一种基于神经网络和rfid的智能通道门控制方法与流程

本发明涉及门禁，特别涉及一种基于神经网络和rfid的智能通道门控制方法。

背景技术：

1、rfid(射频识别)智能通道门是使用了rfid技术的通道门，目前已广泛应用于人员进出管理，例如图书馆、会议室或者仓库的人员进出管理。

2、在rfid智能通道门中，标签采用散射、直接反馈的方式向阅读器反馈用户码，用户码难以加密(加密需要提高标签的算力，这将极大程度上导致标签成本增加)，因此存在不法分子使用窃听设备获取用户码，并写入到非法的标签的情况；此外，亦存在用户的门禁卡(标签)被其他人拾取/盗窃的情况。

技术实现思路

1、本发明的主要目的是提供一种基于神经网络和rfid的智能通道门控制方法，旨在提升智能通道门的安全性。

2、本申请提出一种基于神经网络和rfid的智能通道门控制方法，应用于智能通道门，该智能通道门包括阅读器，设于通道门的一侧；以及设有32*32标签的通道标签阵列，设于所述通道门的另一侧，以在行人通过所述通道门时，行人相对于所述阅读器遮挡所述通道标签阵列的部分标签；所述基于神经网络和rfid的智能通道门控制方法包括：根据设置于用户的身份标签，获取用户的第一用户码；获取通道标签阵列的标签阵列信号；将标签阵列信号，送入预训练的神经网络模型，以获取用户的体态特征；若用户的体态特征和第一用户码匹配，则确认用户身份。

3、在一实施例中，通道标签阵列的每一标签信号包括表征自己的坐标的信号、该信号的信号相位和信号强度；所述步骤：将标签阵列信号，送入预训练的神经网络模型，以获取用户的体态特征，包括：

4、在信号相位和信号强度的变化大于预设阈值的单位时间内，根据所有标签的坐标以及对应的信号相位，生成信号相位图序列；

5、在信号相位和信号强度的变化大于预设阈值的单位时间内，根据所有标签的坐标以及对应的信号强度，生成信号强度图序列；

6、将信号相位图序列和信号强度图序列送入预训练的神经网络模型，获取用户的体态特征。

7、在一实施例中，信号相位图序列包括多帧信号相位图，信号强度图序列包括多帧信号强度图；所述步骤：将信号相位图序列和信号强度图序列送入预训练的神经网络模型，获取用户的体态特征，包括：

8、将时间对应的信号相位图和信号强度图直接拼接，得到拼接图序列；

9、根据拼接图序列，获取光流图序列；

10、将时间对应的拼接图和光流图送入特征提取网络，得到空间特征图并存储；重复此步骤，以得到空间特征图序列；

11、按照时间顺序，将空间特征图序列送入融合网络，得到时空特征；

12、根据时空特征，获取用户的体态特征。

13、在一实施例中，将对应的拼接图和光流图送入特征提取网络，得到空间特征图，包括：

14、将拼接图进行卷积处理得到第一拼接卷积图；将第一拼接卷积图进行卷积处理得到第二拼接卷积图；

15、将第一拼接卷积图像进行下采样，以使得其尺寸与第二拼接卷积图一致，并将两者融合得到第一卷积融合图；

16、将第二拼接卷积图像进行上采样，以使得其尺寸与第一拼接卷积一致，并将两者融合得到第二卷积融合图；

17、将拼接图和第二卷积融合图进行下采样，第一卷积融合图进行上采样，以使得三者尺寸一致，并将三者融合得到拼接特征图。

18、在一实施例中，，将对应的拼接图和光流图送入特征提取网络，得到空间特征图，包括：

19、将光流图进行卷积处理得到第一光流卷积图；将第一光流卷积图进行卷积处理得到第二光流卷积图；

20、将第一光流卷积图像进行下采样，以使得其尺寸与第二拼接卷积图一致，并将两者融合得到第一卷积融合图；

21、将第二光流卷积图像进行上采样，以使得其尺寸与第一拼接卷积一致，并将两者融合得到第二卷积融合图；

22、将光流图和第二卷积融合图进行下采样，第一卷积融合图进行上采样，以使得三者尺寸一致，并将三者融合得到光流特征图。

23、在一实施例中，将对应的拼接图和光流图送入特征提取网络，得到空间特征图，包括：

24、将拼接特征图和光流特征图送入全连接网络进行融合处理，以获取空间特征图。

25、在一实施例中，在步骤：将标签阵列信号，送入预训练的神经网络模型，以获取用户的体态特征，之前还包括：

26、根据公式θj＝θi+2πvηk,k-1调整相位信号，；

27、其中，θj是调整后的相位信号，θi是调整前的相位信号；在相邻两个相位信号的相位差绝对值小于2π时，vηk,k-1取0；在相邻两个相位信号的相位等于2π时，vηk,k-1取-1；在相邻两个相位信号的相位差等于-2π，且小于-π时，vηk,k-1取1。

28、在一实施例中，步骤：按照时间顺序，将空间特征图序列送入融合网络，得到时空特征，包括：

29、空间特征图序列中，仅有一帧空间特征图是实时获取的，剩余的空间特征图为预存储的。

30、在一实施例中，基于神经网络和rfid的智能通道门控制方法还包括：

31、获取标签阵列信号训练集，并标注体态特征点；

32、使用训练集训练深度信息模型，得到预训练的神经网络模型；

33、采集用户体态特征，并将用户体态特征和第一用户码绑定，并存储于智能通道门的阅读器。

34、在一实施例中，所述智能通道门包括：

35、提示器，与所述阅读器连接，所述阅读器在确认用户的体态特征和第一用户码不匹配，控制提示器工作。

36、本申请利用行人通过通道时，会对通道标签阵列产生屏蔽作用，导致通道标签阵列的信号强度和信号相位发生变化，根据变化特征，识别用户身份。只需增加几个标签，以及提升阅读器的算力即可实现智能通道门的安全性提升。

技术特征：

1.一种基于神经网络和rfid的智能通道门控制方法，其特征在于，智能通道门包括：阅读器，设于通道门的一侧；设有32*32标签的通道标签阵列，设于所述通道门的另一侧，以在行人通过所述通道门时，行人相对于所述阅读器遮挡所述通道标签阵列的部分标签；所述基于神经网络和rfid的智能通道门控制方法包括：

2.如权利要求1所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，通道标签阵列的每一标签信号包括表征自己的坐标的信号、该信号的信号相位和信号强度；所述步骤：将标签阵列信号，送入预训练的神经网络模型，以获取用户的体态特征，包括：

3.如权利要求2所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，信号相位图序列包括多帧信号相位图，信号强度图序列包括多帧信号强度图；所述步骤：将信号相位图序列和信号强度图序列送入预训练的神经网络，获取用户的体态特征，包括：

4.如权利要求3所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，将对应的拼接图和光流图送入特征提取网络，得到空间特征图，包括：

5.如权利要求4所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，将对应的拼接图和光流图送入特征提取网络，得到空间特征图，包括：

6.如权利要求5所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，将对应的拼接图和光流图送入特征提取网络，得到空间特征图，包括：

7.如权利要求6所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，在步骤：将标签阵列信号，送入预训练的神经网络模型，以获取用户的体态特征，之前还包括：

8.如权利要求3所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，步骤：按照时间顺序，将空间特征图序列送入融合网络，得到时空特征，包括：

9.如权利要求1-8任一项所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，还包括：

10.如权利要求1所述的基于神经网络和rfid的智能通道门控制方法，其特征在于，所述智能通道门包括：

技术总结
本发明公开一种基于神经网络和rfid的智能通道门控制方法，该控制方法包括：根据设置于用户的身份标签，获取用户的第一用户码；获取通道标签阵列的标签阵列信号；将标签阵列信号，送入预训练的神经网络模型，以获取用户的体态特征；若用户的体态特征和第一用户码匹配，则确认用户身份。本发明实现的用户身份的二次确认，提高了智能通道门的安全性。

技术研发人员：刘艳勤,胡彦峰
受保护的技术使用者：深圳零和壹物联科技有限公司
技术研发日：
技术公布日：2024/1/15