例如,访问者A为小区住户且经常性在晚上6~9点进入小区,某天其携带危险物品凌晨1点进入小区,则其发生暴力事件的倾向较大;又例如,若访问者A虽然存在上述异常,但由于其身体残疾,其发生暴力事件的倾向较低)。通过本实施例,可以通过对多种安全信息进行组合处理,得到可以反映更深层次特征的特征数据,以使得可以使用包含深层次特征的特征数据去更准确地判断访问者的安全程度。
在一些实施例中,上述多个隐藏层可以对应有各自的权重系数,以表征各个隐藏层所处理的安全信息对访问者安全程度影响的大小。具体地,隐藏层对应的权重系数可以作为隐藏层输出的特征向量的系数。例如,某个小区发生偷盗事件,为例加强监控偷盗危险的监控,可以增大访问者的行走轨迹信息和步态信息对应的隐藏层的权重系数,以增大这些安全信息对访问者安全程度影响。通过本实施例,可以根据实际应用场景的需要,调整各个安全信息对应的特征向量对访问者安全程度影响的大小,使得访问者安全程度识别适用范围更广,适应性更强。
在一些实施例中,得到多种安全信息对应的多个特征向量后,可以对多个特征向量进行特征融合,或者还可以加入其它安全信息和多个特征向量进行特征融合,得到反映多种特征信息的特征值或特征向量作为第一安全特征。在一些实施例中,可以通过隐藏层来对多个特征向量,或者对其它安全信息和多个特征向量进行特征融合。如图5中所示,可以将第一隐藏层输出的历史到访特征、第三隐藏层输出的行走轨迹特征以及体态信息、携带物体信息等其它可用于辅助识别访问者的安全信息输入第四隐藏层进行特征融合,得到综合反映输入的所有安全信息特征的特征值或特征向量作为第一安全特征。
在一些实施例中,对多个特征向量进行特征融合可以是将多个特征向量或安全信息进行直接合并得到一个综合反映多种信息特征的特征值或特征向量,也可以是对多个特征向量或安全信息加权后再进行合并得到一个综合反映多种信息特征的特征值或特征向量。如图5中所示,第四隐藏层对历史到访特征例如(进出门禁的时间段,到访使用开门方式,同访人数,到访是否携物,到访停留时间)、行走轨迹特征例如(行走区域,行走区域停留时长)以及体态信息、携带物体信息等其它可用于辅助识别访问者的安全信息进行特征融合时,可以直接合并得到综合反映多种信息特征的特征向量例如(进出门禁的时间段,到访使用开门方式,同访人数,到访是否携物,到访停留时间,行走区域,行走区域停留时长,体态,携带物品),还可以加权后进行合并得到综合反映多种信息特征的特征向量。例如,进出门禁的时间段*0.6,到访使用开门方式*0.7,同访人数*0.2,到访是否携物*0.2,到访停留时间*0.5,行走区域*0.7,行走区域停留时长*0.4,体态*1,携带物品*1。
在一些实施例中,对多个特征向量进行特征融合还可以是对多个特征向量或安全信息进行进一步的特征化处理(如数据分桶、数据归一化等),之后进行合并或加权合并得到一个综合反映多种信息特征的特征值或特征向量。例如,访问者的身份信息、携带物体信息和步态信息等安全信息可以被预先处理为一个或多个分类值。以访问者的身份信息为例,可以用0,1,2分别代表访问者的身份为业主、租客和访客;用A、B、C分别反映访问者有无犯罪前科、有轻微故意犯罪前科和重大故意犯罪前科等,则所得的访问者身份特征可以示例为(0,A)。又例如,访问者的携带物体信息可以包括访问者是否携带危险物品,危险物品等级等分类特征值。再例如,步态信息可以包括访问者的步幅、行走频率等分类特征值。
在一些实施例中,为了避免在实际应用中,小区内住户即使存在危险性高的行为(如长期停留在监控盲区、携带危险物品、深夜进出小区等),其发生恶意性事件的概率依然较低。可以基于小区内住户的身份信息以及历史到访特征,对计算得到的第一安全特征进行校正,以得到与实际情况更加吻合的第一安全特征。在一些实施例中,可以基于修正第一安全特征对应的特征值或特征向量,以得到更加准确的第一安全特征。如图5中所示:
可以将历史到访特征和访问者的身份信息输入第二隐藏层,输出第一融合向量。第一融合向量可以反映访问者的身份信息以及访问者历史到访情况的综合结果。例如,第一融合向量可以为包括访问者的身份、访问者经常出入小区的时间段、在小区区域的停留时间、携带危险品的历史等维度特征的特征向量。
在一些实施例中,修正第一安全特征对应的特征值或特征向量可以通过对第一融合向量进行条件判断,基于第一融合向量是否满足预设条件,进而得到对应的修正因子,并基于修正因子对第一安全特征中相应的特征值修正。其中,修正因子可以是指特征数据对应的权重系数,预设条件可以是大于或小于特征值阈值,或者可以是符合某些特定的特征信息。例如,在条件判断中,第一融合向量表征的特征数据包括访问者为本小区经常出入的房东、无犯罪前科,此时即使其存在危险性高的行为(如携带危险物品),但其安全性应该为高,于是,可以适应性地减少第四隐藏层中携带物体信息相关的特征的影响,即可以减小携带物体信息相关的特征数据的权重系数或对其设置值较小的权重系数。再例如,第一融合向量表征的特征数据包括访问者为安保人员,此时即使其经常在凌晨进出出入小区、携带危险品,但其安全性应该为高,于是,可以适应性减少第四隐藏层中携带物体信息、行走轨迹特征相关的特征的影响,即可以减小携带物体信息、行走轨迹特征相关的特征数据的权重系数或对其设置值较小的权重系数。
应当理解的是,上述关于步骤的描述仅为示例性的,并不用于限制本申请的保护范围。对于本领域的技术人员来说,可以在本申请的指导下做出多个修正和改变。然而,这些修正和改变不会脱离本申请的保护范围。例如,确定的特征向量还可以有访问者的步态特征、体态特征等多种。再例如,机器学习的模型可以有多个。诸如此类的变化,依然在本申请的保护范围之内。
在一些实施例中,第一安全特征确认模块可以对进行特征提取处理后的数据进一步分析得到需要的数据结果。例如将特征提取处理后的数据输入安全程度判断模型进行安全程度判定或输入其它网络模型进行问题分析,还可以对特征提取处理后的数据进行某种或几种特征分析,得到分析结果(例如对访问者的体态特征及步态特征进行分析,判断访问者通过门禁需要的时间等)。
步骤230,获取安全程度判断模型。在一些实施例中,步骤230由安全程度判断模型获取模块执行。
在一些实施例中,安全程度判断模型获取模块可以基于机器学习模型对访问者安全信息进行安全程度判定,确定可能发生的异常类型、危害程度和/发生概率。所述模型可以是机器学习模型,包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-Nearest Neighbor,kNN)模型、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree,DT)模型、随机森林(RandomForests,RF)模型、回归树(Classification and Regression Trees,CART)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、xgboost(eXtremeGradientBoosting)、轻量级梯度提升机器(Light Gradient Boosting Machine,LightGBM)、梯度提升机(Gradient Boosting Machines,GBM)、LASSO(Least AbsoluteShrinkage andSelection Operator,LASSO)、人工神经网络(Artificial NeuralNetworks,ANN)模型等。所述模型可以由所述历史安全信息的相关数据进行训练后得到。仅作为示例,可以以历史安全信息的相关数据作为输入,以对应的具体恶性事件或不安全情况的类别作为正确标准(Ground Truth)对模型进行训练。同时可以根据模型的预测输出(例如,预测的不安全情况的类别)与正确标准之间的差异反向调整模型参数。当满足某一预设条件时,例如,训练样本数达到预定的数量,模型的预测正确率大于某一预定正确率阈值,或损失函数(LossFunction)的值小于某一预设值,训练过程将停止。在一些其他实施例中,所述安全程度判断模型还可以是一个决策树模型。所述决策树模型的训练过程可参见图3所述,在此不再赘述。
步骤240,基于所述安全程度判断模型以及所述访问者的至少一个第一安全特征判断访问者的安全程度。在一些实施例中,步骤230由安全程度判断模块执行。
在一些实施例中,安全程度判断模块可以基于安全程度判断模型对访问者进行安全程度判定,确定访问者的安全类型。在一些实施例中,安全程度判断模块可以基于安全程度判断模型对所述访问者进行安全判定,确定访问者的安全等级或发生概率值。在一些实施例中,所述安全程度判断模型可以是针对所有的访问者类型的判定模型。安全程度判断模块可以利用所述安全程度判断模型处理访问者的安全信息以确定是否存在一种或多种类型的访问者异常情况。
在一些实施例中,安全程度判断模型的输入可以是第一安全特征。所述第一安全特征可以是访问者的身份信息、访问者的行走轨迹信息、访问者历史到访次数信息、访问者的面部信息、访问者的体态信息和访问者的步态信息中的一个或多个信息构成的特征向量表征。在一些实施例中,安全程度判断模型的输入也可以是第一安全特征所对应的表层特征。所述表层特征可以是第一安全特征生成过程中所获得的中间处理结果(如关键点信息)。以人脸识别模型和体态识别模型为例,可以基于体态识别模型获取人体关键点(如人体各关节)的运动轨迹信息,基于人脸识别模型获取人脸上关键点(如嘴巴、眼镜等五官所对应的关键节点)的信息。将所述表层特征放入安全程度判断模型进行判断,直接输出访问者的安全程度判定结果。采用这种设置方式可以使整个模型结构更加简单,模型的计算过程更快。
在一些实施例中,对于安全程度判断模型的训练过程中,所产生的中间结果可以作为判定规则所使用的判定阈值。例如,以发生恶性斗殴事件的决策树模型为例,在对根节点进行分叉时选择的当前访问者特征作为最优特征进行分叉。当前访问者特征节点的分叉阈值,在经过多次训练的反复更正后达到的稳定值(即,可以将根节点的数据分为正确的两类)时,该稳定的分叉阈值可以作为判定模型的判定阈值。
在一些实施例中,对于访问者的安全判定的判定结果可以包括有是否安全以及对不安全的量化表示。仅作为示例,判定结果可以是安全;或者,判定结果可以是不安全以及表示不安全等级的数值、不安全事件发生概率等。比如,判定结果是(不安全、携带危险品异常-5级)或(不安全、发生恶性斗殴倾向-56%、异常停留-87%)。在一些实施例中,安全程度判断模块可以综合判定全部不安全事件发生的等级和/或概率,并输出一个对应于不安全事件发生的综合判定的判定结果,例如,判定结果为(不安全、74%)。应当注意的是,以上描述的判定结果的形式只是为了说明的目的,本申请不对判定结果的形式进行限制。
在一些实施例中,可以基于部分第一安全特征现行判断访问者是否安全,以确定门禁控制策略是否开门。采用部分第一安全特征可以使得计算更加迅速,计算量更小。仅作为示例,在一些实施例中,可以将身份为住户的访问者视为安全,不为住户的视为不安全。在该场景的实施例中,可以仅基于访问者的身份信息判断访问者的身份是否为住户;若确定访问者为住户,则直接开门;若访问者不为住户,则获取更多信息。
进一步地,当判定访问者为不安全时,可以使用更多/全部第一安全特征判断访问者不安全的类型,并进行过量化表示。使用更多/全部第一安全特征可使得判断更加准确,但相应地,计算效率有所降低。
步骤250,基于访问者的安全程度确定对应的门禁控制策略。在一些实施例中,步骤250由门禁控制策略确定模块确定。在一些实施例中,门禁控制策略确定模块可以根据步骤240中或得到安全程度判定结果,执行不同的门禁控制策略,可以包括开门、呼叫工作人员确认访问者身份、拒绝开门、呼叫保安、通知警方和联络访问者周围的人员进行协助或其任意组合。在一些实施例中,第三计算系统160需要在同一时刻处理多条访问者信息,例如,某小区同时有多个门禁被不同的访问者触发。在访问者信息数量较大的情况下,需要对多条访问者信息进行排序,以保证不安全程度较高的访问者的访问请求得到及时处理。在一些实施例中,可以对访问者的安全程度判定结果进行排序,具体的,可以基于安全程度判定结果确定一个或以上安全程度参数,基于安全程度参数进行排序。所述安全程度参数可以是访问者的相关信息中的某一信息(例如,访问者在偏僻处的停留时间等特征值,停留时间越长,则越危险),也可以是安全程度判定结果中的不安全事件的类型、不安全事件的等级或者不安全事件的发生概率。
在一些实施例中,当多访问者同时访问门禁时,可以执行访问者排序操作。执行访问者排序操作可以避免同一时间大量数据涌入计算系统中导致计算系统的处理数据过大。
在一些实施例中,访问者排序操作可以基于排序规则进行。所述排序规则也可以是根据判定结果中针对不安全概率和/或等级的大小进行排序。所述排序规则还可以是设置排序结果阈值(例如,等级阈值、概率阈值等),对满足不同阈值的不安全判定结果分别进行排序。所述排序规则可以是直接根据所述安全程度判定结果中所包含的不安全概率的大小进行排序。所述排序规则也可以是基于多个不安全参数的某种运算结果(如加权均值)的大小进行排序。
在一些实施例中,访问者排序操作可以基于排序模型进行。所述排序模型可以是数学统计模型,可以分别基于不同不安全种类中的特征值和/或全部不安全的特征值通过公式计算(例如,权重计算)得出访问者排序结果。所述排序模型还可以是机器学习模型,包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-NearestNeighbor,kNN)模型、朴素贝叶斯(Naive Bayes,NB)模型、支持向量机(SupportVectorMachine,SVM)、人工神经网络(Artificial Neural Networks,ANN)模型等。模型可以基于触发不安全的特征数据进行训练后得到。门禁控制策略确定模块可以将多个访问者安全信息的安全程度判定结果输入至训练好的访问者排序模型,确定排序结果。在一些实施例中,门禁控制策略确定模块可以将安全程度判定结果为存在不安全因素的多个访问者安全信息的部分或全部相关数据输入至训练好的安全程度排序模型,确定排序结果。这取决于模型训练的样本数据形式。
在一些实施例中,门禁控制策略确定模块可以针对每种类型的不安全事件分别进行排序,得到不同的不安全事件类型下的排序结果。在一些实施例中,门禁控制策略确定模块可以针对全部不安全事件进行综合排序。例如,可以对不同的不安全事件类别分别设置权重,结合权重对不同的访问者进行综合排序,确定一个全部访问者安全信息的排序结果。在一些实施例中,门禁控制策略确定模块可以对安全程度判定结果属于某一不安全事件类型组合的访问者安全信息进行排序。例如,可以对安全程度判定结果为抢劫和人身安全事件的访问者安全信息进行综合排序。
在一些实施例中,门禁控制策略确定模块可以跳过访问者排序操作,直接对每个访问者安全信息进行处理,包括但不限于开门、呼叫工作人员确认访问者身份、拒绝开门、呼叫保安、通知警方和联络访问者周围的人员进行协助的一种或多种组合。应当注意的是,针对不同安全程度判定结果的访问者安全信息,门禁控制策略确定模块执行的操作可以不同。例如,针对不安全程度较高的访问者(例如,不安全概率大于50%),门禁控制策略确定模块可以执行呼叫保安和/或通知警方。又例如,门禁控制策略确定模块可以对不安全程度较低的访问者(例如,不安全概率小于50%)的访问者先进行拒绝开门和/或呼叫工作人员确认访问者身份等操作,在确认真的有危险时,立即进行报警和/或联络访问者周围的人员进行协助等操作。而对于安全的访问者安全信息,门禁控制策略确定模块可以进行持续监控,以在第一时间发现风险。
图3是根据本说明书一些实施例所示的确定访问者安全程度的方法300的示例性流程图。
步骤310,获取访问者的第一安全特征。在一些实施例中,步骤310由第一安全特征确认模块执行。
在一些实施例中,第一安全特征确认模块可以将获取到的与访问者相关的安全信息进行特征提取处理,转化为特征数据。具体地,在一些实施例中,可以将所述与访问者相关的安全信息进行特征处理,获取至少一个第一安全特征。特征提取处理可以是指对原始信息进行处理并提取特征数据,特征提取处理可以提升原始信息的表达,以方便后续任务。在本说明书申请的一个或多个实施例中,原始信息也可被称为原始数据,用以反映未经特征提取处理的与访问者相关的安全信息。特征数据可以是多个访问者安全信息的数学表征。在一些实施例中,特征数据可以是一个或多个数值、一个或多个向量、一个或多个行列式、一个或多个矩阵等一种或几种的组合。关于访问者第一安全特征数据及特征向量获取的更多描述可以参见图2的相关描述。
在一些实施例中,第一安全特征确定模块还可以将一定时段的历史数据进行合并计算,获得代表历史情况的特征值或特征向量。例如,第一安全特征确认模块可以获取在历史安全信息中访问者在某监控盲区的停留时间。通过对多天的该监控盲区停留时间的加权,第一安全特征确认模块可以获得通过该监控盲区的历史停留时间特征值。例如,第一安全特征确认模块可以通过0.9*T1+0.8*T2+0.7*T3+......计算通过该监控盲区的历史停留时间特征值,其中T1、T2、...可以依次为由近至远不同时点的停留时间。
步骤320,基于多个第一安全特征进行组合,获取至少一个访问者的第二安全特征。在一些实施例中,步骤320由第二安全特征确定模块执行。
在一些实施例中,第二安全特征确认模块还可以将具有关联关系的第一安全特征(特征值或特征向量)组合成新的特征值或特征向量,使其更具代表意义(即第二安全特征)。当使用多种第一安全特征获取第二安全特征时,可以以各种方式将其组合,例如向量拼接、加权计算、归一化等等。例如,第二安全特征确认模块可以将访问者停留在监控盲区的历史停留时间特征值、访问者的行走加速/减速的加速度进行加权求和,获得代表访问者异常行走的特征向量。又例如,第二安全特征确认模块可以将访问者的行走路径习惯特征向量、历史停留时间特征向量进行加权,得到访问者的停留时间的特征向量。在一些实施例中,第二安全特征中的加权权重还可以任意地设置。例如,当访问者的身份为住户时,用户出现异常的概率较低,其对应地计算异常发生特征向量时对应的加权系数可以适应性增大或减小;相类似地,当访问者为孩子、老人或者腿脚不便的病人时,其产生入室偷盗、抢劫等不安全因素的可能会相应降低,此时加权系数也可以适应性增大或减小。具体地,以异常行走的特征向量为例,当访问者为孩子、老人或者腿脚不便的病人时,即使其停留在监控盲区的时间较长,但其产生不安全事件的概率依然很小,因此其计算异常行走特征向量时的加权系数可以适应性地降低。
步骤330,基于安全程度判断模型以及至少一个访问者的第二安全特征判断访问者的安全程度。一些实施例中,步骤330由安全程度判断模块执行。
在一些实施例中,安全程度判断模型可以是一个机器学习模型。所述机器学习模型可以由所述历史安全信息的相关数据进行训练后得到。仅作为示例,可以以历史安全信息的相关数据作为输入,以对应的具体恶性事件或异常情况的类别作为正确标准(GroundTruth)对模型进行训练。同时可以根据模型的预测输出(例如,预测的不安全事件类别)与正确标准之间的差异反向调整模型参数。有关机器学习模型的更多描述可参见图2的相关描述,在此不再赘述。
在一些实施例中,安全程度判断模型也可以是分类模型。具体地,安全程度判断模型可以是决策树模型,包括但不限于分类及回归树(Classification AndRegressionTree,CART)、迭代二叉树三代(Iterative Dichotomiser 3,ID3)、C4.5算法、随机森林(Random Forest)、卡方自动交互检测(Chisquared Automatic InteractionDetection,CHAID)、多元自适应回归样条(Multivariate Adaptive Regression Splines,MARS)以及梯度推进机(Gradient Boosting Machine,GBM)等或其任意组合。
在一些实施例中,可以利用信息增益作为决策树中的节点选择的标准。每次选择最大化信息增益的条件对节点进行选择。在一些实施例中,决策树中的节点与特征参数对应。在一些实施例中,安全程度判断模型上,每个节点上选择一个信息增益最大的特征参数,每个节点上的判断的条件,为节点上的特征参数对应的分类阈值。在一些实施例中,可以将访问者的特征参数作为输入,利用训练好的安全程度判断模型,按照每个节点上特征参数的判断条件进行划分,最终得到最后的识别结果。
在一些实施例中,可以基于所述历史安全信息中访问者的第二安全特征和/第一安全特征,及正负样本的标记结果训练安全程度判断模型。在一些实施例中,标记结果可以是正负样本的分类结果,例如,“1”可以表示正样本,“0”可以表示负样本。在一些实施例中,标记结果可以包括不安全的类型。例如,可以在正样本的基础上标记具体的不安全的类型,“A”可以表示携带危险物品,“B”可以表示与业主发生口角摩擦,“C”可以表示产生恶性斗殴,“D”可以表示有偷盗、抢劫等恶性历史。
在一些实施例中,安全程度判断模型可以是逻辑回归模型。例如,线性回归模型(Linear Regression)、逻辑回归模型(Logistics Regression)、多项式回归模型(Polynomial Regression)、逐步回归模型(Stepwise Regression)、岭回归模型(RidgeRegression)、套索回归模型(Lasso Regression)、ElasticNet回归模型(ElasticNetRegression)等。
一些实施例中,在训练过程中,可以利用验证集对模型进行验证,并根据验证结果(例如,模型处于欠拟合和/或过拟合状态)对模型参数进行调整以使模型达到最佳状态。所述验证集中的数据与所述安全程度判断模型的训练数据独立同分布,且没有交集。在一些实施例中,当满足预设条件时,可以停止模型训练,并将最终的模型作为所述安全程度判断模型输出。
在一些实施例中,安全程度判断模块还可以通过对所述历史安全信息数据的统计分析,设定访问者出现异常情况的判定规则。例如,对于某一访问者,可以从其历史安全信息中获取其评价特征,通过对历史安全信息中的评价特征进行整合,可以得到其评价特征的分布规律。当某一次其访问时产生的评价特征与其历史评价特征差距很大,则可以认为此次访问异常。
在一些实施例中,安全程度判断模块还可以采用访问者的评价特征的向量距离来判定异常情况出现。所述评价特征可以包括异常停留特征、携带异常物品特征、异常法律状态特征等一种或几种的组合。所述向量距离可以用来衡量不同样本数据的差异度或者不同样本数据的相似度。当所述访问者的评价特征与不安全事件发生时评价特征的向量距离很近时,则可判断该访问者处于不安全情况。进一步地,安全程度判断模块可以设置阈值对向量距离进行判定。例如,当访问者的评价特征与不安全事件发生时评价特征的向量距离低于设定阈值时,则可判断该访问者处于不安全情况。
在一些实施例中,安全程度判断模块还可以使用评价特征的向量相似度系数来判定不安全情况的出现。所述相似度系数指的是利用算式计算样本间的相似程度,相似度系数的值越小,说明个体间相似度越小,差异越大。当访问者的评价特征与不安全事件发生时评价特征的相似度系数很大,则可判断该访问者处于不安全情况。进一步地,安全程度判断模块可以设置阈值对相似度系数进行判定。例如,当访问者的评价特征与不安全事件发生时评价特征的相似度系数高于设定阈值时,则可判断该访问者处于不安全情况。在一些实施例中,所使用的相似系数包括但不限于简单匹配相似系数、Jaccard相似系数、余弦相似度、调整余弦相似度、皮尔森相关系数等。在一些实施例中,安全程度判断模块还可以使用相似度系数和向量距离共同判断某一访问者是否处于不安全情况。
进一步地,在一些实施例中,访问者的历史评价特征可以被预先计算并存储。在一些实施例中,第二计算系统150可以计算当前向量与距离它最近的一个或多个历史评价特征的向量距离。当所述多个特征之间的向量距离很近时,则可判断这些特征属于同一聚类。在一些实施例中,处理设备110可以计算当前向量与距离最近的历史评价特征的聚类中心的距离。所述历史评价特征的聚类中心可以由其他模块预先计算,或者通过其他方式获取。进一步地,处理设备110可以设置阈值对向量距离进行判定。例如,当所述特征与聚类中心的向量距离低于设定阈值时,则可判断此特征属于这一聚类。在一些实施例中,还可以通过向量相似度系数多个特征之间的差异。当所述多个特征之间的向量相似度系数很大时,则可判断这些特征属于同一聚类。进一步地,可以设置阈值对向量相似度系数进行判定。例如,当所述特征与聚类中心的向量相似度系数高于设定阈值时,则可判断此特征属于这一聚类。
图4是根据本说明书一些实施例所示的确定开关门策略的方法400的示例性流程图。
在一些实施例中,当所述门禁控制策略为开门时,可以执行如图4所示开关门策略400的示例性流程图。在一些实施例中,方法400可以由开关门策略确定模块执行。
步骤410,获取访问者的面部信息、体态信息和步态信息中的至少一个。
在一些实施例中,可以获取访问者的视频数据。所述视频数据包括访问者的面部信息、体态信息和步态信息中的至少一个。在一些实施例中,所述视频数据可以基于摄像装置110-4获取。视频数据是以电信号方式记录的动态影像,由多幅时间上连续的静态图像组成。其中,每幅静态图像为视频数据的一帧。在一些实施例中,一个时间点的视频数据可以包含多幅静态图像。在一些实施例中,可以基于所采集的视频数据,获取访问者的一幅或多幅静态图像。
在一些实施例中,视频数据的格式可以是但不限于:高密度数字视频光盘(Digital Video Disc,DVD)、流媒体格式(Flash Video,FLV)、动态图象专家组(MPEG,Motion Picture Experts Group)、音频视频交错(Audio Video Interleaved,AVI)、家用录像系统(Video Home System,VHS)和视频容器文件格式(Real Media file format,RM)等中的一种或多种组合。
步骤420,判断访问者是否满足延迟开关门条件。
在一些实施例中,可以基于所获得的一幅或多幅静态图像,确定访问者是否满足延迟开关门条件。在一些实施例中,开关门策略确定模块可以判断访问者是否满足预设的延迟开关门条件。对于满足预设的延迟开关门条件的访问者执行步骤430,对于不满足预设的延迟开关门条件的访问者执行步骤440。
在一些实施例中,所述预设条件可以包括年龄限制。例如,对于年龄大于某一预设阈值的访问者(如年龄大于70岁的老年人),采用延迟开关门的控制方法。在一些实施例中,访问者的年龄可以通过图2、图3中访问者的终端信息获取。在一些实施例中,还可以基于面部识别的方式,获取访问者在数据库中存储的信息,从而获取访问者的年龄。在一些其他实施例中,还可以基于人脸识别以及人脸识别模型判断访问者的大致年龄区间,对于年龄区间大于某一阈值的访问者执行步骤430。所述人脸识别模型可以以历史状态下的人脸作为输入,以对应的年龄作为标签对对模型进行训练。同时可以根据模型的预测输出(例如,样本的预测年龄)与样本正确标准之间的差异反向调整模型参数。
在一些实施例中,预设条件还可以包括访问者是否腿脚不便。例如,对于腿脚有伤,无法快速通过门禁的访问者,也可采用延迟开关门的控制策略。在一些实施例中,可以基于步骤410获取的多幅静态图像,获取访问者的体态特征和步态特征。当确定访问者腿脚不便时,执行步骤430。
在一些其他实施例中,预设条件还可以由人为具体设置。例如,对于某些访问者(如租户或者业主),可以设置其对应的门禁控制策略。具体地,当获取到访问者的身份信息时,门禁按照对应访问者的身份信息进行不同的开关门策略。
步骤430,延迟开关门。在一些实施例中,当满足步骤420时,执行步骤430。在一些实施例中,步骤430的延迟关门时间可以定制性地设置,例如,可以设置为1s、3s、5s…。
步骤440,正常开关门。在一些实施例中,当不满足步骤420时,执行步骤440。
本实施例一方面基于采集到的信息进一步地判断开关门的策略,对于腿脚不便,年龄偏大的访问者采取延迟关门策略,便于这些访问者方便地通过门禁且避免夹伤。本实施例另一方面提供一种针对访问者定制性控制门禁的方法。对于不同的访问者,可以定制性地设置不同的门禁开关门时间,从而满足居民和租客的定制化需求。
本说明书实施例还提供一种计算机可读存储介质。所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机实现前述的基于注意力的多场景竞争力计算方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在访问者计算机上运行、或作为独立的软件包在访问者计算机上运行、或部分在访问者计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与访问者计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。