CN117058787A - 门锁控制方法、装置、电子设备和计算机可读介质 - Google Patents

门锁控制方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN117058787A
CN117058787A CN202311029722.5A CN202311029722A CN117058787A CN 117058787 A CN117058787 A CN 117058787A CN 202311029722 A CN202311029722 A CN 202311029722A CN 117058787 A CN117058787 A CN 117058787A
Authority
CN
China
Prior art keywords
information
characteristic information
preset
feature
door lock
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311029722.5A
Other languages
English (en)
Other versions
CN117058787B (zh
Inventor
孙福尧
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.)
Yunding Network Technology Beijing Co Ltd
Original Assignee
Yunding Network Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunding Network Technology Beijing Co Ltd filed Critical Yunding Network Technology Beijing Co Ltd
Priority to CN202311029722.5A priority Critical patent/CN117058787B/zh
Publication of CN117058787A publication Critical patent/CN117058787A/zh
Application granted granted Critical
Publication of CN117058787B publication Critical patent/CN117058787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Ophthalmology & Optometry (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本公开的实施例公开了门锁控制方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取人员特征信息；对人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息；响应于眨眼频次信息满足预设频次条件，对人体特征信息进行检测处理，得到体态特征信息和人脸特征信息；对体态特征信息进行匹配处理，得到第一身份匹配信息；响应于第一身份匹配信息满足第一预设身份匹配条件，对人脸特征信息和人眼特征信息进行融合处理，得到融合特征信息；对融合特征信息进行匹配处理，得到第二身份匹配信息；响应于第二身份匹配信息满足第二预设身份匹配条件，将开锁指令发送至门锁控制器。该实施方式可以提高智能门锁的安全性。

Description

门锁控制方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及门锁控制方法、装置、电子设备和计算机可读介质。
背景技术
门锁控制方法，对控制智能门锁安全解锁有重要意义。目前，在进行门锁控制时，通常采用的方式为：首先，接收一种或多种同一用户的、用于智能门锁解锁的用户信息（例如人脸信息、人眼信息、指纹信息），然后，对所接收到的用户信息与预先录入的各个身份信息进行比对。最后，当信息比对成功时，控制智能门锁进行解锁。
然而，发明人发现，当采用上述方式进行门锁控制时，经常会存在如下技术问题：
第一，当存在至少两个相似度较高的身份信息时，若通过一种用户信息参与信息比对，则容易使得用户信息匹配到错误的身份信息，从而，降低了智能门锁的安全性；
第二，当接收多种用户信息进行信息比对时，由于多种用户信息来源不同，若直接对各个用户信息进行特征提取及再融合，则容易因单一用户信息产生的孤立特征点，使得融合后的用户特征准确度降低，难以匹配到正确的身份信息以用于安全解锁，从而，降低了智能门锁的安全性；
第三，当用户信息中包含大量噪声（例如光斑）时，若在对用户信息进行分割处理时进行多次下采样，则容易因用户信息中的空间特征信息逐渐丢失，使得分割后的用户信息准确度不足，难以匹配到正确的身份信息以用于安全解锁，从而，降低了智能门锁的安全性。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了门锁控制方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种门锁控制方法，该方法包括：响应于检测到用户进入智能门锁对应的预设识别范围，获取与上述用户对应的人员特征信息，其中，上述人员特征信息包括人体特征信息和人眼特征信息；对上述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息；响应于确定上述眨眼频次信息满足预设频次条件，对上述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息；对上述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息；响应于确定上述第一身份匹配信息满足第一预设身份匹配条件，对上述人脸特征信息和上述人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息，其中，上述第一预设身份匹配条件表征上述人员体态信息集中存在至少一个人员体态信息与上述体态特征信息相匹配；对上述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息；响应于确定上述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至上述智能门锁对应的门锁控制器以供控制门锁解锁。
第二方面，本公开的一些实施例提供了一种门锁控制装置，装置包括：获取单元，被配置成响应于检测到用户进入智能门锁对应的预设识别范围，获取与上述用户对应的人员特征信息，其中，上述人员特征信息包括人体特征信息和人眼特征信息；第一检测单元，被配置成对上述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息；第二检测单元，被配置成响应于确定上述眨眼频次信息满足预设频次条件，对上述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息；第一匹配处理单元，被配置成对上述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息；融合处理单元，被配置成响应于确定上述第一身份匹配信息满足第一预设身份匹配条件，对上述人脸特征信息和上述人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息，其中，上述第一预设身份匹配条件表征上述人员体态信息集中存在至少一个人员体态信息与上述体态特征信息相匹配；第二匹配处理单元，被配置成对上述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息；发送单元，被配置成响应于确定上述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至上述智能门锁对应的门锁控制器以供控制门锁解锁。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的门锁控制方法，可以提高智能门锁的安全性。具体来说，造成降低了智能门锁的安全性的原因在于：当存在至少两个相似度较高的身份信息时，若通过一种用户信息参与信息比对，则容易使得用户信息匹配到错误的身份信息，从而，降低了智能门锁的安全性。基于此，本公开的一些实施例的门锁控制方法，首先，响应于检测到用户进入智能门锁对应的预设识别范围，获取与上述用户对应的人员特征信息。其中，上述人员特征信息包括人体特征信息和人眼特征信息。由此，可以得到智能门锁附近可能存在解锁意图的用户的特征，便于后续对用户特征进行比对，以确定用户的解锁意图。其次，对上述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息。响应于确定上述眨眼频次信息满足预设频次条件，对上述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息。由此，可以根据用户在短时间内的眨眼次数，确定用户存在解锁意图，以及可以对存在解锁意图的用户的人体特征进行分类，便于后续进一步确定用户是否满足解锁条件。然后，对上述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息。由此，可以初步确定上述用户的体态与预获取的人员体态是否匹配，便于后续确定是否根据人脸和人眼特征确定用户是否满足解锁条件。接着，响应于确定上述第一身份匹配信息满足第一预设身份匹配条件，对上述人脸特征信息和上述人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息。其中，上述第一预设身份匹配条件表征上述人员体态信息集中存在至少一个人员体态信息与上述体态特征信息相匹配。由此，当上述用户的体态与预获取的人员体态匹配时，可以先确定用户的人脸和人眼特征对应的融合特征，便于后续根据融合特征确定用户是否满足解锁条件。之后，对上述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息。由此，可以确定上述融合特征是否与预获取的人员深度特征相匹配。最后，响应于确定上述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至上述智能门锁对应的门锁控制器以供控制门锁解锁。由此，当上述融合特征与预获取的人员深度特征相匹配时用户满足解锁条件，可以通过开锁指令控制门锁解锁。因此，本公开的一些实施例的门锁控制方法，采用粗特征对比和精细特征对比相结合的方式，可以先通过体态信息对用户进行初次分类，以筛选出与用户体态信息较为接近的多个身份信息，再通过人脸和人眼的融合特征对用户进行二次精细分类，可以避免因仅采用一种用户信息参与信息比对而导致的身份信息的误匹配。从而，可以控制智能门锁安全解锁，提高智能门锁的安全性。又因为，采用短时间内连续眨眼作为确认开锁意图的方式，由此，在一些场景中（例如用户背向智能门锁回头时），还可以减少误开锁的次数。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的门锁控制方法的一些实施例的流程图；
图2是根据本公开的门锁控制装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的门锁控制方法的一些实施例的流程100。该门锁控制方法，包括以下步骤：
步骤101，响应于检测到用户进入智能门锁对应的预设识别范围，获取与用户对应的人员特征信息。
在一些实施例中，门锁控制方法的执行主体（例如计算设备）可以响应于检测到用户进入智能门锁对应的预设识别范围，通过有线连接或无线连接方式获取与上述用户对应的人员特征信息。其中，上述智能门锁可以包括红外传感器、第一摄像头、第二摄像头、显示屏和门锁控制器。上述红外传感器可以是用于感知人体发出的红外线的传感器。上述第一摄像头可以是用于拍摄用户全身图像的广角摄像头。上述第二摄像头可以是用于拍摄用户眼部图像的摄像头。上述显示屏可以是以触屏方式手动输入密码字符串的屏幕。上述门锁控制器可以是控制电磁执行器开锁的装置。上述预设识别范围可以是预先设置的智能门锁识别用户时用户所处的空间范围。例如，上述预设识别范围可以是智能门锁前方0.5米至1.5米。上述人员特征信息可以包括人体特征信息和人眼特征信息。上述人体特征信息可以包括人体图像序列。上述人体图像序列可以是第一摄像头拍摄的、连续帧人体图像的序列。上述人体图像可以是包括人脸在内的全身图像。上述人眼特征信息可以包括眼部区域图像序列。上述眼部区域图像序列可以是第二摄像头拍摄的、连续帧眼部区域图像的序列。上述眼部区域图像可以是仅包括双眼在内的矩形图像。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，对人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息。
在一些实施例中，上述执行主体可以对上述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息。其中，上述眨眼频次信息可以是用户在预设时长内的眨眼次数。其中，上述预设时长可以是预先设置的时长。例如，上述预设时长可以为1.5秒，上述眨眼频次信息可以为3次。可以结合预设的边缘检测方法和分类方法，对上述人眼特征信息包括的眼部区域图像序列进行眨眼检测，得到眨眼频次信息。
作为示例，上述边缘检测方法可以包括但不限于以下至少一项：sobel边缘检测算子、Canny边缘检测算法。上述分类方法可以包括但不限于以下至少一项：支持向量机、CNN（Convolutional Neural Networks，卷积神经网络）算法。
步骤103，响应于确定眨眼频次信息满足预设频次条件，对人体特征信息进行检测处理，得到体态特征信息和人脸特征信息。
在一些实施例中，上述执行主体可以响应于确定上述眨眼频次信息满足预设频次条件，对上述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息。其中，上述预设频次条件可以是眨眼频次信息对应的眨眼次数不小于预设频次。上述预设频次可以是预先设置的眨眼次数的下限值。上述体态特征信息可以是表征用户的体形轮廓的特征矩阵。上述人脸特征信息可以是用户的人脸图像。首先，从上述人体特征信息对应的人体图像序列中、选出满足预设时间条件的人体图像作为目标人体图像。其中，上述预设时间条件可以是人体图像对应的拍摄时间为上述人体图像序列对应的各个拍摄时间中的最晚时间。然后，通过上述边缘检测算法，对上述目标人体图像进行边缘检测，得到体态特征信息。之后，通过预设的人脸检测方法，对上述目标人体图像进行人脸检测，得到人脸检测框信息。其中，上述人脸检测框信息可以表征人脸对应的矩形检测框。上述人脸检测框信息可以包括对应矩形检测框的左上角坐标、宽度和高度。最后，根据上述人脸检测框信息，对上述目标人体图像沿对应矩形检测框的边缘进行裁剪，得到人脸特征信息。
作为示例，上述人脸检测方法可以包括但不限于以下至少一项：多任务级联卷积神经网络、一阶段人脸检测网络、YOLO（You Only Live Once，目标检测）算法。
步骤104，对体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息。
在一些实施例中，上述执行主体可以对上述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息。其中，上述人员体态信息集中的人员体态信息可以是预先从人体信息文档中获取的。上述人体信息文档可以是用于存储体形轮廓对应的特征矩阵的文档。上述人员体态信息集中的人员体态信息可以包括人员标识和人员体态特征矩阵。上述人员标识可以是录入过体形轮廓信息的人员的标识。上述人员体态特征矩阵可以表征对应人员的体态轮廓信息。上述第一身份匹配信息可以表征上述体态特征信息与上述人员体态信息集中的至少一个人员体态信息之间的相似度不小于预设相似度阈值。上述预设相似度阈值可以是预先设置的相似度的下限值。
作为示例，首先，上述执行主体可以通过预设的相似度分析算法，对上述体态特征信息与上述人员体态信息集中的每个人员体态信息进行相似度分析以生成相似度值，得到相似度值集。其中，上述相似度值集中的相似度值可以表征上述用户的体形轮廓与对应的已录入人员的体形轮廓之间的相似程度。然后，对上述相似度值集中的各个相似度值进行归一化处理，得到目标相似度值集。其中，上述目标相似度值集中的目标相似度值可以是0-1之间的数值。目标相似度值越大表明越相似。接着，从上述目标相似度值集中选出满足预设相似度条件的至少一个目标相似度值。其中，上述预设相似度条件可以是目标相似度值为上述目标相似度值集中的最大值。之后，响应于确定所选出的至少一个目标相似度值中存在不小于上述预设相似度阈值的目标相似度值，将上述至少一个目标相似度值中、不小于上述预设相似度阈值的目标相似度值确定为体态相似度值，得到体态相似度值组。最后，将预设匹配成功标识和上述体态相似度值组对应的人员标识组确定为第一身份匹配信息。其中，上述预设匹配成功标识可以表征上述体态特征信息与上述人员体态信息集中的至少一个人员体态信息之间的相似度不小于上述预设相似度阈值。此外，响应于确定所选出的至少一个目标相似度值中的目标相似度值均小于上述预设相似度阈值，将预设匹配失败标识确定为第一身份匹配信息。其中，上述预设匹配失败标识可以表征上述体态特征信息与上述人员体态信息集中的人员体态信息之间的相似度均小于上述预设相似度阈值。
作为示例，上述相似度分析算法可以是欧式距离。
步骤105，响应于确定第一身份匹配信息满足第一预设身份匹配条件，对人脸特征信息和人眼特征信息进行融合处理，得到与用户对应的融合特征信息。
在一些实施例中，上述执行主体可以响应于确定上述第一身份匹配信息满足第一预设身份匹配条件，通过各种方式，对上述人脸特征信息和人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息。其中，上述第一预设身份匹配条件可以表征上述人员体态信息集中存在至少一个人员体态信息与上述体态特征信息相匹配。上述融合特征信息可以是表征用户的人脸特征和人眼虹膜特征的特征向量。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤，对上述人脸特征信息和人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息：
第一步，从上述人眼特征信息对应的各个眼部区域图像中选出满足预设眼部状态条件的眼部区域图像。其中，上述预设眼部状态条件可以是双眼为睁开状态。首先，可以通过上述边缘检测方法，确定每个眼部区域图像对应的眼睛状态信息，得到眼睛状态信息集。上述眼睛状态信息集中的眼睛状态信息可以表征眼睛状态。眼睛状态可以是以下中的一种：睁开、闭合。然后，从各个眼部区域图像中选出与目标眼睛状态信息对应的一个眼部区域图像。其中，上述目标眼睛状态信息可以是表征眼睛状态为睁开的眼睛状态信息。
第二步，基于所选出的眼部区域图像，生成人眼图像组。其中，上述人眼图像组可以包括左眼对应的人眼图像和右眼对应的人眼图像。首先，通过预设的目标检测方法，对所选出的眼部区域图像进行检测，得到左眼检测框信息和右眼检测框信息。上述左眼检测框信息可以表征用户的左眼对应的矩形检测框。上述左眼检测框信息可以包括对应矩形检测框的左上角坐标、宽度和高度。上述右眼检测框信息可以表征用户的右眼对应的矩形检测框。上述右眼检测框信息可以包括对应矩形检测框的左上角坐标、宽度和高度。然后，根据上述左眼检测框信息和右眼检测框信息，对上述人眼图像组包括的各个人眼图像沿对应的检测框的边缘进行裁剪，得到人眼图像组。
作为示例，上述目标检测方法可以是YOLO算法。
第三步，对上述人眼图像组中的各个人眼图像进行分割处理，得到虹膜区域图像组。其中，上述虹膜区域图像组可以包括左眼对应的虹膜区域图像和右眼对应的虹膜区域图像。虹膜区域图像可以是与对应的人眼图像尺寸相同的二值图像。在虹膜区域图像中，虹膜区域可以用1表示，非虹膜区域可以用0表示。可以通过各种方式，对上述人眼图像组中的各个人眼图像进行分割处理，得到虹膜区域图像组。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤，对上述人眼图像组中的各个人眼图像进行分割处理，得到虹膜区域图像组：
步骤一，对于上述各个人眼图像中的每个人眼图像，执行以下步骤，以生成虹膜区域图像组中的虹膜区域图像：
子步骤一，将上述人眼图像输入预先训练的虹膜区域图像生成模型包括的第一卷积处理层，以对上述人眼图像进行卷积处理，得到第一人眼特征图。其中，上述虹膜区域图像生成模型还可以包括第二卷积处理层、第三卷积处理层、人眼特征编码模型、人眼特征解码模型和池化层。上述人眼特征编码模型、上述人眼特征解码模型可以是卷积神经网络模型。
作为示例，上述执行主体可以通过4*4的卷积核对上述人眼图像进行卷积处理，得到第一人眼特征图。
子步骤二，将上述第一人眼特征图输入上述虹膜区域图像生成模型包括的人眼特征编码模型，以生成第二人眼特征图。
在一些实施例的一些可选的实现方式中，上述人眼特征编码模型可以包括第一特征提取模块、第二特征提取模块和第三特征提取模块。其中，上述第一特征提取模块、第二特征提取模块和第三特征提取模块可以为结构相同的残差块。上述第一特征提取模块、第二特征提取模块和第三特征提取模块均包括有第一卷积层、第二卷积层、第三卷积层和第四卷积层。第一卷积层和第四卷积层可以为深度可分离卷积层。上述执行主体可以通过以下步骤，生成第二人眼特征图：
步骤1，将上述第一人眼特征图输入上述人眼特征编码模型包括的第一特征提取模块，得到第一目标特征图。具体可以执行以下步骤：
第一步，将上述第一人眼特征图输入上述第一特征提取模块对应的第一卷积层，以对上述第一人眼特征图依次进行深度可分离卷积处理、归一化处理和激活处理，得到第一卷积特征图。其中，可以根据第一预设卷积核、预设的归一化处理算法和激活处理算法，对上述第一人眼特征图依次进行深度可分离卷积处理、归一化处理和激活处理，得到第一卷积特征图。
作为示例，上述第一预设卷积核可以是3*3的卷积核。上述归一化处理算法可以是BN（Batch Normalization，批量归一化）算法。上述激活处理方法可以是ReLU6（RectifiedLinear Unit 6，抑制其最大值）函数。
第二步，将上述第一卷积特征图输入上述第一特征提取模块对应的第二卷积层，以对上述第一卷积特征图依次进行卷积处理和归一化处理，得到第二卷积特征图。其中，可以根据第二预设卷积核和上述归一化处理算法，对上述第一卷积特征图依次进行卷积处理和归一化处理，得到第二卷积特征图。例如，上述预设第二卷积核可以是1*1的卷积核。
第三步，将上述第二卷积特征图输入上述第一特征提取模块对应的第三卷积层，以对上述第二卷积特征图依次进行卷积处理、归一化处理和激活处理，得到第三卷积特征图。其中，可以根据上述第二预设卷积核、上述归一化处理算法和上述激活处理方法，对上述第二卷积特征图依次进行卷积处理、归一化处理和激活处理，得到第三卷积特征图。
第四步，将上述第三卷积特征图输入上述第一特征提取模块对应的第四卷积层，以对上述第三卷积特征图依次进行深度可分离卷积处理和归一化处理，得到第一目标特征图。其中，可以根据上述第一预设卷积核和上述归一化处理算法，对上述第三卷积特征图依次进行深度可分离卷积处理和归一化处理，得到第一目标特征图。
步骤2，将上述第一目标特征图输入上述人眼特征编码模型包括的第二特征提取模块，得到第二目标特征图。具体可以执行以下步骤：
第一步，将上述第一目标特征图输入上述第二特征提取模块对应的第一卷积层，以对上述第一目标特征图依次进行深度可分离卷积处理、归一化处理和激活处理，得到第四卷积特征图。其中，可以根据上述第一预设卷积核、上述归一化处理算法和上述激活处理算法，对上述第一目标特征图依次进行深度可分离卷积处理、归一化处理和激活处理，得到第四卷积特征图。
第二步，将上述第四卷积特征图输入上述第二特征提取模块对应的第二卷积层，以对上述第四卷积特征图依次进行卷积处理和归一化处理，得到第五卷积特征图。其中，可以根据上述第二预设卷积核和上述归一化处理算法，对上述第四卷积特征图依次进行卷积处理和归一化处理，得到第五卷积特征图。
第三步，将上述第五卷积特征图输入上述第二特征提取模块对应的第三卷积层，以对上述第五卷积特征图依次进行卷积处理、归一化处理和激活处理，得到第六卷积特征图。其中，可以根据上述第二预设卷积核、上述归一化处理算法和上述激活处理方法，对上述第五卷积特征图依次进行卷积处理、归一化处理和激活处理，得到第六卷积特征图。
第四步，将上述第六卷积特征图输入上述第二特征提取模块对应的第四卷积层，以对上述第六卷积特征图依次进行深度可分离卷积处理和归一化处理，得到第七卷积特征图。其中，可以根据上述第一预设卷积核和上述归一化处理算法，对上述第六卷积特征图依次进行深度可分离卷积处理和归一化处理，得到第七卷积特征图。
第五步，对输入上述第二特征提取模块的特征图和上述第七卷积特征图执行相加处理，得到第二目标特征图。
步骤3，将上述第二目标特征图输入上述人眼特征编码模型包括的第三特征提取模块，得到第三目标特征图。具体可以执行以下步骤：
第一步，将上述第二目标特征图输入上述第三特征提取模块对应的第一卷积层，以对上述第二目标特征图依次进行深度可分离卷积处理、归一化处理和激活处理，得到第八卷积特征图。其中，可以根据上述第一预设卷积核、上述归一化处理算法和上述激活处理算法，对上述第二目标特征图依次进行深度可分离卷积处理、归一化处理和激活处理，得到第八卷积特征图。
第二步，将上述第八卷积特征图输入上述第三特征提取模块对应的第二卷积层，以对上述第八卷积特征图依次进行卷积处理和归一化处理，得到第九卷积特征图。其中，可以根据上述第二预设卷积核和上述归一化处理算法，对上述第八卷积特征图依次进行卷积处理和归一化处理，得到第九卷积特征图。
第三步，将上述第九卷积特征图输入上述第三特征提取模块对应的第三卷积层，以对上述第九卷积特征图依次进行卷积处理、归一化处理和激活处理，得到第十卷积特征图。其中，可以根据上述第二预设卷积核、上述归一化处理算法和上述激活处理方法，对上述第九卷积特征图依次进行卷积处理、归一化处理和激活处理，得到第十卷积特征图。
第四步，将上述第十卷积特征图输入上述第三特征提取模块对应的第四卷积层，以对上述第十卷积特征图依次进行深度可分离卷积处理和归一化处理，得到第三目标特征图。其中，可以根据上述第一预设卷积核和上述归一化处理算法，对上述第十卷积特征图依次进行深度可分离卷积处理和归一化处理，得到第三目标特征图。
步骤4，将上述第三目标特征图输入上述人眼特征编码模型包括的第二特征提取模块，得到第四目标特征图。其中，上述步骤4可以参照上述步骤2的第二目标特征图生成过程。
步骤5，将上述第四目标特征图输入上述人眼特征编码模型包括的第三特征提取模块，得到第五目标特征图。其中，上述步骤5可以参照上述步骤3的第三目标特征图生成过程。
步骤6，将上述第五目标特征图输入上述人眼特征编码模型包括的第二特征提取模块，得到第二人眼特征图。其中，上述步骤6可以参照上述步骤2的第二目标特征图生成过程。
子步骤三，将上述第二人眼特征图输入上述虹膜区域图像生成模型包括的第二卷积处理层，以对上述第二人眼特征图进行卷积处理，得到第三人眼特征图。
子步骤四，对上述第三人眼特征图进行归一化处理，得到第一注意力特征图。
作为示例，上述执行主体可以通过sigmoid激活函数对上述第三人眼特征图归一化处理，得到第一注意力特征图。
子步骤五，对上述第一注意力特征图和上述第二人眼特征图进行相乘处理，得到第四人眼特征图。
子步骤六，将上述第二人眼特征图输入上述虹膜区域图像生成模型包括的池化层，以对上述第二人眼特征图进行池化处理，得到第五人眼特征图。其中，上述池化处理可以是全局平均池化处理。
子步骤七，将上述第五人眼特征图输入上述虹膜区域图像生成模型包括的第三卷积处理层，以对上述第五人眼特征图进行卷积处理，得到第六人眼特征图。
子步骤八，对上述第六人眼特征图进行归一化处理，得到第二注意力特征图。
子步骤九，对上述第二注意力特征图和上述第二人眼特征图进行相乘处理，得到第七人眼特征图。
子步骤十，基于上述第四人眼特征图和上述第七人眼特征图，生成融合人眼特征图。
作为示例，上述执行主体可以对上述第四人眼特征图和上述第七人眼特征图进行相加处理，得到融合人眼特征图。
子步骤十一，将上述第一人眼特征图和上述融合人眼特征图输入上述虹膜区域图像生成模型包括的人眼特征解码模型，以生成虹膜区域图像。例如，上述人眼特征解码模型可以是CE-Net（Context Encoder Network，上下文编码器网络）模型包括的解码模块。
可选的，上述虹膜区域图像生成模型可以是通过以下步骤训练的：
第一步，获取用户人眼样本集。其中，上述用户人眼样本集中的用户人眼样本可以包括样本人眼图像和样本虹膜区域图像。
第二步，从上述用户人眼样本集中选取用户人眼样本，以及执行以下训练步骤：
第一子步骤，将所选取的用户人眼样本的样本人眼图像输入初始虹膜区域图像生成模型，得到上述用户人眼样本对应的虹膜区域图像。其中，上述初始虹膜区域图像生成模型可以是残差网络模型。
第二子步骤，将上述用户人眼样本对应的虹膜区域图像与对应的样本虹膜区域图像进行比较。
第三子步骤，根据比较结果确定初始虹膜区域图像生成模型是否达到预设的优化目标。其中，上述优化目标可以是上述初始虹膜区域图像生成模型生成的虹膜区域图像的准确率大于预设的准确率阈值。
第四子步骤，响应于确定初始虹膜区域图像生成模型达到上述优化目标，将初始虹膜区域图像生成模型确定为训练完成的虹膜区域图像生成模型。
可选的，上述执行主体还可以响应于确定初始虹膜区域图像生成模型未达到上述优化目标，调整初始虹膜区域图像生成模型中的相关参数，以及从上述用户人眼样本集中重新选取样本，使用调整后的初始虹膜区域图像生成模型作为初始虹膜区域图像生成模型，继续执行上述训练步骤。其中，可以采用反向传播算法和随机梯度下降方法对上述初始虹膜区域图像生成模型进行调整。
上述分割处理步骤及其相关内容，作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“降低了智能门锁的安全性”。导致降低了智能门锁的安全性的问题往往如下：当用户信息中包括大量噪声时，若在对用户信息进行分割处理时进行多次下采样，则容易因用户信息中的空间特征信息逐渐丢失，使得分割后的用户信息准确度不足，难以匹配到正确的身份信息以用于安全解锁。如果解决了上述问题，就能达到提高智能门锁的安全性的效果。为了达到这一效果，首先，对上述人眼图像进行卷积处理，得到第一人眼特征图。由此，可以对人眼图像进行下采样得到第一人眼特征图。其次，将上述第一人眼特征图输入预先训练的人眼特征编码模型，以生成第二人眼特征图。由此，可以对第一人眼特征图做进一步下采样特征提取。然后，对上述第二人眼特征图进行卷积处理，得到第三人眼特征图。对上述第三人眼特征图进行归一化处理，得到第一注意力特征图。由此，可以对特征图的通道数进行压缩，再通过归一化处理，得到特征图对应的基于空间注意力的权重特征图。接着，对上述第一注意力特征图和上述第二人眼特征图进行相乘处理，得到第四人眼特征图。由此，可以根据空间注意力权重特征图，对第二人眼特征图进行空间信息的修正更新。之后，对上述第二人眼特征图进行池化处理，得到第五人眼特征图。对上述第五人眼特征图进行卷积处理，得到第六人眼特征图。对上述第六人眼特征图进行归一化处理，得到第二注意力特征图。由此，可以通过池化处理捕获特征图的全局信息，以及进一步得到各个通道对应的权重特征图。接着，对上述第二注意力特征图和上述第二人眼特征图进行相乘处理，得到第七人眼特征图。由此，可以实现对通道信息的调整。再接着，基于上述第四人眼特征图和上述第七人眼特征图，生成融合人眼特征图。由此，可以实现信息融合，以及突出虹膜区域。最后，将上述第一人眼特征图和上述融合人眼特征图输入预设的人眼特征解码模型，以生成虹膜区域图像。由此，可以解码得到二值化的虹膜区域图像。因此，通过较少的图像下采样次数，以及上述空间注意力机制与上述通道注意力机制相结合的方式，可以对用户信息中的空间特征信息进行修正，以减少特征的丢失，还可以降低对无关噪声的响应能力，由此提高分割后的用户信息的准确度。从而，可以更精准地匹配到正确的身份信息以用于安全解锁。进而，可以提高智能门锁的安全性。
第四步，对上述虹膜区域图像组中的各个虹膜区域图像进行截取处理，得到目标虹膜图像组。其中，上述目标虹膜图像组中的目标虹膜图像可以是虹膜对应的外接矩形所占区域的图像。首先，对上述虹膜区域图像组中的每个虹膜区域图像，根据预设的矩形外接算法，确定上述虹膜区域图像对应的外接矩形区域，以及沿上述虹膜区域图像对应的外接矩形区域的边缘进行裁剪，得到目标虹膜图像。
第五步，对上述人脸特征信息对应的人脸图像进行归一化处理，得到目标人脸图像。其中，上述目标人脸图像可以是与目标虹膜图像尺寸相同的人脸图像。可以对上述人脸特征信息对应的人脸图像进行尺寸调整，得到与上述目标虹膜图像尺寸相同的人脸图像，作为目标人脸图像。
第六步，将上述目标虹膜图像组中的每个目标虹膜图像、上述目标人脸图像确定为待识别图像，得到待识别图像组。
第七步，将上述待识别图像组输入至预先训练的融合特征信息生成模型，以生成融合特征信息。其中，上述融合特征信息生成模型可以是以待识别图像组为输入，以融合特征信息为输出的卷积神经网络模型。
在一些实施例的一些可选的实现方式中，上述融合特征信息生成模型可以包括卷积层、特征提取层、池化层和全连接层。其中，上述特征提取层可以包括关键特征提取模块。上述关键特征提取模块可以包括第一特征提取子模块、第二特征提取子模块和第三特征提取子模块。上述第一特征提取子模块和上述第二特征提取子模块结构相同，且均可以包括2个算子融合层和1个全局平均池化层。其中，上述算子融合层可以包括BN（BatchNormalization，批归一化）层、ReLU（Rectified Layer Units，非线性单元）、Convolution（卷积）层。上述第三特征提取子模块可以包括1个算子融合层和1个全局平均池化层。上述执行主体可以通过以下步骤，生成融合特征信息：
步骤一，对于上述待识别图像组中的每个待识别图像，执行以下步骤：
子步骤一，将上述待识别图像输入上述融合特征信息生成模型包括的卷积层，以生成第一特征图。
作为示例，上述融合特征信息生成模型包括的卷积层可以通过5*5的卷积核，对上述待识别图像进行卷积处理，得到第一特征图。
子步骤二，将上述第一特征图输入上述融合特征信息生成模型包括的特征提取层，以生成高层特征图序列。其中，上述高层特征图序列中的高层特征图可以是语义信息更丰富、感受野更大的特征图。可以将上述第一特征图作为输入特征图，基于输入特征图，执行以下高层特征图序列生成步骤：
步骤1，将输入特征图输入上述融合特征信息生成模型包括的特征提取层中的关键特征提取模块，以生成高层特征图，以及将上述高层特征图添加至预设的更新特征图序列的末尾。其中，上述更新特征图序列为可变长序列，且初始状态为空。可以通过以下步骤，生成高层特征图：
子步骤1，将上述第一特征图输入关键特征提取模块包括的第一特征提取子模块，以输出第一关键特征图。其中，首先，通过上述第一特征提取子模块包括的2个算子融合层，对上述第一特征图进行预处理，得到算子融合后特征图。然后，通过上述第一特征提取子模块包括的全局平均池化层，对上述第一特征图进行池化处理，得到池化后特征图。之后，对上述池化后特征图进行一维离散卷积处理，得到通道权重值特征图。接着，对上述第一特征图与上述通道权重值特征图进行相乘处理，得到更新第一特征图。最后，将上述算子融合后特征图和上述更新第一特征图确定为第一关键特征图。
子步骤2，将上述第二关键特征图输入关键特征提取模块包括的第二特征提取子模块，以输出第二关键特征图。其中，上述子步骤2可以参照子步骤1执行，输出第二关键特征图。
子步骤3，将上述第二关键特征图输入关键特征提取模块包括的第三特征提取子模块，以输出高层特征图。其中，首先，上述第三特征提取子模块可以通过算子融合层和全局平均池化层，依次对上述第二关键特征图进行预处理和池化处理，得到高层特征图。
步骤2，响应于确定上述更新特征图序列中的各个更新特征图的数量等于预设特征图阈值，将上述更新特征图序列确定为高层特征图序列。其中，上述预设特征图阈值可以是预先设置的待生成的高层特征图数量的上限值。
步骤3，响应于确定上述更新特征图序列中的各个更新特征图的数量不大于预设特征图阈值，将上述更新特征图序列末尾的第一个更新特征图作为输入特征图，再次执行上述高层特征图序列生成步骤。
子步骤三，将上述高层特征图序列中满足预设序号条件的高层特征图确定为第二特征图。其中，上述预设序号条件可以是高层特征图对应的序号为高层特征图序列对应的各个序号中的最大值。
子步骤四，将上述第二特征图输入上述融合特征信息生成模型包括的池化层，以生成第三特征图。其中，上述融合特征信息生成模型包括的池化层，可以对上述第二特征图执行全局平均池化处理，得到第三特征图。
子步骤五，将上述第三特征图输入上述融合特征信息生成模型包括的全连接层，以生成目标特征向量。其中，上述融合特征信息生成模型包括的全连接层，可以对上述目标特征向量执行全连接处理，得到目标特征向量。
步骤二，对所得到的各个第一特征图进行线性处理，得到第一融合特征图。其中，可以对所得到的各个第一特征图进行加权求和，得到第一融合特征图。
步骤三，基于上述融合特征信息生成模型包括的特征提取层，对上述第一融合特征图进行特征提取处理，得到高层融合特征图。其中，可以将上述第一融合特征图输入上述融合特征信息生成模型包括的特征提取层中的关键特征提取模块，对上述第一融合特征图进行特征提取处理，得到高层融合特征图。
步骤四，基于所得到的各个高层特征图序列和上述高层融合特征图，生成第二融合特征图。其中，上述第二融合特征图可以表征虹膜特征和人脸特征对应的融合特征。首先，将任意高层特征图序列对应的长度与1的差确定为融合次数。然后，对预设的计数值初始化为1，以及基于计数值和高层融合特征图，执行以下第二融合特征图生成步骤：
子步骤一，从各个高层特征图序列中、选出序号与计数值相同的各个高层特征图确定为目标高层特征图组。
子步骤二，对高层融合特征图和上述目标高层特征图组中的各个目标高层特征图进行加权求和，得到目标高层融合特征图。
子步骤三，将上述目标高层融合特征图输入上述特征提取层中的关键特征提取模块，以生成提取后高层融合特征图。其中，上述提取后高层融合特征图生成步骤可以参照上述高层特征图生成步骤。
子步骤四，响应于确定计数值等于上述融合次数，将上述提取后高层融合特征图确定为第二融合特征图。
可选的，上述执行主体还可以响应于确定计数值小于上述融合次数，将计数值与1的和确定为计数更新值，以及将上述计数更新值作为计数值、上述提取后高层融合特征图作为高层融合特征图，再次执行上述第二融合特征图生成步骤。
步骤五，将上述第二融合特征图输入上述融合特征信息生成模型包括的池化层，以生成目标融合特征图。其中，可以对上述第二融合特征图执行全局平均池化处理，得到目标融合特征图。
步骤六，将上述目标融合特征图输入上述融合特征信息生成模型包括的全连接层，以生成目标特征融合向量。其中，可以对上述目标融合特征图执行全连接处理，得到目标特征融合向量。
步骤七，对所得到的各个目标特征向量和上述目标特征融合向量进行线性处理，得到线性融合向量。其中，可以对所得到的各个目标特征向量和上述目标特征融合向量进行加权求和，得到线性融合向量。
步骤七，对上述线性融合向量进行归一化处理，得到融合特征信息。其中，可以通过归一化指数函数，对上述线性融合向量进行归一化处理，得到融合特征信息。
可选的，上述融合特征信息生成模型可以是通过以下步骤训练的：
第一步，获取用户样本集。其中，上述用户样本集中的用户样本可以包括样本人脸图像、样本左眼虹膜图像、样本左眼虹膜图像和样本融合特征信息。
第二步，从上述用户样本集中选取用户样本，以及执行以下训练步骤：
第一子步骤，将所选取的用户样本的样本人脸图像、样本左眼虹膜图像和样本左眼虹膜图像分别作为样本识别图像，得到样本识别图像组。
第二子步骤，将上述样本识别图像组输入初始融合特征信息生成模型，得到上述用户样本对应的融合特征信息。其中，上述初始融合特征信息生成模型可以是能够根据多个待识别图像得到融合特征信息的卷积神经网络模型。
第三子步骤，将上述用户样本对应的融合特征信息与对应的样本融合特征信息进行比较。其中，可以通过交叉熵损失函数对上述用户样本对应的融合特征信息与对应的样本融合特征信息进行比较。
第四子步骤，根据比较结果确定初始融合特征信息生成模型是否达到预设的优化目标。其中，上述优化目标可以是上述初始融合特征信息生成模型生成的融合特征信息的准确率大于预设的特征准确率阈值。
第五子步骤，响应于确定初始融合特征信息生成模型达到上述优化目标，将初始融合特征信息生成模型确定为训练完成的融合特征信息生成模型。
可选的，上述执行主体还可以响应于确定初始融合特征信息生成模型未达到上述优化目标，调整初始融合特征信息生成模型中的相关参数，以及从上述用户样本集中重新选取样本，使用调整后的初始融合特征信息生成模型作为初始融合特征信息生成模型，继续执行上述训练步骤。其中，可以采用反向传播算法和随机梯度下降方法对上述初始融合特征信息生成模型进行调整。
上述融合特征信息生成步骤及其相关内容，作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“降低了智能门锁的安全性”。导致降低了智能门锁的安全性的问题往往如下：当接收多种用户信息进行信息比对时，由于多种用户信息来源不同，若直接对各个用户信息进行特征提取及再融合，则容易因单一用户信息产生的孤立特征点，使得融合后的用户特征准确度降低，难以匹配到正确的身份信息以用于安全解锁。如果解决了上述问题，就能达到提高智能门锁的安全性的效果。为了达到这一效果，首先，通过尺寸归一化，将人脸图像与虹膜图像归一化为同一尺寸。由此，可以保留人脸图像的稳定特征例如五官位置形状大小，丢弃不稳定特征例如脸部纹理。其次，对于人脸图像和虹膜图像中的每个图像，可以通过卷积处理，对图像进行粗特征提取，得到第一特征图，以及在第一特征图的基础上，进行多次进一步特征提取，得到高层特征图序列。之后，针对人脸图像和虹膜图像对应的各个特征图，可以对于每一生成时机，根据上述生成时机对应的、人脸图像和虹膜图像对应的各个特征图和上一生成时机对应的融合特征图，通过加权求和得到上述生成时机对应的融合特征图。由此，便于后续通过融合特征加强人脸特征和虹膜特征的语义融合。接着，对人脸图像和虹膜图像对应的、最后生成的高层特征图和融合特征图分别进行全局池化处理和全连接处理。由此，可以对各个特征图进行降维分类。最后，可以通过对全连接处理后的各个特征向量进行加权求和以及归一化处理，得到融合特征信息。由此，可以通过融合特征信息加强人脸特征和虹膜特征的语义融合。因此，当多种用户信息来源不同时，可以通过上述图像归一化处理和分时机特征图融合处理相结合的方式，实现对各个用户信息的特征融合，由此可以减少单一用户信息产生孤立特征点的几率，提高融合后的用户特征的准确度，从而，可以更精准地匹配到正确的身份信息以用于安全解锁，进而，可以提高智能门锁的安全性。
步骤106，对融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息。
在一些实施例中，上述执行主体可以对上述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息。其中，上述人员深度特征信息集中的人员深度特征信息可以是预先从身份信息数据库中获取的表征对应用户的人脸和虹膜特征的向量的信息。上述人员深度特征信息集中的人员深度特征信息可以包括人员标识和深度特征向量。上述深度特征向量可以是表征用户的人脸和虹膜特征的向量。上述身份信息数据库可以是存储身份信息的数据库。上述身份信息可以包括但不限于以下至少一项：人脸特征信息、人员眼部信息、人员深度特征信息。上述第二身份匹配信息可以表征上述人员深度特征信息集中是否存在与上述融合特征信息之间的相似度大于或等于预设深度特征相似度值的人员深度特征信息。可以通过以下步骤，对融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息：
第一步，从上述人员深度特征信息集中、选出人员标识与上述第一身份匹配信息对应的任意人员标识相同的人员深度特征信息，得到至少一个人员深度特征信息。
第二步，通过上述相似度分析算法，对上述融合特征信息与上述至少一个人员深度特征信息中的各个人员深度特征信息进行相似度分析，得到至少一个深度特征相似度值。其中，上述至少一个深度特征相似度值中的深度特征相似度值可以表征用户的人脸和虹膜特征与预先录入的人脸和虹膜特征之间的相似程度。
第三步，对上述深度特征相似度值集中的各个深度特征相似度值进行归一化处理，得到归一化相似度值集。其中，上述归一化相似度值集中的归一化相似度值可以是0-1之间的数值。归一化相似度值越大表明越相似。
第四步，从上述归一化相似度值集中、选出大于或等于预设深度特征相似度值的归一化相似度值。其中，上述预设深度特征相似度值可以是预先设置的对应人脸和虹膜特征的相似度值。
第五步，响应于确定所选出的归一化相似度值不为空，将所选出的归一化相似度值对应的人员标识和预设深度特征匹配成功标识确定为第二身份匹配信息。其中，上述预设深度特征匹配成功标识可以表征上述人员深度特征信息集中存在与上述融合特征信息之间的相似度不小于预设深度特征相似度值的人员深度特征信息。
可选的，上述执行主体还可以响应于确定所选出的归一化相似度值为空，将预设深度特征匹配失败标识确定为第二身份匹配信息。其中，上述预设深度特征匹配失败标识可以表征上述人员深度特征信息集中不存在与上述融合特征信息之间的相似度大于或等于预设深度特征相似度值的人员深度特征信息。
步骤107，响应于确定第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至智能门锁对应的门锁控制器以供控制门锁解锁。
在一些实施例中，上述执行主体可以响应于确定上述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至上述智能门锁对应的门锁控制器以供控制门锁解锁。其中，上述第二预设身份匹配条件可以是上述第二身份匹配信息包括预设深度特征匹配成功标识。上述预设的开锁指令可以是预先设置的用于指示门锁控制器控制门锁解锁的指令。例如，上述开锁指令可以是“执行解锁”。上述智能门锁对应的门锁控制器可以接收开锁指令，控制电磁执行器对门锁进行解锁。
可选的，上述执行主体还可以执行以下步骤：
第一步，响应于确定上述第一身份匹配信息不满足上述第一预设身份匹配条件，对上述人眼特征信息和预先获取的人员眼部信息集进行匹配处理，得到第三身份匹配信息。其中，上述人员眼部信息集中的人员眼部信息可以是预先从身份信息数据库中获取的、表征对应用户的虹膜特征的向量的信息。上述人员眼部信息集中的人员眼部信息可以包括人员标识和虹膜特征向量。上述虹膜特征向量可以是表征用户的虹膜特征的向量。上述第三身份匹配信息可以表征上述人员眼部信息集中是否存在与上述人眼特征信息之间的相似度等于或大于预设眼部特征相似度值的人员眼部信息。可以通过以下步骤，对上述人眼特征信息和预先获取的人员眼部信息集进行匹配处理，得到第三身份匹配信息：
第一子步骤，可以通过预设的虹膜特征提取模型，对上述人眼特征信息进行特征提取，得到眼部虹膜特征向量。其中，上述眼部虹膜特征向量可以表征用户眼部虹膜的特征。
作为示例，上述虹膜特征提取模型可以是IrisCodeNet（虹膜特征编码网络）模型。
第二子步骤，通过上述相似度分析算法，对上述人眼特征信息和上述人员眼部信息集中的每个人员眼部信息进行相似度分析以生成眼部相似度值，得到眼部相似度值集。其中，上述眼部相似度值集中的眼部相似度值可以表征用户的虹膜特征与预先录入的虹膜特征之间的相似程度。
第三子步骤，对上述眼部相似度值集中的各个眼部相似度值进行归一化处理，得到归一化眼部相似度值集。其中，上述归一化眼部相似度值集中的归一化眼部相似度值可以是0-1之间的数值。
第四子步骤，从上述归一化眼部相似度值集中、选出不小于预设眼部相似度值的归一化眼部相似度值。其中，上述预设眼部相似度值可以是预先设置的对应虹膜特征的相似度值。
第五子步骤，响应于确定所选出的归一化眼部相似度值不为空，将所选出的归一化眼部相似度值对应的人员标识和预设眼部匹配成功标识确定为第三身份匹配信息。其中，上述预设眼部匹配成功标识可以表征上述人员眼部信息集中存在与上述人眼特征信息之间的相似度不小于预设眼部特征相似度值的人员眼部信息。
可选的，上述执行主体还可以响应于确定所选出的归一化眼部相似度值为空，将预设眼部匹配失败标识确定为第三身份匹配信息。其中，上述预设眼部匹配失败标识可以表征上述人员眼部信息集中不存在与上述人眼特征信息之间的相似度大于或等于预设眼部特征相似度值的人员眼部信息。
第二步，响应于确定上述第三身份匹配信息满足第三预设身份匹配条件，控制相关联的语音设备播放预设的密码输入提示信息。其中，上述第三预设身份匹配条件可以是上述第三身份匹配信息包括预设眼部匹配成功标识。上述语音设备可以是能够播放和接收语音的设备。上述密码输入提示信息可以是预先设置的用于提示输入密码的语音。例如上述密码输入提示信息可以是“身份信息已过期，请输入密码进行再次确认”。
第三步，响应于接收到上述用户输入的密码按键信息，对上述密码按键信息进行校验处理，得到密码校验信息。其中，上述密码按键信息可以是上述用户通过智能门锁的显示屏输入的字符串的信息。上述密码校验信息可以表征密码按键信息是否正确。首先，对上述密码按键信息与预先存储的门锁密码信息进行字符串匹配处理。其中，上述门锁密码信息可以是用于对智能门锁进行解锁的字符串。然后，响应于确定上述密码按键信息与门锁密码信息相同，将预设校验通过标识确定为密码校验信息。其中，上述预设校验通过标识可以表征密码按键信息正确。最后，响应于确定上述密码按键信息与门锁密码信息不相同，将预设校验未通过标识确定为密码校验信息。其中，上述预设校验未通过标识可以表征密码按键信息不正确。
第四步，响应于确定上述密码校验信息满足预设校验无误条件，将上述开锁指令发送至上述门锁控制器以供控制门锁解锁。其中，预设校验无误条件可以是上述密码校验信息表征密码按键信息正确。
实践中，当用户体态发生改变，例如长期出门在外、未使用上述智能门锁的用户长高、发胖或变瘦，容易使得体态特征信息匹配失败，此时通常人脸特征也会随之有较大改变，因此采用虹膜特征识别的方式对用户进行初次识别，再采用密码输入的方式进行二次识别，可以更好的确认用户身份，提高智能门锁的安全性。
可选的，上述执行主体还可以响应于确定上述第二身份匹配信息不满足上述第二预设身份匹配条件，控制相关联的语音设备播放预设的安全提示信息。其中，上述安全提示信息可以是“有未知访客，请查看”。上述执行主体可以控制相关联的语音设备对门内播放上述安全提示信息。门内人员接到安全提示后，可以通过相关联的显示终端查看门口情况。上述显示终端可以是但不限于以下中的一项：手机、带有显示屏的对讲机。
可选的，上述第一身份匹配信息可以包括：体态区别特征信息。其中，上述体态区别特征信息可以是表征上述体态特征信息对应的特征矩阵与目标体态特征对应的特征矩阵之间的差异的矩阵。上述目标体态特征可以是预先存储的用于对摄像头拍摄的体态进行比对的体态的特征矩阵。上述执行主体还可以执行以下步骤：
第一步，响应于确定门锁已解锁，获取与上述用户对应的历史体态区别特征信息序列。其中，上述历史体态区别特征序列可以是从历史时期的体态区别特征信息的有序集合。上述历史时期可以是当前日期之前连续7天的日期范围。
第二步，对上述体态区别特征信息和上述历史体态区别特征信息序列进行相似度分析，得到体态变化相似度值组。其中，上述体态变化相似度值组中的体态变化相似度值可以表征两个日期对应的体态变化之间的相似程度。可以通过上述相似度分析算法，对上述体态区别特征信息和上述历史体态区别特征信息序列中的每个历史体态区别特征信息进行相似度分析以生成体态变化相似度值，得到体态变化相似度值组。
第三步，响应于确定上述体态变化相似度值组满足预设特征相似条件，基于上述体态区别特征信息，对上述人员体态信息进行更新处理，得到更新后人员体态信息，以及将上述更新后人员体态信息确定为与上述用户对应的人员体态信息。其中，上述更新后人员体态信息可以是对上述目标体态特征对应的特征矩阵进行增量更新得到的特征矩阵。可以根据上述体态区别特征信息对应的矩阵，对上述人员体态信息对应的特征矩阵进行增量更新，得到更新后人员体态信息，以及将上述更新后人员体态信息确定为与上述用户对应的人员体态信息。
可选的，上述执行主体还可以响应于确定上述体态变化相似度值组不满足上述预设特征相似条件，基于上述体态区别特征信息，对上述历史体态区别特征信息序列进行更新处理。首先，删除上述历史体态区别特征信息序列中的第一个历史体态区别特征信息，得到删除后历史体态区别特征信息序列。然后，将上述区别特征信息添加至上述删除后历史体态区别特征信息序列的尾部。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的门锁控制方法，可以提高智能门锁的安全性。具体来说，造成降低了智能门锁的安全性的原因在于：当存在至少两个相似度较高的身份信息时，若通过一种用户信息参与信息比对，则容易使得用户信息匹配到错误的身份信息，从而，降低了智能门锁的安全性。基于此，本公开的一些实施例的门锁控制方法，首先，响应于检测到用户进入智能门锁对应的预设识别范围，获取与上述用户对应的人员特征信息。其中，上述人员特征信息包括人体特征信息和人眼特征信息。由此，可以得到智能门锁附近可能存在解锁意图的用户的特征，便于后续对用户特征进行比对，以确定用户的解锁意图。其次，对上述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息。响应于确定上述眨眼频次信息满足预设频次条件，对上述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息。由此，可以根据用户在短时间内的眨眼次数，确定用户存在解锁意图，以及可以对存在解锁意图的用户的人体特征进行分类，便于后续进一步确定用户是否满足解锁条件。然后，对上述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息。由此，可以初步确定上述用户的体态与预获取的人员体态是否匹配，便于后续确定是否根据人脸和人眼特征确定用户是否满足解锁条件。接着，响应于确定上述第一身份匹配信息满足第一预设身份匹配条件，对上述人脸特征信息和上述人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息。其中，上述第一预设身份匹配条件表征上述人员体态信息集中存在至少一个人员体态信息与上述体态特征信息相匹配。由此，当上述用户的体态与预获取的人员体态匹配时，可以先确定用户的人脸和人眼特征对应的融合特征，便于后续根据融合特征确定用户是否满足解锁条件。之后，对上述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息。由此，可以确定上述融合特征是否与预获取的人员深度特征相匹配。最后，响应于确定上述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至上述智能门锁对应的门锁控制器以供控制门锁解锁。由此，当上述融合特征与预获取的人员深度特征相匹配时用户满足解锁条件，可以通过开锁指令控制门锁解锁。因此，本公开的一些实施例的门锁控制方法，采用粗特征对比和精细特征对比相结合的方式，可以先通过体态信息对用户进行初次分类，以筛选出与用户体态信息较为接近的多个身份信息，再通过人脸和人眼的融合特征对用户进行二次精细分类，可以避免因仅采用一种用户信息参与信息比对而导致的身份信息的误匹配。从而，可以控制智能门锁安全解锁，提高智能门锁的安全性。又因为，采用短时间内连续眨眼作为确认开锁意图的方式，由此，在一些场景中（例如用户背向智能门锁回头时），还可以减少误开锁的次数。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种门锁控制装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该门锁控制装置200具体可以应用于各种电子设备中。
如图2所示，一些实施例的门锁控制装置200包括：获取单元201、第一检测单元202、第二检测单元203、第一匹配处理单元204、融合处理单元205、第二匹配处理单元206和发送单元207。其中，获取单元201，被配置成响应于检测到用户进入智能门锁对应的预设识别范围，获取与上述用户对应的人员特征信息，其中，上述人员特征信息包括人体特征信息和人眼特征信息；第一检测单元202，被配置成对上述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息；第二检测单元203，被配置成响应于确定上述眨眼频次信息满足预设频次条件，对上述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息；第一匹配处理单元204，被配置成对上述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息；融合处理单元205，被配置成响应于确定上述第一身份匹配信息满足第一预设身份匹配条件，对上述人脸特征信息和上述人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息，其中，上述第一预设身份匹配条件表征上述人员体态信息集中存在至少一个人员体态信息与上述体态特征信息相匹配；第二匹配处理单元206，被配置成对上述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息；发送单元207，被配置成响应于确定上述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至上述智能门锁对应的门锁控制器以供控制门锁解锁。
可以理解的是，该门锁控制装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于门锁控制装置200及其中包含的单元，在此不再赘述
进一步参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。生产收入/生产支出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的生产收入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的生产支出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于检测到用户进入智能门锁对应的预设识别范围，获取与上述用户对应的人员特征信息，其中，上述人员特征信息包括人体特征信息和人眼特征信息；对上述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息；响应于确定上述眨眼频次信息满足预设频次条件，对上述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息；对上述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息；响应于确定上述第一身份匹配信息满足第一预设身份匹配条件，对上述人脸特征信息和上述人眼特征信息进行融合处理，得到与上述用户对应的融合特征信息，其中，上述第一预设身份匹配条件表征上述人员体态信息集中存在至少一个人员体态信息与上述体态特征信息相匹配；对上述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息；响应于确定上述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至上述智能门锁对应的门锁控制器以供控制门锁解锁。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一检测单元、第二检测单元、第一匹配处理单元、融合处理单元、第二匹配处理单元和发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取与上述用户对应的人员特征信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种门锁控制方法，包括：
响应于检测到用户进入智能门锁对应的预设识别范围，获取与所述用户对应的人员特征信息，其中，所述人员特征信息包括人体特征信息和人眼特征信息；
对所述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息；
响应于确定所述眨眼频次信息满足预设频次条件，对所述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息；
对所述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息；
响应于确定所述第一身份匹配信息满足第一预设身份匹配条件，对所述人脸特征信息和所述人眼特征信息进行融合处理，得到与所述用户对应的融合特征信息，其中，所述第一预设身份匹配条件表征所述人员体态信息集中存在至少一个人员体态信息与所述体态特征信息相匹配；
对所述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息；
响应于确定所述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至所述智能门锁对应的门锁控制器以供控制门锁解锁。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述第一身份匹配信息不满足所述第一预设身份匹配条件，对所述人眼特征信息和预先获取的人员眼部信息集进行匹配处理，得到第三身份匹配信息；
响应于确定所述第三身份匹配信息满足第三预设身份匹配条件，控制相关联的语音设备播放预设的密码输入提示信息；
响应于接收到所述用户输入的密码按键信息，对所述密码按键信息进行校验处理，得到密码校验信息；
响应于确定所述密码校验信息满足预设校验无误条件，将所述开锁指令发送至所述门锁控制器以供控制门锁解锁。
3.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述第二身份匹配信息不满足所述第二预设身份匹配条件，控制相关联的语音设备播放预设的安全提示信息。
4.根据权利要求1所述的方法，其中，所述第一身份匹配信息包括：体态区别特征信息；以及
所述方法还包括：
响应于确定门锁已解锁，获取与所述用户对应的历史体态区别特征信息序列；
对所述体态区别特征信息和所述历史体态区别特征信息序列进行相似度分析，得到体态变化相似度值组；
响应于确定所述体态变化相似度值组满足预设特征相似条件，基于所述体态区别特征信息，对所述人员体态信息进行更新处理，得到更新后人员体态信息，以及将所述更新后人员体态信息确定为与所述用户对应的人员体态信息。
5.根据权利要求4所述的方法，其中，所述方法还包括：
响应于确定所述体态变化相似度值组不满足所述预设特征相似条件，基于所述体态区别特征信息，对所述历史体态区别特征信息序列进行更新处理。
6.根据权利要求1所述的方法，其中，所述对所述人脸特征信息和人眼特征信息进行融合处理，得到与所述用户对应的融合特征信息，包括：
从所述人眼特征信息对应的各个眼部区域图像中选出满足预设眼部状态条件的眼部区域图像；
基于所选出的眼部区域图像，生成人眼图像组；
对所述人眼图像组中的各个人眼图像进行分割处理，得到虹膜区域图像组；
对所述虹膜区域图像组中的各个虹膜区域图像进行截取处理，得到目标虹膜图像组；
对所述人脸特征信息对应的人脸图像进行归一化处理，得到目标人脸图像；
将所述目标虹膜图像组中的每个目标虹膜图像、所述目标人脸图像确定为待识别图像，得到待识别图像组；
将所述待识别图像组输入至预先训练的融合特征信息生成模型，以生成融合特征信息。
7.一种门锁控制装置，包括：
获取单元，被配置成响应于检测到用户进入智能门锁对应的预设识别范围，获取与所述用户对应的人员特征信息，其中，所述人员特征信息包括人体特征信息和人眼特征信息；
第一检测单元，被配置成对所述人员特征信息包括的人眼特征信息进行眨眼检测，得到眨眼频次信息；
第二检测单元，被配置成响应于确定所述眨眼频次信息满足预设频次条件，对所述人体特征信息进行检测处理，得到体态特征信息和人脸特征信息；
第一匹配处理单元，被配置成对所述体态特征信息与预先获取的人员体态信息集进行匹配处理，得到第一身份匹配信息；
融合处理单元，被配置成响应于确定所述第一身份匹配信息满足第一预设身份匹配条件，对所述人脸特征信息和所述人眼特征信息进行融合处理，得到与所述用户对应的融合特征信息，其中，所述第一预设身份匹配条件表征所述人员体态信息集中存在至少一个人员体态信息与所述体态特征信息相匹配；
第二匹配处理单元，被配置成对所述融合特征信息与预先获取的人员深度特征信息集进行匹配处理，得到第二身份匹配信息；
发送单元，被配置成响应于确定所述第二身份匹配信息满足第二预设身份匹配条件，将预设的开锁指令发送至所述智能门锁对应的门锁控制器以供控制门锁解锁。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202311029722.5A 2023-08-16 2023-08-16 门锁控制方法、装置、电子设备和计算机可读介质 Active CN117058787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311029722.5A CN117058787B (zh) 2023-08-16 2023-08-16 门锁控制方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311029722.5A CN117058787B (zh) 2023-08-16 2023-08-16 门锁控制方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN117058787A true CN117058787A (zh) 2023-11-14
CN117058787B CN117058787B (zh) 2024-04-12

Family

ID=88653073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311029722.5A Active CN117058787B (zh) 2023-08-16 2023-08-16 门锁控制方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN117058787B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080104415A1 (en) * 2004-12-06 2008-05-01 Daphna Palti-Wasserman Multivariate Dynamic Biometrics System
CN107277265A (zh) * 2017-07-13 2017-10-20 广东欧珀移动通信有限公司 解锁控制方法及相关产品
CN108415653A (zh) * 2018-03-27 2018-08-17 百度在线网络技术（北京）有限公司 用于终端设备的锁屏方法和装置
CN108447168A (zh) * 2018-05-31 2018-08-24 深圳市零度智控科技有限公司 人脸识别智能开锁方法、系统、智能门锁及存储介质
WO2019011072A1 (zh) * 2017-07-11 2019-01-17 Oppo广东移动通信有限公司 虹膜活体检测方法及相关产品
CN109815665A (zh) * 2018-12-25 2019-05-28 深圳供电局有限公司 身份认证方法及系统、电子设备、计算机可读存储介质
CN110223430A (zh) * 2019-06-21 2019-09-10 珠海格力电器股份有限公司 一种电子门锁的控制方法、装置及电子门锁
CN112052779A (zh) * 2020-09-01 2020-12-08 深圳市研盛芯控电子技术有限公司 一种具备掌静脉识别与虹膜识别的门禁系统
WO2021072673A1 (zh) * 2019-10-16 2021-04-22 中新智擎科技有限公司 一种用户身份识别方法、装置及电子设备
CN114005199A (zh) * 2021-10-26 2022-02-01 珠海格力电器股份有限公司 一种门锁控制方法、装置、电子设备及存储介质
CN114694268A (zh) * 2020-12-29 2022-07-01 南京东屋电气有限公司 生物特征识别方法及其系统
CN114898402A (zh) * 2022-04-28 2022-08-12 高新兴科技集团股份有限公司 一种融合人脸和人体特征的行人重识别方法、装置及介质
CN114937322A (zh) * 2022-05-26 2022-08-23 重庆长安汽车股份有限公司 智能汽车开门方法、装置、汽车、电子设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080104415A1 (en) * 2004-12-06 2008-05-01 Daphna Palti-Wasserman Multivariate Dynamic Biometrics System
WO2019011072A1 (zh) * 2017-07-11 2019-01-17 Oppo广东移动通信有限公司 虹膜活体检测方法及相关产品
CN107277265A (zh) * 2017-07-13 2017-10-20 广东欧珀移动通信有限公司 解锁控制方法及相关产品
CN108415653A (zh) * 2018-03-27 2018-08-17 百度在线网络技术（北京）有限公司 用于终端设备的锁屏方法和装置
CN108447168A (zh) * 2018-05-31 2018-08-24 深圳市零度智控科技有限公司 人脸识别智能开锁方法、系统、智能门锁及存储介质
CN109815665A (zh) * 2018-12-25 2019-05-28 深圳供电局有限公司 身份认证方法及系统、电子设备、计算机可读存储介质
CN110223430A (zh) * 2019-06-21 2019-09-10 珠海格力电器股份有限公司 一种电子门锁的控制方法、装置及电子门锁
WO2021072673A1 (zh) * 2019-10-16 2021-04-22 中新智擎科技有限公司 一种用户身份识别方法、装置及电子设备
CN112052779A (zh) * 2020-09-01 2020-12-08 深圳市研盛芯控电子技术有限公司 一种具备掌静脉识别与虹膜识别的门禁系统
CN114694268A (zh) * 2020-12-29 2022-07-01 南京东屋电气有限公司 生物特征识别方法及其系统
CN114005199A (zh) * 2021-10-26 2022-02-01 珠海格力电器股份有限公司 一种门锁控制方法、装置、电子设备及存储介质
CN114898402A (zh) * 2022-04-28 2022-08-12 高新兴科技集团股份有限公司 一种融合人脸和人体特征的行人重识别方法、装置及介质
CN114937322A (zh) * 2022-05-26 2022-08-23 重庆长安汽车股份有限公司 智能汽车开门方法、装置、汽车、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余修俊: "多模态融合的智能手机辅助认证研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2022 (2022-01-15) *

Also Published As

Publication number Publication date
CN117058787B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN108491805B (zh) 身份认证方法和装置
US20190347823A1 (en) Method and apparatus for detecting living body, system, electronic device, and storage medium
KR20220016184A (ko) 차량의 도어 잠금 해제 방법 및 장치, 시스템, 차량, 전자 기기 및 기억 매체
CN110930547A (zh) 车门解锁方法及装置、系统、车、电子设备和存储介质
KR20190072563A (ko) 얼굴 라이브니스 검출 방법 및 장치, 그리고 전자 디바이스
CN108416326B (zh) 人脸识别方法和装置
CN111444744A (zh) 活体检测方法、装置以及存储介质
CN108509892B (zh) 用于生成近红外图像的方法和装置
US11921831B2 (en) Enrollment system with continuous learning and confirmation
CN111914769B (zh) 用户合法性判定方法、装置、计算机可读存储介质及设备
KR102244180B1 (ko) 자동 얼굴 등록 및 갱신에 기반한 얼굴인식 출입 통제 시스템 및 방법
CN110059579B (zh) 用于活体检验的方法和装置，电子设备和存储介质
CN108133197B (zh) 用于生成信息的方法和装置
CN113569671B (zh) 异常行为报警方法、装置
CN114842411A (zh) 一种基于互补时空信息建模的群体行为识别方法
CN108449514A (zh) 信息处理方法和装置
CN111626086A (zh) 活体检测方法、装置及系统、电子设备和存储介质
KR20210037632A (ko) 생체 검출 방법 및 장치
CN110795975A (zh) 人脸误检优化方法及装置
CN114821752A (zh) 一种基于混合特征的年龄估算方法、电子设备及存储介质
CN113379045A (zh) 数据增强方法和装置
CN116721315B (zh) 活体检测模型的训练方法、装置、介质及电子设备
CN117058787B (zh) 门锁控制方法、装置、电子设备和计算机可读介质
CN116994198A (zh) 乘客行为检测方法、装置、电子设备和计算机可读介质
CN113792569B (zh) 对象识别方法、装置、电子设备及可读介质

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