CN115906036A - 使用访问控制信息的机器学习辅助意图确定 - Google Patents
使用访问控制信息的机器学习辅助意图确定 Download PDFInfo
- Publication number
- CN115906036A CN115906036A CN202210937493.6A CN202210937493A CN115906036A CN 115906036 A CN115906036 A CN 115906036A CN 202210937493 A CN202210937493 A CN 202210937493A CN 115906036 A CN115906036 A CN 115906036A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- intent
- access
- controlled area
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000015654 memory Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 17
- 230000003542 behavioural effect Effects 0.000 claims description 27
- 230000033001 locomotion Effects 0.000 claims description 27
- 230000005021 gait Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 230000000241 respiratory effect Effects 0.000 claims description 8
- 230000036760 body temperature Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 4
- 230000004424 eye movement Effects 0.000 description 4
- 230000008921 facial expression Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003434 inspiratory effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002496 oximetry Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00309—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated with bidirectional data transmission between data carrier and locks
-
- 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
- G07C9/20—Individual registration on entry or exit involving the use of a pass
- G07C9/22—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder
- G07C9/25—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
- G07C9/00571—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated by interacting with a central unit
-
- 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
- G07C9/20—Individual registration on entry or exit involving the use of a pass
- G07C9/22—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder
-
- 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
- G07C9/20—Individual registration on entry or exit involving the use of a pass
- G07C9/27—Individual registration on entry or exit involving the use of a pass with central registration
-
- 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
-
- 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
- G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration
-
- 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
- G07C2209/00—Indexing scheme relating to groups G07C9/00 - G07C9/38
- G07C2209/14—With a sequence of inputs of different identification information
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
公开用于机器学习辅助意图确定的系统和方法。在一些实施例中,一种系统包括至少一个处理器和存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:获得用户信息,所述用户信息包括用户的行为信息;获得用于所述用户的控制访问信息,所述控制访问信息指示所述用户是否访问受控区域;使用所获得的用户信息和控制访问信息来训练机器学习系统的意图模型,所述意图模型被配置成确定用户意图,所述用户意图指示所述用户是否意图访问所述受控区域;以及使用训练的意图模型来基于所获得的用户信息而确定所述用户意图。
Description
相关申请的交叉引用
本申请要求于2021年8月5日提交的美国临时申请No.63/203944的权益,其内容由此全部并入。
技术领域
本发明一般涉及意图确定,并且更特别地涉及使用行为特性和访问控制信息的机器学习辅助意图确定。
背景技术
访问控制系统通常用来控制对指定区域的访问。认证凭证通常用来准予或拒绝对这些区域的访问。在传统的访问控制中,可以基于凭证(例如,标记)的呈现来确定用户意图。然而,用户意图可能难以确定何时使用其它形式的认证。
发明内容
本公开的方面涉及用于使用行为特性和访问控制信息的机器学习辅助意图确定的方法、装置和/或系统。
在一些实施例中,用于机器学习辅助意图确定的系统包括至少一个处理器和存储可由所述至少一个处理器执行的指令的存储器。在一些实施例中,所述指令在被执行时使系统:获得包括用户的行为信息的用户信息;获得用于所述用户的控制访问信息,所述控制访问信息指示所述用户是否访问受控区域;使用所获得的用户信息和控制访问信息来训练机器学习系统的意图模型,所述意图模型被配置成确定用户意图,所述用户意图指示所述用户是否意图访问所述受控区域;以及使用训练的意图模型来基于所获得的用户信息而确定所述用户意图。
在一些实施例中,所述指令使系统:接收所述用户的认证信息;确定所述用户是否被授权访问所述受控区域;以及响应于所述用户未被授权访问所述受控区域的确定,从用来训练所述意图模型的所述用户信息中过滤与所述用户相关的信息。
在一些实施例中,行为特性包括所述用户的一个或多个身体部分的运动、移动或步态(gait)中的一个或多个。
在一些实施例中,所述用户信息包括生理参数,所述生理参数包括体温、心率、脉搏或呼吸参数中的一个或多个,并且其中所述生理参数用来训练所述意图模型。
在一些实施例中,所述指令使系统获得与所述受控区域相关的信息,并且其中与所述受控区域相关的所述信息用于训练所述意图模型中。
在一些实施例中,所述系统包括:一个或多个传感器,其被配置成生成与所述用户信息相关的输出信号;以及访问控制系统,其被配置成提供所述访问控制信息。
在一些实施例中,用于意图确定的系统包括:至少一个处理器;以及存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:获得用户信息,所述用户信息包括用户的行为信息;获得用于所述用户的控制访问信息,所述控制访问信息指示所述用户是否访问受控区域;以及基于用于所述用户的所述控制访问信息和所述行为信息来确定用户意图,所述用户意图指示所述用户是否意图访问所述受控区域。
在一些实施例中,所述指令使系统响应于确定所述用户意图访问所述受控区域而准予对所述受控区域的访问。
在一些实施例中,一种用于使用访问控制信息的机器学习辅助意图确定的方法,所述方法在包括至少一个处理器和存储指令的存储器的计算系统中实现,所述方法包括:获得用户信息,所述用户信息包括用户的行为信息;获得用于所述用户的控制访问信息,所述控制访问信息指示所述用户是否访问受控区域;使用所获得的用户信息和控制访问信息来训练机器学习系统的意图模型,所述意图模型被配置成确定用户意图,所述用户意图指示所述用户是否意图访问所述受控区域;以及使用训练的意图模型来基于所获得的用户信息而确定所述用户意图。
通过随附于此的本发明的详细描述和附图,本发明的各种其它方面、特征和优点将变得明白。还要理解,前面的一般描述和下面的详细描述都是示例,而不是对本发明的范围的限制。
附图说明
在说明书的结尾处的权利要求书中特别指出并清楚地要求保护被视为本公开的主题。附图的以下描述不应视为以任何方式进行限制。参考附图,相似的元件被相似地编号:
图1示出根据一个或多个实施例的用于机器学习辅助意图确定的系统的示例。
图1A示出根据一个或多个实施例的用于机器学习辅助意图确定的系统的示例。
图2示出根据一个或多个实施例的训练系统的示例。
图3示出根据一个或多个实施例的受控区域的示例。
图4示出根据一个或多个实施例的图示用于使用访问控制信息进行意图确定的示范性方法的流程图。
图5示出可用来实现本文所述的技术的方面的计算机系统的示例。
具体实施方式
在下面的描述中,出于解释的目的,阐述许多特定细节以便提供对本发明实施例的透彻理解。然而,本领域的技术人员将领会,本发明的实施例可以在没有这些特定细节的情况下或以等效布置来实践。在其它情况中,以框图形式示出众所周知的结构和装置,以避免不必要地模糊本发明的实施例。
本公开提供用于使用用户的行为特性进行用户意图确定的系统100。行为特性可以包括用户移动特性(例如,步态、协调、步行速度、所采取的步数、步速,方式和步行模式,或其它移动特性);用户的一个或多个身体部分的运动、位置或取向(例如,姿势、面部表情、眼睛移动、头部位置等)。特别地,系统100可以被配置成训练深度学习模型以基于行为特性来标识用户意图。学习模型可以使用与用户相关的访问控制信息来学习与意图相关联的行为特性。在一些实施例中,学习模型可以被自动训练(无监督学习)以使用由用户在特定设置中验证的动作来确定用户的意图。例如,系统100可以使用来自访问控制系统的关于用户是否已经访问受控区域(例如,建筑物或特定建筑物的特定房间)的反馈来训练学习模型以标识那个用户的意图。换句话说,训练模型以使用来自访问控制系统的信息来标识(或检测)用户是否意图访问受控区域,所述信息指示他是否实际访问或没有访问受控区域。在一些实施例中,系统100可以被配置成标识指示其意图的用户行为。例如,访问控制结果(人确实输入或未输入)可以用作暗示意图的肯定或否定确认,其随时间允许模型学习什么行为特性(例如,步态/移动转化成意图)。这些行为可以包括姿势、运动、步态、表情、移动或指示用户意图的其它有意识或无意识行为。
在一些实施例中,来自一个或多个传感器(例如,光学传感器)的传感器数据可用来确定关于用户行为的信息和关于场景(用户和受控区域的设置或环境)的信息。在一些实施例中,训练的意图模型可以是场景特定的(例如,场景可以是具有周围区域的建筑物的前门)、用户特定的、访问点特定的或在系统管理要求的任何其它个性化中个性化的。
系统100的意图学习模型可以被配置成通过连续迭代和自学习来动态地适配和调整到不同的设置,而不必通过监督学习(这可能是耗时和昂贵的)。在一些实施例中,意图学习模型可以被个性化到特定场景,但是可以动态地调整到场景中的变化。例如,在第一设置(例如,建筑物的前门)中指示用户意图的行为可以不同于在第二设置(例如,走廊)中指示意图的行为。类似地,意图学习模型可以调整到相同设置中的不同条件(例如,人群、障碍、一天中的时间等)。此外,意图学习模型可以调整到用户的不同条件(例如,物理变化,生理变化等)。这可能是有益的,因为模型是不断自学习的并且不需要重新训练(例如,每当有新用户时,或者每当通道门改变时等)。另外,所公开的方法不要求大的训练集(例如,特定于每个场景、每个访问点、每个受控区域、每个用户、场景或用户中的每个变化等)。也就是说,并非所有实施例都必须提供这些益处中的所有益处,并且一些实施例可以提供其它明显的优点,这并不意味着在一些实施例中也可以不省略本文所描述的任何其它特征。例如,系统100的操作可用来为用户提供无缝体验(在用户到达访问点之前确定意图并且可准予更快速的访问)。其它优点可以包括用户不需要“教导”系统来识别他们的意图,学习是自动完成的。
图1示出根据一个或多个实施例的用于意图确定的系统100的示例。在一些实施例中,系统100可以包括训练系统110、一个或多个传感器102、用户装置104、访问控制装置106、访问控制系统108和/或其它组件。为本领域普通技术人员已知的其它组件可以包括在系统100中以收集、处理、传送、接收、获取和提供结合所公开的实施例使用的信息。另外,系统100还可包括执行或协助执行与所公开的实施例一致的一个或多个过程的其它组件。例如,本文描述的一个或多个实施例可以在被配置用于提供对网络之间的数据流的控制的边缘装置中实现。图1A示出被配置用于执行本公开的一个或多个实施例的边缘装置10的示例。边缘装置可以被配置成执行或协助执行本文描述的一个或多个实施例(例如,接收、处理、存储或传送结合所公开的实施例使用的信息)。边缘装置可以包括其它组件(例如,系统100的一个或多个组件,或其它组件)以协助执行所公开的实施例。
在一些实施例中,传感器102可以被配置成生成输出信号,所述输出信号传达与用户、受控区域和/或其它传感器信息相关的信息。在一些实施例中,传感器信息可用来检测、标识或认证用户。在一些实施例中,由传感器102提供的传感器信息可用于确定用户意图(例如,传感器信息可用来训练机器学习模型以基于传感器信息来检测用户意图)。在一些实施例中,信息可以包括行为信息、生理信息、生物测定信息、标识信息;与受控区域(例如,建筑物)或受控区域的周围环境有关的信息;和/或其它信息。在一些实施例中,传感器102可以包括光学传感器、加速度计、位置传感器、全球定位系统(GPS)传感器、位置传感器、计步器、运动检测器、音频传感器或用于提供用户相关或受控区域信息的其它传感器中的一个或多个。在一些实施例中,传感器102可以位于允许传感器测量的任何一个或多个位置(系统100内或系统100外)处。例如,传感器102可以包括随用户(例如,用户通过装置拥有传感器,或者传感器直接与用户耦合)位于或靠近访问装置106、用户装置104,位于访问装置104或用户的周围区域(例如,门、走廊、建筑物、建筑物外等)中,或位于其它位置中的传感器。
在一些实施例中,传感器102可以包括被配置成生成一个或多个图像数据的光学传感器。在一些实施例中,图像数据可用来确定用户的意图。在一些实施例中,系统100可以使用由传感器获得的图像数据来训练意图模型以确定/检测用户的意图。例如,图像数据可用于来自使用机器学习系统从光学传感器接收的数据集的特征或信息提取(如下面在本文中所述的)。在一些实施例中,光学传感器可以包括图像或视频拍摄装置、热像传感器、深度传感器、扫描仪、LIDAR传感器、RADAR传感器、3D拍摄装置、红外光传感器、高光谱成像仪、多光谱成像仪和/或其它传感器中的一个或多个。在一些实施例中,从传感器102获得的传感器数据可以被处理(例如,使用本文参考图5描述的处理器510)以提取图像信息。在一些实施例中,处理器可以包括在传感器中。在一些实施例中,由传感器102获得的传感器数据可以包括图像、视频、多维深度图像、热图像、红外光测量、光反射时间测量、无线电波测量、范围、角度和/或其它传感器数据。在一些实施例中,可以组合来自传感器102的多个传感器的多个传感器数据以提取信息。例如,可以组合来自不同位置和角度的图像、多维深度图像、热图像、范围角度和/或从传感器102获得的其它图像数据,以提供关于用户和/或受控区域的信息。在一些实施例中,计算机视觉技术可用来从光学传感器提取关于用户或受控区域的信息。在一些实施例中,计算机视觉可以用于人或物体的检测、识别或标识。
在一些实施例中,由传感器102生成的信息可以包括用户的行为特性。用户的行为特性可以包括用户移动特征(例如,步态、协调、步行速度、所采取的步数、步速、方式和步行模式或其它移动特性)。在一些实施例中,行为特性可以包括用户的一个或多个身体部分的运动、位置或取向(例如,姿势、面部表情、眼睛移动、头部位置等)。在一些实施例中,由传感器102生成的信息可以包括生理信息(或参数)。在一些实施例中,生理参数可用来确定用户意图。例如,生理参数可以包括体温、心率、脉搏、呼吸参数(例如,呼吸率、吸气/呼气持续时间、呼吸周期或其它呼吸参数)或其它生理参数。
在一些实施例中,由传感器102生成的信息可以包括用户的生物测定信息。生物测定信息可以包括用户的物理特性(或属性)(例如,身高、头发、眼睛、身体形状、性别、种族、年龄、身体标记、面部、语音特性、指纹或其它生物测定特性)。在一些实施例中,由传感器102生成的信息可以包括标识信息。标识信息可包括用户名、ID、访问凭证、访问级别、密码、代码等。在一些实施例中,生物测定信息或标识信息可用于检测、标识、识别或认证用户。在一些实施例中,生物测定信息或标识信息可以从本文描述的访问控制装置106或访问控制系统108获得。在一些实施例中,由传感器102生成的信息可以包括与场景(例如,受控区域和受控区域的周围环境)相关的信息。与所述场景相关的形成中可以包括所述受控区域的尺寸,形状,维度;访问点的数量和位置;周围区域中的其它存在的结构或障碍;走道;道路;自然特征(树等);或与受控区域及其周围环境相关的其它物理信息。
应当领会,本文描述的传感器类型和操作的示例要被看作仅用于说明目的的实施例的示例。其它类型的传感器和传感器信息提取技术被预期并且在本公开的范围内是一致的。
在一些实施例中,访问控制装置106可以被配置成控制对区域或资产(例如,结构、建筑物、房间、隔间、交通工具、盒子、装置、机器,或对其访问被控制的其它区域或资产)的访问。在一些实施例中,访问控制装置106可以包括能够锁定、紧固和/或控制(例如,对受控资产或受控区域的)访问的锁定机构。在一些实施例中,访问控制装置106可以包括机械或电组件。在一些实施例中,访问控制装置106可以被配置成从系统100的一个或多个组件接收信号并向其传送信号。在一些实施例中,访问控制装置106可以认证用户或用户装置104。在一些实施例中,访问控制装置106可以包括认证程序(或应用),所述认证程序(或应用)被配置成经由多因素认证、接近认证、密码、密钥交换、配对、注册、生物测定、形成专用链路或其它形式的认证来认证用户(或用户装置104)。虽然访问控制装置106在图1中被描绘为单个装置,但是在一些实施例中,访问控制装置106可以包括能够执行本文所讨论的功能的多个互连装置。在一些实施例中,访问控制装置106可以被配置成请求和/或验证数字证书信息、解密/加密信息和/或处理操作的其他类型的信息。在一些实施例中,访问控制装置106可以包括计算资源,诸如用于存储指令的处理器和存储器装置(例如,以下在本文中参考图5描述的计算系统500)。处理器可以被配置成执行软件指令以执行与本公开的一个或多个实施例一致的各种操作。
在一些实施例中,访问控制装置106可以包括一个或多个传感器102(本文描述)。例如,访问控制装置106可以包括光学传感器、RFID读取器、生物测定读取器、接近传感器、运动传感器和/或其它传感器中的一个或多个。在一些实施例中,访问控制装置106可以被配置成向一个或多个传感器提供处理能力或处理能力中的全部处理能力。在一些实施例中,访问控制装置106可以被配置成将传感器数据传送到训练系统110、访问控制系统108或系统100的其它组件。
在一些实施例中,访问控制系统108可以被配置成提供管理功能以控制访问装置106(例如,控制、编程、监测、认证、交换信息等)。在一些实施例中,访问控制系统108可以被配置成存储与用户相关的访问控制信息(例如,用于用户的访问凭证、标识或认证信息)。在一些实施例中,访问控制信息可以包括与访问事件相关的信息。例如,访问事件信息可以包括关于用户访问或尝试访问受控区域时的事件的细节(例如,时间、使用的凭证、准予/拒绝的访问等)。在一些实施例中,访问控制系统108可以被配置成将访问控制信息传送到系统100的一个或多个组件。例如,访问控制系统108可以向训练系统110提供访问事件信息,以使用其中用户访问受控区域的事件来训练机器学习模型(如本文所述)。在一些实施例中,可以包括一个或多个处理器、存储器、数据库或为本领域普通技术人员已知的其它组件,其用来收集、处理、传送、接收、获取和提供结合所公开的实施例使用的信息。
用户装置104可以包括能够向访问控制装置106传送用户认证凭证的任何装置。在一些实施例中,用户装置104可以被配置成通过短距离无线通信技术与访问控制装置106通信。例如,用户装置104可以是具有与访问控制装置106通信的能力的任何用户装置(例如,移动电话、可穿戴计算装置、平板等)。在一些实施例中,用户装置104可以是被配置成向访问控制装置106传送用户认证凭证的密钥卡。在一些实施例中,密钥卡可以是接触式卡(例如,磁条卡、条形码、刷卡或接触式智能卡)或能够通过短距离无线通信进行通信的非接触式卡。在一些实施例中,用户装置104可以被配置成使用一种或多种短距离通信技术(例如,RFID、NFC、BLE、BTLE、Wi-Fi、超宽带(UWB)或其它短距离通信技术)与访问控制装置106或系统100的其它组件进行通信。
在一些实施例中,用户装置104可以包括一个或多个传感器102(本文描述)。例如,用户装置104可以包括加速度计、计步器、位置传感器、GPS、接近度、运动和/或其它传感器中的一个或多个。在一些实施例中,用户装置104可以被配置成向一个或多个传感器提供处理能力或处理能力中的全部处理能力。在一些实施例中,用户装置104可以被配置成将传感器数据传送到训练系统110、访问控制装置106、访问控制系统108或系统100的其它组件。例如,响应于用户装置104在访问控制装置106附近(或在访问控制装置的环境中),可以在用户装置和系统100的一个或多个组件之间建立短距离通信,以允许传送传感器数据或其它通信(例如,认证)。
在一些实施例中,训练系统110可以包括用户信息模块120、访问控制信息模块130、意图确定模块140和/或其它组件。在一些实施例中,训练系统110可以包括诸如用于存储指令的存储器装置和处理器之类的计算资源(例如,以下在本文中参考图5描述的计算系统500)。处理器可以被配置成执行软件指令以执行系统100的各种操作。计算资源可包括用来执行模块120、130、140和/或系统110和100的其它组件的操作的软件指令。
用户信息模块120可以被配置成获得(或确定)与用户相关的信息。如上所述,用户信息可以包括行为信息、生理信息、生物测定信息、标识信息或其它用户相关信息。在一些实施例中,可以从由传感器102生成的输出信号确定用户信息。在一些实施例中,用户信息可以从用户装置104、访问装置106、访问控制系统108或系统100内或在其之外的其它组件(例如,数据库)获得。
例如,用户信息模块120可以被配置成基于来自传感器102的输出信号来确定用户的行为特性。用户的行为特性可以包括用户移动特性(例如,步态、协调、步行速度、所采取的步数、步速、方式和步行模式或其他移动特性);用户的一个或多个身体部分的运动、位置或取向(例如,姿势、面部表情、眼睛移动、头部位置等);或其它行为特性。在一些实施例中,用户信息模块120可以被配置成从图像数据中提取用户的行为特性。例如,可以使用图像/视频分析技术来确定用户的步态。在一些实施例中,可以基于来自多个传感器102(例如,光学传感器、位置传感器、加速度计、计步器等)的信息的组合来确定用户的行为特性。可以将所确定的行为特性映射到与用户相关的访问信息,以确定用户的意图并训练意图模型(如本文所解释的)。
在一些实施例中,用户信息模块120可以被配置成基于来自传感器102的输出信号来确定用户的一个或多个生理参数。在一些实施例中,生理参数可包括体温、心率、脉搏、血氧测定、呼吸参数(例如,呼吸速率、吸气/呼气持续时间、呼吸周期或其它呼吸参数)或其它生理参数。在一些实施例中,传感器102可以包括直接(例如,通过与用户的流体连通)测量这样的参数的一个或多个传感器,或者通过来自系统100内或在其之外的其它传感器或其它组件(例如,运动传感器、加速度计、光学传感器、音频传感器和/或其它传感器)的测量间接生成与一个或多个生理参数相关的输出信号的传感器。与用户相关的生理参数可以用来确定用户的意图(他们是否意图访问受控区域)。在一些实施例中,生理信息可与行为特性或其它用户信息组合以确定用户的意图。
在一些实施例中,访问控制信息模块130可以被配置成获得与用户相关的访问信息。在一些实施例中,访问信息可以从访问装置106、访问控制系统108或从系统100内或在其之外的其它组件获得。在一些实施例中,访问控制信息可以包括与访问事件相关的信息。例如,访问事件信息可以包括关于用户访问或尝试访问受控区域时的事件的细节(例如,时间、使用的凭证、准予/拒绝的访问等)。在一些实施例中,模块130可以被配置成基于接收的访问信息来确定用户是否访问(进入)受控区域。在一些实施例中,访问控制信息模块130可以被配置成基于来自多个访问点的访问事件来确定用户何时“实际”进入受控区域。例如,如果用于用户的访问事件包括来自访问控制装置106(例如,在建筑物的前面)或来自位于建筑物内的另一个访问控制装置(例如,电梯、楼层、车库、办公室、咖啡机、打印机或建筑物内的其它受控区域或资产)的事件,则可以确定用户已经进入建筑物。在一些实施例中,除了访问信息之外,模块130可以基于标识建筑物内的用户的信息或事件(例如,来自建筑物内标识用户的一个或多个传感器的数据)来确定用户进入受控区域。类似地,访问控制信息模块130可以被配置成确定用户没有访问受控区域的时间。例如,访问控制信息模块130可以确定用户被拒绝访问(例如,因为他没有访问或用于认证问题)。在一些实施例中,访问控制信息模块130可以确定用户即使在成功认证之后也没有访问受控区域(例如,用户正经过访问点并且没有意图进入)。
在一些实施例中,意图确定模块140可以被配置成确定用户意图。在一些实施例中,用户意图可以指示用户是否意图访问受控区域。可以基于用户的行为特性来确定用户意图。例如,可以基于用户移动特性(例如,步态、协调、步行速度、所采取的步数、步速、方式和步行模式或其他移动特性)来确定用户意图。在一些实施例中,可以基于用户的一个或多个身体部分的运动、位置或取向(例如,姿势、面部表情、眼睛移动、头部位置等)来确定用户意图。在一些实施例中,可以基于其它用户信息(例如,上述用户信息)来确定用户意图。在一些实施例中,可以基于访问控制信息、与设置相关的信息和/或其它信息来确定用户意图。在一些实施例中,访问控制信息可以用作用户意图学习过程中的反馈(例如,暗示意图的肯定或否定确认)。在一些实施例中,意图确定模块140可以被配置成将访问信息与用户信息(例如,行为、生理或其它用户信息)进行比较,以确定访问受控区域的意图。例如,意图确定模块140可以确定与用户进入建筑物的意图相对应的用户的行为或生理特性(例如,什么步态/移动转换成进入那个特定受限区域的意图)。类似地,在一些实施例中,意图确定模块140可以基于用户信息或访问控制信息来确定用户没有意图访问受控区域。意图确定模块140可以确定对应于不进入受控区域的用户意图的行为或生理特性。
在一些实施例中,由用户信息模块120获得的用户信息和/或由访问控制信息130获得的控制访问信息可以被输入到意图确定模块140的机器学习系统中,其被配置成训练一个或多个意图模型以确定用户的意图。图2示出根据本公开的一个或多个实施例的训练系统的示例操作200。在一些实施例中,意图确定模块210可以包括被配置成训练一个或多个意图模型以确定用户的意图的机器学习系统240(例如,深度学习模型)。在一些实施例中,机器学习系统240使用无监督学习算法来训练一个或多个意图模型。在一些实施例中,机器学习系统240的无监督学习算法可以被配置成接收用于特定设置的用户信息和访问控制信息以作为输入。输入数据未被标记、分类或归类。在一些实施例中,机器学习系统240的无监督学习算法可以被配置成标识输入数据中的类似性并且基于所标识的类似性的存在或不存在来对新数据进行分组。使用无监督的学习算法可能是有益的,因为它可以允许发现隐藏的趋势和模式,或者从输入数据(例如,用户信息)中提取数据特征,如果使用技术,所述输入数据特征将难以获得。例如,训练的意图模型可以能够检测特定于每个用户的微姿势或潜意识移动,其可以指示用户的意图(进入或不进入)。
要理解,这里将机器学习系统描述为用于确定用户意图的技术的示例。然而,通过本公开也考虑其它技术。因此,通过本公开考虑用于基于访问控制信息来确定用户意图的任何计算机实现的技术或机器学习技术。例如,机器学习系统240可以实现任何类型的机器学习技术来确定如本文所述的用户意图。机器学习系统240可以使用监督学习、半监督学习、无监督学习、强化学习和/或其它机器学习技术中的一种或多种。在一些实施例中,机器学习模型可以包括决策树、支持向量机、回归分析、贝叶斯网络、随机森林学习、降维算法、提升算法、人工神经网络(例如,全连接神经网络、深度卷积神经网络或递归神经网络)、深度学习和/或其它机器学习模型。
在一些实施例中,意图确定模块140可被配置成在确定用户意图中使用与特定场景相关的信息。在一些实施例中,与场景相关的信息可用来训练机器学习模型以确定用户意图(当用户在那个特定场景中时)。在一些实施例中,意图确定模块可以使用建筑物的尺寸、形状、维度;访问点的数量和位置;周围区域中的其它存在的结构或障碍;走道;道路;自然特征(树等);或在确定意图(或教导意图模型)中与受控区域及其周围环境相关的其它物理信息。在一些实施例中,意图确定模块140可以被配置成基于访问点(例如,特定于建筑物前面中的多个门之中的门)来确定意图。在一些实施例中,意图确定可以基于用户接近访问点的接近角度(或方位、位置或取向)。这些技术中的一种或多种可以应用于图3中所示的示例。图3示出根据一个或多个实施例的场景300的示例。场景300包括受控区域320、访问点330和用户340。如可以从图3看到,多个用户从访问点的多个侧面(或角度)接近。如上所述,意图确定模块可以被配置成基于与用户340相关的信息、用于用户340的访问控制信息、与场景300相关的信息、访问点330,接近角度或其它用户或受控区域(场景)信息来确定用户340中的一个或多个的意图。
返回到图1,在一些实施例中,系统100的意图学习模型可以被配置成通过连续迭代和自学习来动态地适配和调整到不同的设置,而不必通过监督学习(这可能是耗时和昂贵的)。在一些实施例中,意图学习模型可以被个性化到特定场景,但是可以动态地调整到场景中的变化。例如,在第一设置(例如,建筑物的前门)中指示用户意图的行为可以不同于在第二设置(例如,走廊)中指示意图的行为。类似地,意图学习模型可以调整到相同设置中的不同条件(例如,人群、障碍、一天中的时间等)。此外,意图学习模型可以调整到用户的不同条件(例如,物理变化、生理变化等)。这可能是有益的,因为模型是不断自学习的并且不需要重新训练(例如,每当有新用户时或者每当通道门改变时等)。也就是说,并非所有实施例都必须提供这些益处中的所有益处,并且一些实施例可以提供其它明显的优点,这并不意味着在一些实施例中也可以不省略本文描述的任何其它特征。例如,系统100的操作可用来为用户提供无缝体验(在用户到达访问点之前确定意图并且可准予更快速的访问)。其它优点可以包括用户不需要“教导”系统来识别他们的意图,学习是自动完成的。
在一些实施例中,用户信息模块120可以被配置成基于从传感器102获得的用户信息(例如,基于生物测定信息或标识信息)来检测、标识或识别用户。在一些实施例中,用户信息模块120可以被配置成基于从传感器102获得的用户信息或来自系统100的其它组件(例如,用户装置104、访问控制装置106、访问控制系统108和/或其它组件)的信息来认证用户。在一些实施例中,意图确定模块140可被配置成在用户已被成功认证之后确定用户意图。在一些实施例中,用来训练机器学习模型的用户信息和访问控制信息与首先被认证的用户相关。在一些实施例中,意图确定模块140可以被配置成从在机器学习系统中使用的数据中丢弃(或过滤掉)与未被认证、认证步骤失败,或没有访问特定访问点的用户相关的数据。在一些实施例中,这可以提供更准确的意图确定训练。在一些实施例中,可以在受控区域附近检测多个用户。在这些情况下,意图确定模块可以使用过滤步骤来移除未被认证的用户,并且使用来自被认证(可以访问受控区域)的用户的用户信息来训练意图模型。
在一些实施例中,系统100的一个或多个组件可以直接通过一个或多个专用通信链路进行通信。在一些实施例中,系统100可以包括连接系统100的一个或多个组件的网络190。在一些实施例中,网络190可以是被配置成提供系统100的组件之间的通信的任何类型的网络。例如,网络可以是提供通信、交换信息和/或促进信息交换的任何类型的有线或无线网络(包括基础设施),例如因特网、近场通信(NFC)、光码扫描器、蜂窝网络、公共交换电话网络(“PSTN”)、文本消息传送系统(例如SMS,MMS)、频率(RF)链路、蓝牙®、Wi-Fi、专用数据网络、虚拟专用网络、Wi-Fi网络,LAN或WAN网络或实现在系统100的组件之间发送和接收信息的其它合适的连接。将领会,这并非意图进行限制,并且本公开的范围包括其中客户端系统100的一个或多个组件经由一些其它通信介质操作地链接的实现。
应当领会,所图示的组件描绘为离散功能块,但实施例不限于其中本文所描述的功能性如所图示的那样来组织的系统。由组件中的每个组件提供的功能性可以由与当前描绘的不同地组织的软件或硬件模块来提供,例如,这样的软件或硬件可以被混合、结合、复制、分解、分布(例如,在数据中心内或地理上),或以其它方式不同地组织。本文描述的功能性可以由执行存储在有形的、非瞬态的机器可读介质上的代码的一个或多个计算机的一个或多个处理器来提供。
图4示出根据本公开的一个或多个实施例的图示用于使用访问控制信息进行意图确定的示范性方法400的流程图。下面提出的方法400的操作意图为说明性的。在一些实现中,方法400可以利用未描述的一个或多个附加操作和/或不利用所讨论的操作中的一个或多个操作来实现。另外,其中方法400的操作在图4中图示并且在下面描述的顺序不意图是限制性的。
在一些实施例中,所述方法可在一个或多个处理装置(例如,数字处理器、模拟处理器、经设计以处理信息的数字电路、经设计以处理信息的模拟电路、状态机和/或用于电子地处理信息的其它机构)中实现。处理装置可以包括响应于以电子方式存储在电子存储介质上的指令而执行所述方法的操作中的一些或全部操作的一个或多个装置。处理装置可以包括一个或多个装置其通过硬件、固件和/或软件配置成专门设计用于执行所述方法的操作中的一个或多个操作。
在方法400的操作402处,可以获得用户的用户信息。在一些实施例中,用户信息可以包括用户的行为信息。在一些实施例中,操作402可以由与用户信息模块120(在图1中示出并且本文描述)相同或类似的用户信息模块来执行。
在方法400的操作404处,可以获得用于用户的控制访问信息。在一些实施例中,控制访问信息可以指示用户是否访问受控区域。在一些实施例中,操作404可以由与访问控制信息模块130(在图1中示出并且本文描述)相同或类似的访问控制信息模块来执行。
在方法400的操作406处,可以使用所获得的用户信息和控制访问信息来训练机器学习系统的意图学习模型。在一些实施例中,意图模型可以被配置成确定指示用户是否意图访问受控区域的用户意图。在一些实施例中,操作406可以由与意图确定模块140(在图1中示出并且本文描述)相同或类似的意图确定模块来执行。
在方法400的操作408处,训练的意图模型可用来基于所获得的用户信息来确定用户意图。在一些实施例中,操作408可以由与意图确定模块140(在图1中示出并且本文描述)相同或类似的意图确定模块来执行。
如本文所述的本公开的一种或多种技术的实施例可以在一个或多个计算机系统上执行,所述计算机系统可以与各种其它装置交互。由图5图示一个这样的计算机系统。图5示出可用来实现本文所述技术的方面的计算机系统的示例。在不同实施例中,计算机系统500可包括可执行所指示功能的硬件或软件的任何组合,包括(但不限于)计算机、个人计算机系统、台式计算机、膝上型计算机,笔记本计算机或上网本计算机、大型计算机系统、手持式计算机、工作站、网络计算机、拍摄装置,机顶盒、移动装置、网络装置,因特网器具、PDA、无线电话、寻呼机、消费者装置、视频游戏控制台、手持式视频游戏装置、应用服务器、存储装置、诸如交换机、调制解调器、路由器之类的外围装置或其它类型的计算或电子装置。
在所图示的实施例中,计算机系统500包括经由输入/输出(I/O)接口530耦合到系统存储器520的一个或多个处理器510。计算机系统500还包括耦合到I/O接口530的网络接口540以及一个或多个输入/输出设备550,诸如光标控制设备560、键盘570和(一个或多个)显示器580。在一些实施例中,预期可使用计算机系统500的单个实例来实现实施例,而在其它实施例中,多个这样的系统或组成计算机系统500的多个节点可被配置成托管实施例的不同部分或实例。例如,在一个实施例中,一些元件可以经由计算机系统500的一个或多个节点来实现,所述节点不同于实现其它元件的那些节点。
在各种实施例中,计算机系统500可以是包括一个处理器510的单处理器系统,或包括若干处理器510(例如,两个、四个、八个或另一个合适的数量)的多处理器系统。处理器510可以是能够执行指令的任何合适的处理器。处理器可以包括(一个或多个)半导体和/或晶体管(例如,电子集成电路(IC))。在这样的上下文中,处理器可执行指令可以是电子可执行指令。例如,在各种实施例中,处理器510可以是实现诸如x86、PowerPC、SPARC或MIPS ISA或任何其它适当ISA之类的各种指令集体架构(ISA)中的任何的通用或嵌入式处理器。在多处理器系统中,处理器510中的每个可以共同地,但不是必要地,实现相同的ISA。
在一些实施例中,至少一个处理器510可以是图形处理单元。图形处理单元或GPU可视为用于个人计算机、工作站、游戏控制台或其它计算或电子装置的专用图形渲染装置。现代GPU在操纵和显示计算机图形方面可能是非常有效的,并且它们的高度并行的结构可以使它们比用于一系列复杂图形算法的典型CPU更有效。例如,图形处理器可以以使得执行图形基元操作比利用主机中央处理单元(CPU)直接绘制到屏幕快得多的方式来实现多个图形基元操作。在各种实施例中,本文所公开的图像处理方法可以至少部分地由被配置用于在这样的GPU中的一个上执行或者在这样的GPU中的两个或更多个上并行执行的程序指令来实现。(一个或多个)GPU可以实现允许程序员调用(一个或多个)GPU的功能性的一个或多个应用程序接口(API)。合适的GPU可从诸如NVIDIA Corporation,ATI Technologies(AMD)等的供应商处购得。在一些实施例中,一个或多个计算机可以包括并行操作的多个处理器。处理器可以是中央处理单元(CPU)或专用计算装置,例如图形处理单元(GPU)、集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑设备(CPLD)或专用集成电路。
系统存储器520可以被配置成存储可由处理器510访问的程序指令和/或数据。在各种实施例中,系统存储器520可使用任何合适的存储器技术来实现,例如静态随机存取存储器(SRAM)、同步动态RAM(SDRAM)、非易失性/快闪型存储器或任何其它类型的存储器。在所图示的实施例中,实现预期功能(例如本公开中所描述的功能)的程序指令和数据被示为分别作为程序指令525和数据存储535存储在系统存储器520内。在其它实施例中,程序指令和/或数据可以在不同类型的计算机可访问介质上或在与系统存储器520或计算机系统500分开的类似介质上接收、发送或存储。一般而言,计算机可访问介质可以包括存储介质或存储器介质,例如磁或光介质,例如经由I/O接口530耦合到计算机系统500的盘或CD/DVD-ROM。经由计算机可访问介质存储的程序指令和数据可以通过传输介质或信号(例如电、电磁或数字信号)来传送,所述传输介质或信号可以经由通信介质(例如网络和/或无线链路)来传送,例如可以经由网络接口540来实现。
在一个实施例中,I/O接口530可以被配置成协调处理器510,系统存储器520和装置中的任何外围装置之间的I/O流量,所述外围装置包括网络接口540或诸如输入/输出装置550之类的其它外围装置接口。在一些实施例中,I/O接口530可以执行任何必要的协议,定时或其它数据转换,以将来自一个组件(例如,系统存储器520)的数据信号转换成供由另一组件(例如,处理器510)使用的格式。在一些实施例中,I/O接口530可包括对通过各种类型的外围总线(例如比如外围组件互连(PCI)总线标准或通用串行总线(USB)标准的变体)附接的装置的支持。在一些实施例中,I/O接口530的功能可以被分成两个或更多个单独的组件,例如比如北桥和南桥。另外,在一些实施例中,I/O接口530(例如到系统存储器520的接口)的功能性中的一些或全部功能性可直接并入处理器510中。
网络接口540可以被配置成允许在计算机系统500和附于网络的其它装置(例如其它计算机系统)之间或在计算机系统500的节点之间交换数据。在各种实施例中,网络接口540可以支持经由有线或无线通用数据网络(例如任何合适类型的以太网网络)的通信,例如经由电信/电话网络(例如模拟语音网络或数字光纤通信网络)的通信;经由诸如光纤通道SAN之类的存储区域网络的通信,或者经由任何其它合适类型的网络和/或协议的通信。
在一些实施例中,输入/输出装置550可以包括一个或多个显示终端,光标控制装置(例如,鼠标),键盘,小键盘,触摸板,触摸屏,扫描装置,语音或光学识别装置,或适于通过一个或多个计算机系统500输入或检索数据的任何其它装置。多个输入/输出装置550可以存在于计算机系统500中,或者可以分布在计算机系统500的各个节点上。在一些实施例中,类似的输入/输出装置可以与计算机系统500分离,并且可以通过有线或无线连接(例如通过网络接口540)与计算机系统500的一个或多个节点交互。
本领域技术人员将领会,计算机系统500仅是说明性的,并不旨在限制本公开的范围。特别地,计算机系统500还可以连接到未图示的其它装置,或者相反可以作为独立系统来操作。另外,在一些实施例中,由所图示的组件提供的功能性可组合在较少组件中或分布在额外组件中。类似地,在一些实施例中,可以不提供一些所图示的组件的功能性和/或其它附加功能性可能是可得到的。
应当理解,说明书和附图不旨在将本发明限于所公开的特定形式,而是相反,本发明将覆盖落入如由所附权利要求所限定的本发明的精神和范围内的所有修改、等效物、和备选方案。鉴于本说明书,本发明的各个方面的进一步修改和备选实施例对于本领域技术人员将是明白的。因此,本说明书和附图将被解释为仅是说明性的,并且用于教导本领域技术人员实行本发明的一般方式的目的。将理解,本文示出并描述的本发明的形式将被视为实施例的示例。可以用元件和材料代替本文示出并描述的那些元件和材料,可以颠倒或省略部分和过程,并且可以独立地利用本发明的某些特征,所有这些对于在受益于本发明的本说明书后的本领域技术人员将是明白的。在不脱离如所附权利要求中所描述的本发明的精神和范围的情况下,可以对本文所描述的元素进行改变。本文所使用的标题仅出于组织目的,并不意味着被用于限制本说明书的范围。
如贯穿本申请所使用的,词语“可以”以许可意义(即,意味着有可能)而不是强制意义(即,意味着必须)来使用。词语“包括(include、including、和includes)”等意味着包括但不限于。如贯穿本申请所使用的,单数形式“一(a、an)”和“该”包括复数的所指对象,除非内容另有明确指示。因此,例如,对“一个元件(an element或a element)”的引用包括两个或更多个元件的组合,尽管对于一个或多个元件使用其它术语和短语,诸如“一个或多个”。术语“或”是非排它性的,即涵盖“和”和“或”两者,除非另有指示。描述条件关系的术语(例如“响应于X,进行Y”、“当X时,就进行Y”、“如果X,则进行Y”、“在X时,进行Y”等)涵盖因果关系,其中前项是必要性因果条件、前项是充分性因果条件、或者前项是结果的贡献性因果条件,例如“当条件Y获得时,就出现状态X”对于“仅当Y时,就出现X”和“当Y和Z时,就出现X”是通用的。此类条件关系不限于立即在前项获得之后的结果,因为一些结果可能延迟,并且在条件陈述中,前项被连接到其结果,例如,先例与结果发生的可能性相关。此外,除非另有指示,否则一个值或动作“基于”另一条件或值的陈述涵盖以下两种情形:条件或值是唯一因素的情形,和条件或值是多个因素中的一个因素的情形。除非另有指示,否则某一集合中的“每个”实例具有某一特性的陈述不应被读为排除较大集合中的某些其它相同或相似的成员不具有该特性的情况,即,每个不一定意味着所有。除非另外特定规定,否则如从讨论中明白,领会的是,贯穿说明书,利用诸如“处理”,“计算”,“运算”,“确定”等术语的讨论是指诸如专用计算机或类似专用电子处理/计算装置的特定设备的动作或过程。
虽然已经参照一个或多个示范性实施例描述了本公开,但是本领域技术人员将理解,在不脱离本公开的范围的情况下,可以进行各种改变并且可以用等同物替换其元件。另外,在不脱离本公开的实质范围的情况下,可进行许多修改以使特定情况或材料适应本公开的教导。因此,意图的是本公开不限于作为预期用于执行本公开的最佳模式而公开的特定实施例,而是本公开将包括落入权利要求书的范围内的所有实施例。
Claims (15)
1.一种用于意图确定的系统,所述系统包括:
至少一个处理器;以及
存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:
获得用户信息,所述用户信息包括用户的行为信息;
获得用于所述用户的控制访问信息,所述控制访问信息指示所述用户是否访问受控区域;
使用所获得的用户信息和控制访问信息来训练机器学习系统的意图模型,所述意图模型被配置成确定用户意图,所述用户意图指示所述用户是否意图访问所述受控区域;以及
使用训练的意图模型来基于所述所获得的用户信息而确定所述用户意图。
2.如权利要求1所述的系统,其中,所述指令在被执行时使所述系统:
接收所述用户的认证信息;
确定所述用户是否被授权访问所述受控区域;以及
响应于所述用户未被授权访问所述受控区域的确定,从用来训练所述意图模型的所述用户信息中过滤与所述用户相关的信息。
3.如权利要求1所述的系统,其中,行为特性包括所述用户的一个或多个身体部分的运动、移动或步态中的一个或多个。
4.如权利要求1所述的系统,其中,所述用户信息包括生理参数,所述生理参数包括体温、心率、脉搏或呼吸参数中的一个或多个,并且其中所述生理参数用来训练所述意图模型。
5.如权利要求1所述的系统,其中,所述指令在被执行时使所述系统:
获得与所述受控区域相关的信息,并且其中与所述受控区域相关的所述信息用于训练所述意图模型中。
6.如权利要求1的系统,还包括:
一个或多个传感器,其被配置成生成与所述用户信息相关的输出信号;以及
访问控制系统,其被配置成提供所述访问控制信息。
7.一种用于意图确定的系统,所述系统包括:
至少一个处理器;以及
存储可由所述至少一个处理器执行的指令的存储器,所述指令在被执行时使所述系统:
获得用户信息,所述用户信息包括用户的行为信息;
获得用于所述用户的控制访问信息,所述控制访问信息指示所述用户是否访问受控区域;以及
基于用于所述用户的所述控制访问信息和所述行为信息来确定用户意图,所述用户意图指示所述用户是否意图访问所述受控区域。
8.如权利要求7所述的系统,其中,所述指令在被执行时使所述系统:
响应于确定所述用户意图访问所述受控区域,准予对所述受控区域的访问。
9.一种用于机器学习辅助意图确定的方法,所述方法在包括至少一个处理器和存储指令的存储器的计算系统中实现,所述方法包括:
获得用户信息,所述用户信息包括用户的行为信息;
获得用于所述用户的控制访问信息,所述控制访问信息指示所述用户是否访问受控区域;以及
使用所获得的用户信息和控制访问信息来训练机器学习系统的意图模型,所述意图模型被配置成确定用户意图,所述用户意图指示所述用户是否意图访问所述受控区域。
10.如权利要求9所述的方法,还包括:
使用训练的意图模型来基于所述所获得的用户信息而确定所述用户意图。
11.如权利要求9所述的方法,还包括:
接收所述用户的认证信息;
确定所述用户是否被授权访问所述受控区域;以及
响应于所述用户未被授权访问所述受控区域的确定,从用来训练所述意图模型的所述用户信息中过滤与所述用户相关的所述信息。
12.如权利要求9所述的方法,其中,行为特性包括所述用户的一个或多个身体部分的运动、移动或步态中的一个或多个。
13.如权利要求9所述的方法,其中,所述用户信息包括生理参数,所述生理参数包括体温、心率、脉搏或呼吸参数中的一个或多个,并且其中所述生理参数用来训练所述意图模型。
14.如权利要求9所述的方法,还包括:
获得与所述受控区域相关的信息,并且其中与所述受控区域相关的所述信息用于训练所述意图模型中。
15.如权利要求9所述的方法,还包括:
响应于确定所述用户意图访问所述受控区域而准予对所述受控区域的访问。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163203944P | 2021-08-05 | 2021-08-05 | |
US63/203944 | 2021-08-05 | ||
US17/811,169 US20230045699A1 (en) | 2021-08-05 | 2022-07-07 | Machine learning assisted intent determination using access control information |
US17/811169 | 2022-07-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906036A true CN115906036A (zh) | 2023-04-04 |
Family
ID=82742679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210937493.6A Pending CN115906036A (zh) | 2021-08-05 | 2022-08-05 | 使用访问控制信息的机器学习辅助意图确定 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230045699A1 (zh) |
EP (1) | EP4131186A1 (zh) |
CN (1) | CN115906036A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE2250975A1 (en) * | 2022-08-18 | 2024-02-19 | Assa Abloy Ab | Adapting a machine learning model for determining intent of a person to pass through a door |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180012227A1 (en) * | 2016-07-05 | 2018-01-11 | NXT-ID, Inc. | Biometric, Behavioral-Metric, Knowledge-Metric, and Electronic-Metric Directed Authentication and Transaction Method and System |
US20180293367A1 (en) * | 2017-04-05 | 2018-10-11 | Google Llc | Multi-Factor Authentication via Network-Connected Devices |
CN110415386A (zh) * | 2018-04-27 | 2019-11-05 | 开利公司 | 基于姿势的进入控制系统的预编程场景数据的建模 |
WO2020113154A1 (en) * | 2018-11-28 | 2020-06-04 | Schlage Lock Company Llc | Seamless access control |
MX2021011591A (es) * | 2019-03-25 | 2021-12-10 | Assa Abloy Ab | Coordinacion de lectores para control de acceso. |
WO2020234737A1 (en) * | 2019-05-18 | 2020-11-26 | Looplearn Pty Ltd | Localised, loop-based self-learning for recognising individuals at locations |
US11205314B2 (en) * | 2020-05-13 | 2021-12-21 | Motorola Solutions, Inc. | Systems and methods for personalized intent prediction |
US11752974B2 (en) * | 2020-12-11 | 2023-09-12 | Ford Global Technologies, Llc | Systems and methods for head position interpolation for user tracking |
-
2022
- 2022-07-07 US US17/811,169 patent/US20230045699A1/en active Pending
- 2022-07-26 EP EP22187053.8A patent/EP4131186A1/en active Pending
- 2022-08-05 CN CN202210937493.6A patent/CN115906036A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4131186A1 (en) | 2023-02-08 |
US20230045699A1 (en) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Behavioral biometrics for continuous authentication in the internet-of-things era: An artificial intelligence perspective | |
EP3379458B1 (en) | Facial verification method and apparatus | |
US10331942B2 (en) | Face liveness detection | |
CN107995979B (zh) | 用于对用户进行认证的系统、方法和机器可读介质 | |
EP3321850A1 (en) | Method and apparatus with iris region extraction | |
JP6248178B2 (ja) | 顔認証システム | |
US20150177842A1 (en) | 3D Gesture Based User Authorization and Device Control Methods | |
KR102584459B1 (ko) | 전자 장치 및 이의 인증 방법 | |
Akhund et al. | IoT based low-cost robotic agent design for disabled and Covid-19 virus affected people | |
CN106030599A (zh) | 移动装置的连续认证 | |
WO2019050766A1 (en) | VEIN MATCHING FOR DIFFICULT BIOMETRIC AUTHENTICATION CASES | |
CN105512632A (zh) | 活体检测方法及装置 | |
Amin et al. | Biometric and traditional mobile authentication techniques: Overviews and open issues | |
US20180089519A1 (en) | Multi-modal user authentication | |
US20200314094A1 (en) | Server, method for controlling server, and terminal device | |
EP4099198A1 (en) | Unlocking method and apparatus based on facial expression, and computer device and storage medium | |
US20230027527A1 (en) | Identity authentication method, and method and apparatus for training identity authentication model | |
US20160217565A1 (en) | Health and Fitness Monitoring via Long-Term Temporal Analysis of Biometric Data | |
US20220130019A1 (en) | Electronic device and method for processing image by same | |
EP4131186A1 (en) | Machine learning assisted intent determination using access control information | |
Awad et al. | AI-powered biometrics for Internet of Things security: A review and future vision | |
US11734400B2 (en) | Electronic device and control method therefor | |
US20230064150A1 (en) | Machine learning assisted identification based on learned user attributes | |
Biswas et al. | Smart city development: Theft handling of public vehicles using image analysis and cloud network | |
EP3836011A1 (en) | Liveness test method and liveness test apparatus |
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 |