(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211226949.4 (22)申请日 2022.10.09 (71)申请人 台州科技职业学院 地址 318020 浙江省台州市黄岩区嘉木路 288号 (72)发明人 马荣飞　 (74)专利代理 机构 衡水铭启专利代理事务所 (特殊普通 合伙) 1314 4 专利代理师 陈雷 (51)Int.Cl. G07C 9/00(2020.01) G07C 9/37(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/74(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 40/12(2022.01) G16Y 20/40(2020.01) G16Y 30/10(2020.01) G16Y 40/30(2020.01) G16Y 40/50(2020.01) (54)发明名称 基于物联网的安防设备 (57)摘要 本申请涉及智能控制领域， 其具体地 公开了 一种基于物联网的安防设备， 其通过对所采集的 指纹图像进行去雾处理， 再利用基于深度卷积神 经网络的特征提取器来提取所采集的指纹图像 和录入的指纹图像的高维图像特征， 并在高维特 征空间中来比较两者的相似度， 以提高匹配的精 准度并兼顾安全性。 权利要求书2页 说明书11页 附图7页 CN 115512470 A 2022.12.23 CN 115512470 A 1.一种基于物联网的安防设备， 其特 征在于， 包括： 指纹采集单元， 用于从数据库获取用户录入的参考指纹图像以及获取由部署于指纹锁 内的摄像头采集的用户按压指纹图像； 去雾单元， 用于将所述用户按压指纹图像通过基于对抗生成网络的去雾生成器以得到 生成用户按压指纹图像； 指纹特征提取单元， 用于将所述参考指纹图像和所述生成用户按压指纹图像通过包含 第一卷积神经网络和 第二卷积神经网络的孪生网络模型以得到参考特征图和校验特征图， 所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构； 差分单元， 用于计算所述 参考特征图和所述校验特 征图之间的差分特 征图； 判断单元， 用于将所述差分特征图通过分类器以得到分类结果， 所述分类结果用于表 示用户按压指纹图像与参 考指纹是否匹配； 以及 控制结果生成单元， 用于响应于所述分类结果为用户按压指纹图像与参考指纹匹配， 生成解锁控制指令 。 2.根据权利要求1所述的基于物联网的安防设备， 其特征在于， 所述指纹特征提取单 元， 包括： 检测指纹特征提取子单元， 用于使用所述第 一卷积神经网络的多层卷积层对所述生成 用户按压指纹图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度校验特征 图； 第一空间注意力 子单元， 用于将所述深度校验特征图输入所述第 一卷积神经网络的第 一空间注意力模块以得到第一空间注意力图； 以及 注意力施加子单元， 用于计算所述深度校验特征图和所述第 一空间注意力图的按位置 点乘以得到所述校验特 征图。 3.根据权利要求2所述的基于物联网的安防设备， 其特征在于， 所述指纹特征提取单 元， 包括： 参考指纹特征提取子单元， 用于使用所述第 二卷积神经网络的多层卷积层对所述参考 指纹图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参 考特征图； 第二空间注意力 子单元， 用于将所述深度参考特征图输入所述第 二卷积神经网络的第 二空间注意力模块以得到第二空间注意力图； 以及 注意力作用子单元， 用于计算所述深度参考特征图和所述第 二空间注意力图的按位置 点乘以得到所述 参考特征图。 4.根据权利要求3所述的基于物联网的安防设备， 其特征在于， 所述差分单元， 进一步 用于： 以如下公式计算计算所述 参考特征图和所述校验特 征图之间的差分特 征图； 其中， 所述公式为： 其中， F1表示所述参考特征图， F2表示所述校验特征图， Fc表示所述差分特征图， 表示 按位置差分。 5.根据权利要求4所述的基于物联网的安防设备， 其特征在于， 所述判断单元， 包括： 以 如下公式对所述差分特 征图进行处 理以生成分类结果；权　利　要　求　书 1/2 页 2 CN 115512470 A 2其中， 所述公式为： softmax{(Wn,Bn):…:(W1,B1)|Project(F)}， 其中P roject(F)表示将所述差分特征图投 影为向量， W1至Wn为各层全连接层的权 重矩阵， B1至Bn表示各层全连接层的偏置矩阵。 6.根据权利要求1所述的基于物联网的安防设备， 其特征在于， 所述基于物联网的安防 设备， 还包括用于对所述基于对抗生成网络的去雾生成器、 所述孪生网络模型和所述分类 器进行训练的训练模块。 7.根据权利要求6所述的基于物联网的安防设备， 其特 征在于， 所述训练模块， 包括： 训练数据采集单元， 用于获取训练数据， 所述训练数据包括训练参考指纹图像、 获取由 部署于所述指纹锁内的摄像头采集的训练用户按压指纹图像、 以及， 所述训练用户按压指 纹图像与所述训练参 考指纹是否匹配的真实值； 训练去雾单元， 用于将所述训练用户按压指纹图像通过所述基于对抗生成网络的去雾 生成器以得到训练生成用户按压指纹图像； 训练指纹特征提取单元， 用于将所述训练参考指纹图像和所述训练生成用户按压指纹 图像通过所述包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到训练参 考特征图和训练校验特 征图； 训练差分单元， 用于计算所述训练参考特征图和所述训练校验特征图之间的训练差分 特征图； 训练判断单 元， 用于将所述训练差分特 征图通过分类 器以得到分类损失函数值； 特征提取模式消解损失单元， 用于计算所述训练参考特征图和所述训练校验特征图的 特征提取模式消解的抑制损失函数值， 所述特征提取模式消解的抑制损失函数值与由所述 训练参考特征图展开得到的第一特征向量和由所述训练校验特征图展开得到的第二特征 向量之间的差分特 征向量的二范 数的平方有关； 以及 训练单元， 用于以所述特征提取模式消解的抑制损失函数值和所述分类损失函数值之 间的加权和作为分类损失函数值对所述基于对抗生成网络的去雾生成器、 所述孪生网络模 型和所述分类 器进行训练。 8.根据权利要求7所述的基于物联网的安防设备， 其特征在于， 所述特征提取模式消解 损失单元， 进一步用于： 以如下公式计算所述训练参考特征图和所述训练校验特征图的所 述特征提取模式消解的抑制 损失函数值； 其中， 所述公式为： 其中V1和V2分别是所述参考特征图和所述校验特征图展 开后得到的特征向量， M1和M2分 别是所述分类器对于所述特征向量V1和V2的权重矩阵， ‖ ·‖F表示矩阵的F范数， 且 表示 向量的二范 数的平方。权　利　要　求　书 2/2 页 3 CN 115512470 A 3