CN118968665B 基于多模态识别和物联网技术的智能门禁管理方法及系统 （南京宜讯系统工程有限公司）

基于多模态识别和物联网技术的智能门禁本发明公开了一种基于多模态识别和物联齐和自适应预处理，提取多尺度特征并动态融访问控制、自适应人流控制和实时异常事件检2处理后的数据存储到时序数据库中并更新特步骤S3、获取最终融合特征向量和预构建的特征分布模步骤S45、获取当前场地的实时人流分布数据和人流数据，计算每个位置点的局部密3算当前用户行为序列中每个行为与正常模式集合中每个模式的偏差度；构建孤立森林模2.如权利要求1所述的基于多模态识别和物联网技术的智能门禁管理方法，其特征在43.如权利要求2所述的基于多模态识别和物联网技术的智能门禁管理方法，其特征在步骤S21、从时序数据库中读取处理后的数据和特征索引；根据特征索引提取视觉特54.如权利要求3所述的基于多模态识别和物联网技术的智能门禁管理方法，其特征在步骤S32、构建局部敏感哈希函数集并应用于所有更新后的模板和输入的融合特征向为一致性评分和环境上下文概率输入决策树；得到验证是否通过的结果和最终的验证级5.如权利要求4所述的基于多模态识别和物联网技术的智能门禁管理方法，其特征在步骤S131、对接收的图像序列和深度图序列计算局部步骤S133、从前两个步骤获取去模糊后的图像序列和增6步骤S139、接收上一步骤中平滑后的毫米波雷达信号所述存储器存储有可被所述处理器执行的指令，所述指令用于被所现权利要求1至5任一项所述的基于多模态识别和物联网技术的智7能门禁管理方法不仅能够提高安全性和可靠性，还能实现更加智能化和个性化的访问控[0003]目前，智能门禁系统的研究主要集中在单一或双重生物[0005]发明目的，提供一种基于多模态识别和物联网技术的智89[0037]步骤S16、将压缩特征和降维后的数据合并为数据流；根据网络状况和数据重要[0055]步骤S32、构建局部敏感哈希函数集并应用于所有更新后的模板和输入的融合特证级别；处理时间序列数据；将处理后的数据分为训练集和测试集，采用预先构建的并训练好的[0068]步骤S47、从行为模式数据库中检索正常行为模式集合，提取当前用户的行为序有样本或达到最大深度；计算当前用户行为序列中每个行为在孤立森林中的平均路径长理步骤使用。实现了全方位的场景感知。精密时间协议服务器的使用确保了不同设备间数据的精确同个基础秩r_base和最大秩r_max。对于每个模式i，计算其与其他模式的平均相关性a_i=U1T[0106]步骤S155、对量化后的特征F_quantized应用熵编码。计算量化后的特征F_量v_1,v_2,,v_m。[0109]步骤S158、将预处理原始数据D_preprocessed投影到P上，得到降维后的数据D_[0110]步骤S159、将压缩特征F_compressed和预处理原始数据D_reduced合并为一个数络状况和数据重要性的自适应传输策略，大大提高了数据传输的可靠性和效率。改进的算特征协方差矩阵，进行特征值分解，选择前k个最大特征值对应的特征向量构建投影矩[0125]步骤S211、从时序数据库中读取处理后的数据D_processed和特征索引I_2enhanced=K_v*W_s*W_c，其中*表示逐元素乘法。这样得到增强后的视觉特征K_v_/ρ(A+1,f_2,...,f_m]。m的选择基于累积解释方差比例，使得Σi=1mλ_i/Σi=1nλi≥[0153]步骤S255、将F_sparse投影到投影矩阵P上，得到降维后的特征F_reduced=F_[0160]步骤S266、通过优化后的TT核心G_1,G_2,,G_d重构得到张量融合特征T_份模板集T={t_1,t_2,,t_n}[0183]步骤S3310、计算当前验证结果的置信度得分C=f(s_程使用。使用麦克风阵列采集空间化音频信号A(t,θ,φ)。利用热成像相机采集热图序列H={H_1,[0205]S12.使用精密时间协议(PTP)服务器同据点添加微秒级时间戳t_i，得到带时间戳的数据集D_t={I_t,Z_t,A_t,H_t,V_t,P_t,N_in_t,N_out_t}。计算D_t中各模态数local。根据C_local自适应调整对比度限制参数α_i，应用对比度受限自适应直方图均衡据G和H自适应调整SIFT算法的尺度参数σ计算短时频谱S(t,f)，根据S(t,f)的时变特性动态调整梅尔滤波器组的中心频率f_c和带模式相关性矩阵R。根据R动态调整Tucker分解的核张量秩r_i。应用自适应Tucker分解算[0210]S17.将S16的F_compressed和D_reducedtransformed应用增量聚类算法，动态更新聚类中心C_i和聚类半径r_i，得到聚类结果S_[0212]S19.将S18处理后的S_clustered写入分I_s和访问频率F_a。根据I_s和F_a动态调整数据保留周期T_r。应用自适应数据保留策[0214]S21.从时序数据库中读取S1处理后的数据D_processed和特征索引I_feature。环境特征E_main，应用指数加权移动平均，计算平滑系数α,得到平滑后的特征E_main_enhanced和E_main_smoothed与预先存储的身份标签Y组合。计算每个特征与Y之间的互信息I(X;Y)。设定互信息阈值T_I，选择I(X;Y)>T_I的特征子集，得到选定的特征集F_非零特征值的特征向量，构成投影矩阵P。将F_sparse投影到P上，得到降维后的特征F_[0218]S25.将S24的F_reduced组织成^(_1/2)AD^(_1/2)HW)，其中H为输入特征，W为可学习的[0220]S27.将S25的F_tt和S26的F_gcn连接形成多模态特征矩阵F_multi=[F_tt;F_[0221]S28.将S27得到的F_final写入时序数据库，更新特征索引I_feature。计算F_[0222]S3.获取S2中的最终融合特征向量F_finaT_c_i)，其中η为学习率。计算更新后模板的质量评分q_i=f(age_i,usage_i,[0225]S33.从用户行为数据库中检索与T_best相关的历史行为序列B={B_1,B_2, [0226]S34.从环境数据库中检索当前环境参数E_current和历史环境_用户关联数据D_[0227]S35.基于历史验证数据计算全局误报率FA索最优决策阈值τ,使得|FAR(τ)[0231]S41.从用户数据库中检索与身份ID对应的历史行为数据H={h_1,h_2,,征分解，获取前k个主成分，构成投影矩阵P。将F投影到P上，得到降维后的行为特征F_c_2,,c_m}和隶属度矩阵U。迭代更距离，χ(x)为指示函数。计算每个点到密度更高点的最小距离δ_i=min_j:ρ_j>ρ_i(d_可通行路径）。对每条边e_ij∈E，根据S45中的拥堵情况计算其代价函数c(e_ij)=f