基于智能锁的虹膜识别控制启闭方法与流程

本发明属于虹膜识别，尤其涉及基于智能锁的虹膜识别控制启闭方法。

背景技术：

1、随着智能家居技术的迅速发展，智能锁作为家居安防的重要组成部分，得到了广泛的应用，传统的智能锁主要依赖于指纹识别、密码输入和无线射频识别（rfid）等技术来实现门锁的启闭控制，然而，这些方法在实际应用中存在一些显著的不足，指纹识别易受指纹磨损或表面污渍的影响，导致识别失败；密码输入容易被窥视或遗忘，存在安全隐患；rfid卡片易丢失或被复制，安全性不高，为了提高智能锁的安全性和便捷性，虹膜识别技术因其独特性、稳定性和难以伪造的特点，逐渐成为研究和应用的热点。

2、目前，基于虹膜识别的智能锁在实际应用中仍面临一些技术难题，亟需解决；首先，在不同光照条件下，如何稳定、清晰地采集用户的虹膜图像，是一个重要的挑战；其次，虹膜图像的特征提取和匹配算法需要具备高准确性和高鲁棒性，以确保识别的可靠性；此外，如何实时更新虹膜特征库以适应用户虹膜特征的变化，以及确保开锁过程的安全性和数据传输的及时性，都是现有技术难以有效解决的问题。

3、因此，开发一种基于智能锁的虹膜识别控制启闭方法，以解决上述技术难题，提高智能锁的安全性、准确性和用户体验，具有重要的现实意义。

技术实现思路

1、基于上述目的，本发明提供了基于智能锁的虹膜识别控制启闭方法。

2、基于智能锁的虹膜识别控制启闭方法，包括以下步骤：

3、s1：通过智能锁上的虹膜采集模块采集用户虹膜图像，所述虹膜采集模块包括高分辨率摄像头和红外光源，用于确保在各种光照条件下采集清晰图像；

4、s2：对s1采集的虹膜图像进行多模态融合处理，将红外光谱图像和可见光谱图像进行融合，以增强虹膜特征的清晰度；

5、s3：利用预设的定位算法对虹膜图像进行定位，提取出虹膜区域，并进行实时归一化处理；

6、s4：采用3d-lbp算法对归一化后的虹膜图像进行特征提取，生成高维度的虹膜特征向量；

7、s5：将提取的虹膜特征向量与存储在智能锁中的预注册虹膜特征库进行动态匹配，过程中采用预设的加密传输和处理技术，并通过动态更新机制定期更新虹膜特征库；

8、s6：根据s5的匹配结果进行用户身份验证，通过智能锁的控制模块判断用户是否具有开锁权限，若验证通过，控制模块发送开锁指令至执行机构，驱动电机进行开锁操作，并在开锁成功后，通过无线通信模块将开锁记录和用户信息上传至云端服务器。

9、进一步的，所述s1具体包括：

10、s11：智能锁上的虹膜采集模块包括有环境光传感器，用于实时检测周围环境的光照强度，并判断当前光照条件是否适合进行虹膜采集；

11、s12：根据s11检测到的环境光强度，虹膜采集模块的控制单元自动调整红外光源的亮度和角度，以提供最佳照明条件，确保在低光或逆光环境下也能获得清晰的虹膜图像；

12、s13：虹膜采集模块中的高分辨率摄像头，用于捕捉用户的虹膜图像，该高分辨率摄像头具有至少1080p的分辨率；

13、s14：在采集过程中，同时使用高分辨率摄像头捕捉红外光谱图像和可见光谱图像，通过同步采集两种光谱的图像，确保在不同光照条件下获得完整的虹膜图像信息；

14、s15：通过图像质量检测算法对s14得到的虹膜图像进行检测，确保图像的清晰度、对比度和无噪声，当图像质量不符合预设标准时，则返回s12进行重新采集，直至获得满足质量要求的虹膜图像。

15、进一步的，所述s2具体包括：

16、s21：对从s1中获得的红外光谱图像和可见光谱图像进行预处理，具体包括图像的灰度变换、噪声过滤和图像增强，以提高图像的质量；

17、s22：分别对预处理后的红外光谱图像和可见光谱图像进行特征提取，采用预设的图像特征提取算法，获取每幅图像的特征信息；

18、s23：利用预设的特征匹配算法，将红外光谱图像和可见光谱图像的特征进行匹配，对齐两幅图像中的对应点，确保两幅图像在空间位置上的一致；

19、s24：根据特征匹配结果，确定融合策略，具体采用预设的加权平均法对红外光谱图像和可见光谱图像进行权重分配，权重分配依据包括图像的对比度、亮度和特征丰富度的参数；接着将红外光谱图像和可见光谱图像进行融合，通过加权平均法合成一幅融合图像，确保融合后的图像保留两种光谱图像的特征；

20、s25：对融合后的图像进行优化处理，包括对比度增强和细节增强，为后续的虹膜定位和特征提取提供优质图像数据。

21、进一步的，所述s24具体包括：

22、s241：对预处理后的红外光谱图像和可见光谱图像计算对比度、亮度、特征丰富度；

23、所述对比度采用计算图像灰度值标准差的方法，计算公式为：

24、，

25、；

26、其中, 为红外光谱图像的对比度；代表红外光谱图像的第个像素的灰度值；为红外光谱图像的平均灰度值；为红外光谱图像的总像素数；为可见光谱图像的对比度；代表可见光谱图像的第个像素的灰度值；为可见光谱图像的平均灰度值；为可见光谱图像的总像素数；

27、所述亮度采用计算图像灰度值平均值的方法，公式为：

28、，

29、；

30、其中，为红外光谱图像的亮度；为红外光谱图像的第个像素的灰度值；为可见光谱图像的亮度；为可见光谱图像的第个像素的灰度值；

31、所述特征丰富度采用边缘检测算法计算图像中的边缘数量，公式为：

32、，

33、，

34、其中，外光谱图像的丰富度；代表红外光谱图像的第个像素是否为边缘像素的二值标志；为可见光谱图像的丰富度；代表可见光谱图像的第个像素是否为边缘像素的二值标志；

35、s242：根据s241中计算的参数，对红外光谱图像和可见光谱图像进行权重分配，设红外光谱图像的权重为，可见光谱图像的权重为，则权重的计算公式分别为：

36、对比度权重：，；

37、亮度权重：，；

38、特征丰富度权重：，；

39、s243：综合各项权重参数，得到最终的融合权重，设综合权重为和，则综合权重的计算公式为：

40、，

41、；

42、其中，、、分别为对比度、亮度和特征丰富度的权重系数，需要满足；

43、s244：根据s243中计算的综合权重，对红外光谱图像和可见光谱图像进行加权平均融合，则融合图像的计算公式为：

44、，

45、其中，为红外光谱图像的灰度值矩阵；为可见光谱图像的灰度值矩阵。

46、进一步的，所述s3具体包括：

47、s31：利用改进的canny边缘检测算法对虹膜图像进行边缘检测，提取出虹膜和瞳孔的边缘，具体公式为：

48、，

49、其中，为梯度幅值；为图像在方向的梯度；为图像在方向的梯度；

50、s32：对s31中提取的边缘图像进行圆形霍夫变换，以识别出虹膜的内外边界，圆形霍夫变换的公式为：，其中，为圆心坐标；为半径；为边缘点的坐标；

51、s33：根据s32中识别出的虹膜内外边界，提取出虹膜区域，生成仅包含虹膜部分的图像，通过内外边界确定虹膜区域的起始和结束坐标进行切割；

52、s34：对提取出的虹膜区域进行归一化处理，将不同大小和形状的虹膜图像转换为统一的尺寸和形状，具体使用极坐标转换方法，则归一化公式为：

53、，

54、其中，为归一化后的虹膜图像；为原始虹膜图像；为极坐标到直角坐标的转换公式为；为极坐标到直角坐标的转换公式为；

55、s35：对归一化后的虹膜图像进行校正处理，消除由于拍摄角度或用户姿态引起的畸变，确保所有虹膜图像具有相同的对齐方式和比例。

56、进一步的，所述s4具体包括：

57、s41：将归一化处理后的虹膜图像分割成若干个小块，每个小块包含预定数量的像素，用于局部特征的提取；

58、s42：对每个分块的虹膜图像进行3d局部二值模式编码处理，3d-lbp通过在不同尺度和方向上分析图像块的灰度变化，生成每个像素的二值编码；

59、s43：将每个分块中的所有像素的3d-lbp编码值组合成一幅编码图，编码图用于表示虹膜图像在不同尺度和方向上的局部特征；

60、s44：对编码图进行统计分析，计算每个编码模式在整个虹膜图像中的出现频率，生成特征直方图，并将特征直方图中的数据组合成高维度的特征向量，该特征向量用于表示虹膜图像的局部纹理特征和全局特征分布；

61、s45：对生成的高维度特征向量进行优化处理，具有采用降维技术减少特征向量的维度，保留预定特征信息，去除冗余和噪声数据。

62、进一步的，所述s42中的3d局部二值模式编码处理的步骤包括：

63、s421：在每个分块中选择一个像素作为中心像素；

64、s422：根据预设的半径和方向，采集中心像素周围的邻域像素；

65、s423：比较邻域像素的灰度值与中心像素的灰度值，若邻域像素的灰度值大于或等于中心像素的灰度值，则该邻域像素的位置记为1，否则记为0；

66、s424：将所有邻域像素的二值结果组合成一个二进制数，作为中心像素的3d-lbp编码值。

67、进一步的，所述s44具体包括：

68、s441：对每个分块生成的编码图进行统计分析，计算每个3d-lbp编码模式在该分块中的出现频率，具体方法是遍历编码图中的每个像素，记录每种编码模式出现的次数，先预设编码图中第种编码模式在分块中的出现次数为；

69、s442：将s441中统计的每种编码模式的出现次数除以分块中像素的总数，计算出每种编码模式的频率，计算公式如下：；

70、s443：将每个分块中所有编码模式的频率组合成一个特征直方图，该直方图表示了虹膜图像在不同局部区域中的特征分布情况，设总共有种编码模式，则特征直方图为一个包含个条目的向量，公式为：；

71、s444：将所有分块的特征直方图合并，生成整个虹膜图像的全局特征直方图，具体将相同编码模式在不同分块中的频率累加，得到全局范围内的编码模式频率分布，设第种编码模式在整个虹膜图像中的频率为，则计算公式为：

72、，其中，为分块的总数；为第种编码模式在第个分块中的频率；

73、s445：将全局特征直方图中的数据按顺序排列，形成高维度的特征向量，每个编码模式的频率作为特征向量中的一个维度，该特征向量用于表示虹膜图像的整体纹理特征分布，特征向量表示为：，其中，为高维度特征向量。

74、进一步的，所述s5具体包括：

75、s51：将提取的虹膜特征向量与存储在智能锁中的预注册虹膜特征库中的特征向量逐一进行比对，计算特征向量之间的相似度，具体采用余弦相似度计算相似度值，计算公式为：，其中，为新提取的虹膜特征向量；为预注册虹膜特征库中的第个特征向量；·为向量点积；为向量的模；

76、s52：对计算出的相似度值与预设的相似度阈值进行比较，若大于或等于阈值，则认为匹配成功，识别出用户身份；否则，匹配失败；

77、s53：定期对预注册虹膜特征库进行动态更新，以保持特征库的准确性和最新性，动态更新机制包括以下步骤：

78、s531：将预定时间内成功匹配的虹膜特征向量存储到临时存储区域；

79、s532：对临时存储区域中的特征向量进行统计分析，计算每个用户的特征向量出现频率和稳定性，并选择出现频率高且稳定的特征向量作为更新候选；

80、s533：将更新候选特征向量与现有特征库中的对应特征向量进行比较，若新特征向量的稳定性和匹配准确率更高，则用新特征向量替换旧特征向量，更新特征库；

81、s54：根据实际应用需求，设定特征库更新的周期参数，确保特征库能够及时反映用户虹膜特征的变化。

82、进一步的，所述s6具体包括：

83、s61：接收s5中相似度判断的匹配结果，若匹配成功，则进入下一步进行用户身份验证；如果匹配失败，则拒绝开锁并发出警示信号；

84、s62：控制模块根据匹配成功的用户特征向量，从预先存储的用户权限数据库中查找对应的用户权限信息，验证用户是否具有开锁权限，具体包括用户身份验证和权限等级验证，只有具有开锁权限的用户才能进行下一步操作；

85、s63：若用户通过权限验证，控制模块将生成开锁指令，并将该指令发送至执行机构的驱动电路，该指令包括启动电机、打开锁芯的具体操作步骤；

86、s64：执行机构接收到控制模块发送的开锁指令后，启动电机驱动锁芯转动，完成开锁操作；

87、s65：在电机完成开锁操作后，执行机构中的传感器检测锁芯的状态，确认是否成功开锁，若开锁成功，传感器将成功信号反馈给控制模块；

88、s66：控制模块在接收到开锁成功信号后，生成开锁记录，包括用户身份、开锁时间、开锁地点的信息；

89、s67：最后通过无线通信技术将生成的开锁记录和用户信息上传至云端服务器。

90、本发明的有益效果为：

91、1）本发明通过引入多模态融合处理和动态虹膜定位算法，解决了在不同光照条件下虹膜图像采集的稳定性问题，通过高分辨率摄像头和红外光源的协同工作，结合多帧图像合成和图像质量检测技术，确保在低光、逆光等复杂光照环境下也能采集到清晰的虹膜图像，从而提高了图像质量，为后续的识别过程提供了可靠的基础；

92、2）本发明通过采用3d-lbp算法进行虹膜图像的特征提取，生成高维度的虹膜特征向量，通过对编码图进行详细的统计分析和特征向量优化处理，提高了虹膜特征提取的精度和鲁棒性，同时，动态匹配和加密传输技术的应用，确保了虹膜特征向量在传输和匹配过程中的安全性和准确性，有效防止了数据泄露和匹配错误；

93、3）本发明通过动态更新机制，定期更新虹膜特征库，以适应用户虹膜特征的变化，确保识别系统的长期稳定性和准确性，控制模块根据匹配结果进行用户身份验证，并通过无线通信模块将开锁记录和用户信息上传至云端服务器，实现了远程数据管理和审计，显著提高了智能锁的安全性、准确性和用户体验，具有较高的实用价值和推广前景。