本發(fā)明涉及門禁系統(tǒng)，具體涉及一種多模態(tài)生物識別門禁系統(tǒng)。

背景技術(shù)：

1、隨著科技的不斷發(fā)展，門禁系統(tǒng)在各個領(lǐng)域的應(yīng)用越來越廣泛。傳統(tǒng)的門禁系統(tǒng)主要采用鑰匙、密碼、刷卡等方式進行身份驗證，但這些方式存在著易丟失、易被破解、安全性低等問題，為了提高門禁系統(tǒng)的安全性和準(zhǔn)確性，生物識別技術(shù)逐漸被應(yīng)用于門禁系統(tǒng)中。

2、目前，常見的生物識別技術(shù)有指紋識別、人臉識別、虹膜識別等。這些生物識別技術(shù)各有優(yōu)缺點，單一的生物識別技術(shù)難以滿足高安全性的門禁需求，因此，開發(fā)一種多模態(tài)生物識別門禁系統(tǒng)具有重要的現(xiàn)實意義。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是為了解決上述問題，設(shè)計了一種多模態(tài)生物識別門禁系統(tǒng)，結(jié)合了多種生物識別技術(shù)，以提高門禁系統(tǒng)的安全性和準(zhǔn)確性。

2、本發(fā)明提供一種多模態(tài)生物識別門禁系統(tǒng)，所述多模態(tài)生物識別門禁系統(tǒng)包括生物識別模塊、數(shù)據(jù)處理模塊、身份確定模塊、控制模塊、存儲模塊和通信模塊，其中，

3、生物識別模塊，用于采集用戶的生物特征圖像，其中所述生物特征圖像至少包括指紋圖像、面部圖像和虹膜圖像；

4、數(shù)據(jù)處理模塊，用于對所述生物識別模塊采集到的所述生物特征圖像進行數(shù)據(jù)處理和分析，提取出有效的特征值，得到目標(biāo)特征圖像；

5、身份確定模塊，用于對所述目標(biāo)特征圖像進行多模態(tài)識別，得到識別結(jié)果，并進行比對以確定用戶的身份；

6、控制模塊，用于根據(jù)所述身份確定模塊的比對結(jié)果控制門禁的開啟或關(guān)閉；

7、存儲模塊，用于存儲用戶的生物特征模板和門禁參數(shù)信息；

8、通信模塊，用于采用有線通信或無線通信的方式與移動端進行通信及聯(lián)動。

9、可選的，在本發(fā)明的第一種實現(xiàn)方式中，對所述生物識別模塊采集到的所述生物特征圖像進行數(shù)據(jù)處理和分析，提取出有效的特征值，得到目標(biāo)特征圖像，包括：

10、獲取所述生物識別模塊輸出的生物特征圖像，通過k-means聚類算法對所述生物特征圖像進行篩選，將所述生物特征圖像分為可用圖像和不可用圖像兩類；

11、采用lenet網(wǎng)絡(luò)對篩選出的可用圖像進行識別，以得到含有有效特征的細節(jié)特征圖像；

12、對所述細節(jié)特征圖像進行直方圖均衡增強，并對增強后的細節(jié)特征圖像進行clahe增強，得到目標(biāo)特征圖像。

13、可選的，在本發(fā)明的第二種實現(xiàn)方式中，所述獲取所述生物識別模塊輸出的生物特征圖像，通過k-means聚類算法對所述生物特征圖像進行篩選，將所述生物特征圖像分為可用圖像和不可用圖像兩類，包括：

14、獲取所述生物識別模塊輸出的生物特征圖像，計算所述生物特征圖像的原始數(shù)據(jù)集中每兩個數(shù)據(jù)點xi、xj之間的歐式距離，并根據(jù)所有點的歐式距離計算出平均距離；

15、遍歷所有點的歐式距離，并基于平均距離，計算所有數(shù)據(jù)點的密度p(i)、簇內(nèi)平均距離ai和參數(shù)λi：

16、

17、選擇λi最大的數(shù)據(jù)點，將與該數(shù)據(jù)點距離小于平均距離的數(shù)據(jù)點加入到新數(shù)據(jù)集中，并在原始數(shù)據(jù)集中刪除相應(yīng)的數(shù)據(jù)點，重復(fù)迭代，直至所有點歸類；

18、計算新數(shù)據(jù)集中每個數(shù)據(jù)點的簇內(nèi)誤差平方，選擇簇內(nèi)誤差平方最小的點作為該聚類的初始中心點，計算新數(shù)據(jù)集中每個數(shù)據(jù)點與所有的初始中心點的距離，把所有數(shù)據(jù)點歸到k個類中，重復(fù)迭代直至新聚類中心不變，以將所述生物特征圖像分為可用圖像和不可用圖像兩類。

19、可選的，在本發(fā)明的第三種實現(xiàn)方式中，所述采用lenet網(wǎng)絡(luò)對篩選出的可用圖像進行識別，以得到含有有效特征的細節(jié)特征圖像，包括：

20、lenet網(wǎng)絡(luò)的前三層卷積池化通過不同的卷積層學(xué)習(xí)輸入的可以圖像的特征，后邊兩層全連接層對卷積特征進行高維特征的空間映射，并得到含有有效特征的細節(jié)特征圖像，其中每個卷積層的卷積核均為5×5的大小，每個卷積層都有一個2×2的最大池化層，通過relu激活函數(shù)引入非線性化。

21、可選的，在本發(fā)明的第四種實現(xiàn)方式中，對所述細節(jié)特征圖像進行直方圖均衡增強，并對增強后的細節(jié)特征圖像進行clahe增強，得到目標(biāo)特征圖像，包括：

22、將增強后的細節(jié)特征圖像劃分為若干個大小相等的子塊，并讓不同子塊之間沒有重疊的像素點；

23、計算每個子塊的直方圖m以及裁剪限制閾值δ：

24、

25、式中，nx和ny代表子塊在橫軸和縱軸方向上的像素點個數(shù)，c為對比度限制系數(shù)；

26、按照計算得到的δ對每個子塊進行裁剪，將超過δ的像素點平均分配到子塊的直方圖；

27、對子塊的新直方圖進行he和雙線性插值的操作，得到目標(biāo)特征圖像。

28、可選的，在本發(fā)明的第五種實現(xiàn)方式中，所述對所述目標(biāo)特征圖像進行多模態(tài)識別，得到識別結(jié)果，并進行比對以確定用戶的身份，包括：

29、采用指紋識別網(wǎng)絡(luò)模型、面部識別網(wǎng)絡(luò)模型和虹膜識別網(wǎng)絡(luò)模型三個網(wǎng)絡(luò)并行對所述目標(biāo)特征圖像的指紋、面部和虹膜進行特征提?。?/p>

30、將從指紋識別網(wǎng)絡(luò)模型得到的指紋特征向量、從面部識別網(wǎng)絡(luò)模型得到的面部特征向量和虹膜識別網(wǎng)絡(luò)模型得到的虹膜特征向量依次排列組合；

31、為每個模態(tài)的特征向量分配一個權(quán)重，將每個模態(tài)的特征向量乘以相應(yīng)的權(quán)重：

32、y＝αx

33、式中，α表示相應(yīng)模態(tài)特征的具體權(quán)重參數(shù)，x表示自適應(yīng)權(quán)重層的輸入，y表示所提出的自適應(yīng)權(quán)重層的輸出；

34、將加權(quán)后的特征向量相加，得到融合后的多模態(tài)特征向量，將融合后的多模態(tài)特征轉(zhuǎn)換識別結(jié)果。

35、可選的，在本發(fā)明的第六種實現(xiàn)方式中，所述采用指紋識別網(wǎng)絡(luò)模型、面部識別網(wǎng)絡(luò)模型和虹膜識別網(wǎng)絡(luò)模型三個網(wǎng)絡(luò)并行對所述目標(biāo)特征圖像的指紋、面部和虹膜進行特征提取，包括：

36、所述指紋識別網(wǎng)絡(luò)模型采用vgg-fingerprintnet，通過多個卷積層對輸入所述目標(biāo)特征圖像的指紋進行特征提取，卷積層學(xué)習(xí)到不同尺度和方向的指紋紋理特征，通過池化層降低特征圖的分辨率經(jīng)過全連接層將提取到的指紋特征轉(zhuǎn)換為指紋特征向量；

37、所述面部識別網(wǎng)絡(luò)模型采用resnet-facenet，輸入的所述目標(biāo)特征圖像的面部經(jīng)過卷積層和殘差塊進行特征提取，通過全局平均池化層將面部特征轉(zhuǎn)換為面部特征向量；

38、所述虹膜識別網(wǎng)絡(luò)模型采用deepirisnet，由多個卷積層和池化層組成，對輸入的所述目標(biāo)特征圖像的虹膜去除噪聲和干擾，通過卷積層和池化層逐步提取虹膜的紋理特征，最后經(jīng)過全連接層將虹膜特征轉(zhuǎn)換為虹膜特征向量。

39、可選的，在本發(fā)明的第七種實現(xiàn)方式中，所述控制模塊包括驗證通過模塊和驗證失敗模塊，其中，

40、驗證通過模塊，用于當(dāng)用戶身份驗證通過時，控制模塊發(fā)送開門信號給門禁執(zhí)行機構(gòu)，打開門禁；

41、驗證失敗模塊，用于當(dāng)用戶身份驗證失敗時，控制模塊發(fā)出報警信號，并記錄相關(guān)信息。

42、本發(fā)明提供的技術(shù)方案中，多模態(tài)生物識別門禁系統(tǒng)包括生物識別模塊、數(shù)據(jù)處理模塊、身份確定模塊、控制模塊、存儲模塊和通信模塊，結(jié)合了多種生物識別技術(shù)，如指紋識別、人臉識別、虹膜識別等，這些生物識別技術(shù)具有唯一性、穩(wěn)定性和不可復(fù)制性等特點，能夠有效提高門禁系統(tǒng)的安全性；多種生物識別技術(shù)的結(jié)合可以彌補單一生物識別技術(shù)的不足，提高身份驗證的準(zhǔn)確性；用戶只需在門禁系統(tǒng)前短暫停留，即可完成身份驗證，提高了門禁系統(tǒng)的使用效率。