基于人工智能技術(shù)的配匙方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及配匙技術(shù)領(lǐng)域，具體涉及一種基于人工智能技術(shù)的配匙方法及系統(tǒng)。本發(fā)明提供了一種基于人工智能技術(shù)的自動(dòng)配匙方法及系統(tǒng)，其中的方法包括：獲取鑰匙圖片并存儲(chǔ)于云端；采用計(jì)算機(jī)視覺(jué)算法對(duì)鑰匙圖片進(jìn)行對(duì)正；利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖片的圖像特征；根據(jù)圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型；根據(jù)鑰匙類型、計(jì)算機(jī)視覺(jué)算法和圖像處理算法獲取鑰匙的具體信息；根據(jù)鑰匙的具體信息進(jìn)行配制。本發(fā)明用于安防領(lǐng)域中的實(shí)體防護(hù)產(chǎn)品的配匙，能夠解決鑰匙遺忘、丟失及磨損等問(wèn)題后無(wú)法開啟鎖具的難題，為各種突發(fā)情況提供了一個(gè)全新的解決方案，同時(shí)使得配匙更加方便、簡(jiǎn)單、安全、快捷。
【專利說(shuō)明】
基于人工智能技術(shù)的配匙方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及配匙技術(shù)領(lǐng)域，具體涉及一種基于人工智能技術(shù)的配匙方法及系統(tǒng)。
【背景技術(shù)】
[0002] 在現(xiàn)實(shí)生活中，我們每天都會(huì)用到各種各樣的鑰匙，比如車鑰匙、防盜門鑰匙、抽 屜鑰匙、保險(xiǎn)柜鑰匙、自動(dòng)柜員機(jī)鑰匙、金庫(kù)門鑰匙、槍柜鑰匙、彈藥庫(kù)門鑰匙等。鑰匙配制 是人們經(jīng)常遇到的問(wèn)題，據(jù)粗略統(tǒng)計(jì)，每年有1億人需要配制鑰匙，另外，有5000萬(wàn)人丟失或 忘帶鑰匙尋求鎖匠幫助。然而，傳統(tǒng)的配匙方式即不方便又存在嚴(yán)重的安全隱患。遇到鑰匙 遺忘、丟失及磨損等問(wèn)題卻沒(méi)有鑰匙備份的情況，只能求助于開鎖公司，費(fèi)用高昂，費(fèi)時(shí)費(fèi) 力不安全。
[0003] 在鎖匠行業(yè)，傳統(tǒng)的配匙機(jī)器包括目前最先進(jìn)的數(shù)控機(jī)器，需要購(gòu)買種類繁多的 鑰匙坯，每種鑰匙對(duì)應(yīng)一種鑰匙坯，各種成本很高。對(duì)于一些專用鑰匙，很難配制，即使配制 出來(lái)，由于精度問(wèn)題，開啟鎖具不順暢，從而損害鎖具。
[0004] 為解決上述問(wèn)題，本發(fā)明提供一種新的配制鑰匙的方法。

【發(fā)明內(nèi)容】

[0005] 鑒于上述問(wèn)題，本發(fā)明的目的是提供一種基于人工智能技術(shù)的配匙方法及系統(tǒng)， 利用人工智能技術(shù)自動(dòng)地獲取鑰匙數(shù)據(jù)，將鑰匙數(shù)據(jù)傳輸?shù)?D配匙機(jī)進(jìn)配制，解決鑰匙遺 忘、丟失及磨損等問(wèn)題后無(wú)法開啟鎖具的難題，為各種突發(fā)情況提供了一個(gè)全新的解決方 案，同時(shí)使人們的配匙方式更加方便、簡(jiǎn)單、安全、快捷。
[0006] 本發(fā)明提供了一種基于人工智能技術(shù)的配匙方法，包括：
[0007] 獲取鑰匙圖片并存儲(chǔ)于云端；
[0008] 采用計(jì)算機(jī)視覺(jué)算法對(duì)鑰匙圖片進(jìn)行對(duì)正；
[0009] 利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖片的圖像特征；
[0010] 根據(jù)圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型；
[0011] 根據(jù)鑰匙類型、計(jì)算機(jī)視覺(jué)算法和圖像處理算法獲取鑰匙的具體信息；
[0012] 根據(jù)鑰匙的具體信息進(jìn)行配制。
[0013] 進(jìn)一步地，在獲取鑰匙圖片并存儲(chǔ)于云端的過(guò)程中，利用計(jì)算機(jī)應(yīng)用程序獲取鑰 匙圖片。
[0014] 進(jìn)一步地，在獲取鑰匙圖片并存儲(chǔ)于云端的過(guò)程中，將所述鑰匙圖片經(jīng)加密處理 后存儲(chǔ)于云端，其中，在鑰匙圖像加密過(guò)程中，采用基于隨機(jī)序列的加密技術(shù)，利用偽隨機(jī) 序列生成器產(chǎn)生出像素變換的二進(jìn)制序列，并根據(jù)該序列改變圖像中的像素值，從而實(shí)現(xiàn) 加密。
[0015] 進(jìn)一步地，在采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì)正的過(guò)程中，
[0016] 利用計(jì)算機(jī)視覺(jué)中的感興趣目標(biāo)區(qū)域的提取技術(shù)提取所述鑰匙圖像中鑰匙位置， 并將所述鑰匙位置對(duì)正。
[0017] 進(jìn)一步地，所述感興趣目標(biāo)區(qū)域的提取技術(shù)包括:對(duì)所述鑰匙圖片進(jìn)行過(guò)分割，對(duì) 過(guò)分割區(qū)域的不同組合進(jìn)行判斷，并找出最有可能的鑰匙區(qū)域。
[0018] 進(jìn)一步地，在利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖片的圖 像特征的過(guò)程中，所述圖像特征包括:手工設(shè)定的圖像特征和深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并獲 取的圖像特征;其中，所述手工設(shè)定的圖像特征包括梯度直方圖特征和尺度不變圖像特征； 所述深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并獲取的圖像特征，利用多層的神經(jīng)網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)并提取 對(duì)正后的鑰匙圖片的圖像特征。
[0019] 進(jìn)一步地，在根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型的 過(guò)程中，基于所述圖像特性，利用機(jī)器學(xué)習(xí)算法對(duì)不同的鑰匙類型訓(xùn)練相應(yīng)的分類器，并利 用所述分類器對(duì)待處理的鑰匙圖片進(jìn)行智能地識(shí)別，獲取鑰匙類型。
[0020] 進(jìn)一步地，所述鑰匙的具體信息包括鑰匙的齒位、齒號(hào)、底寬、開口角度、極差、軌 跡、定位方式。
[0021] 進(jìn)一步地，在根據(jù)所述鑰匙的具體信息進(jìn)行配制的過(guò)程中，根據(jù)所述鑰匙的具體 信息構(gòu)建鑰匙的3D形狀，將所述鑰匙類型和鑰匙的3D形狀的信息傳輸?shù)?D配匙機(jī)進(jìn)行配 制。
[0022] 本發(fā)明還提供了基于人工智能技術(shù)的配匙系統(tǒng)，包括：
[0023] 鑰匙圖片獲取和存儲(chǔ)單元，用于獲取鑰匙圖片并存儲(chǔ)于云端；
[0024]鑰匙圖片對(duì)正單元，用于采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì)正；
[0025] 圖像特征提取單元，用于利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰 匙圖片的圖像特征；
[0026] 鑰匙類型獲取單元，用于根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取 鑰匙類型；
[0027] 鑰匙的具體信息獲取單元，用于根據(jù)所述鑰匙類型、計(jì)算機(jī)視覺(jué)算法和圖像處理 算法獲取鑰匙的具體信息；
[0028] 鑰匙配制單元，用于根據(jù)所述鑰匙的具體信息進(jìn)行配制。
[0029] 進(jìn)一步地，所述鑰匙圖片獲取和存儲(chǔ)單元包括鑰匙圖片獲取模塊，
[0030] 所述鑰匙圖片獲取模塊，用于利用計(jì)算機(jī)應(yīng)用程序獲取鑰匙圖片。
[0031 ]進(jìn)一步地，所述鑰匙圖片獲取和存儲(chǔ)單元還包括鑰匙圖片加密存儲(chǔ)模塊，所述鑰 匙圖片加密存儲(chǔ)模塊，用于將所述鑰匙圖片經(jīng)加密處理后存儲(chǔ)于云端，其中，在鑰匙圖像加 密過(guò)程中，采用基于隨機(jī)序列的加密技術(shù)，利用偽隨機(jī)序列生成器產(chǎn)生出像素變換的二進(jìn) 制序列，并根據(jù)該序列改變圖像中的像素值，從而實(shí)現(xiàn)加密。
[0032] 進(jìn)一步地，所述鑰匙圖片對(duì)正單元在采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì) 正的過(guò)程中，利用計(jì)算機(jī)視覺(jué)中的感興趣目標(biāo)區(qū)域的提取技術(shù)提取所述鑰匙圖像中鑰匙位 置，并將所述鑰匙位置對(duì)正。
[0033] 進(jìn)一步地，所述感興趣目標(biāo)區(qū)域的提取技術(shù)包括:對(duì)所述鑰匙圖片進(jìn)行過(guò)分割，對(duì) 過(guò)分割區(qū)域的不同組合進(jìn)行判斷，并找出最有可能的鑰匙區(qū)域。
[0034] 進(jìn)一步地，所述圖像特征提取單元在利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取 對(duì)正后的鑰匙圖片的圖像特征的過(guò)程中，所述圖像特征包括:手工設(shè)定的圖像特征和深度 學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并獲取的圖像特征;其中，所述手工設(shè)定的圖像特征包括梯度直方圖特 征和尺度不變圖像特征;所述深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并獲取的圖像特征，利用多層的神經(jīng) 網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)并提取對(duì)正后的鑰匙圖片的圖像特征。
[0035] 進(jìn)一步地，所述鑰匙類型獲取單元在根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí) 別算法獲取鑰匙類型的過(guò)程中，基于所述圖像特性，利用機(jī)器學(xué)習(xí)算法對(duì)不同的鑰匙類型 訓(xùn)練相應(yīng)的分類器，并利用所述分類器對(duì)待處理的鑰匙圖片進(jìn)行智能地識(shí)別，獲取鑰匙類 型。
[0036] 進(jìn)一步地，所述鑰匙的具體信息獲取單元中所述鑰匙的具體信息包括鑰匙的齒 位、齒號(hào)、底寬、開口角度、極差、軌跡、定位方式。
[0037] 進(jìn)一步地，所述鑰匙配制單元在根據(jù)所述鑰匙的具體信息進(jìn)行配制的過(guò)程中，根 據(jù)所述鑰匙的具體信息構(gòu)建鑰匙的3D形狀，將所述鑰匙類型和鑰匙的3D形狀的信息傳輸?shù)?3D配匙機(jī)進(jìn)行配制。
[0038] 采用上述技術(shù)方案，包括以下有益技術(shù)效果：
[0039] 1)本發(fā)明的移動(dòng)應(yīng)用程序掃描鑰匙，鑰匙會(huì)被"數(shù)字化"，并加密存儲(chǔ)于云端，當(dāng)發(fā) 生鑰匙遺忘、丟失及磨損等問(wèn)題后時(shí)便可利用提前保存的鑰匙圖片進(jìn)行配制，解決了無(wú)法 開啟鎖具的難題；
[0040] 2)本發(fā)明配匙方法更加便捷，用戶足不出戶即可下單，只需將鑰匙圖片通過(guò)移動(dòng) 應(yīng)用程序傳給距離最近的終端配匙機(jī)即可配制鑰匙；
[0041] 3)本發(fā)明配匙方法更加安全，鑰匙圖像信息通過(guò)加密處理，數(shù)字拷貝存儲(chǔ)于云端， 不記錄用戶身份、居住地址等個(gè)人資訊以及可被用來(lái)匹配關(guān)鍵信息與位置的任何其他數(shù) 據(jù)，只有客戶知悉鑰匙對(duì)應(yīng)信息，杜絕了鑰匙丟失給用戶造成損失的可能性；
[0042] 4)本發(fā)明能夠擺脫種類繁多的鑰匙坯，降低鎖匠成本；
[0043] 5)本發(fā)明可以取代人工，極大的降低了人工成本；
[0044] 6)本發(fā)明進(jìn)一步提尚了配匙精度；
[0045] 7)本發(fā)明使一些專用鑰匙的配制成為了可能；
[0046] 8)本發(fā)明接受私人訂制，提供大量有趣的設(shè)計(jì)供用戶選擇，包括文字、字母、符號(hào)、 照片等3D模型均可印在鑰匙底部，客戶設(shè)計(jì)好喜歡的樣式，選擇好需要的材質(zhì)，即可進(jìn)行配 制。
[0047] 為了實(shí)現(xiàn)上述以及相關(guān)目的，本發(fā)明的一個(gè)或多個(gè)方面包括后面將詳細(xì)說(shuō)明并在 權(quán)利要求中特別指出的特征。下面的說(shuō)明以及附圖詳細(xì)說(shuō)明了本發(fā)明的某些示例性方面。 然而，這些方面指示的僅僅是可使用本發(fā)明的原理的各種方式中的一些方式。此外，本發(fā)明 旨在包括所有這些方面以及它們的等同物。
【附圖說(shuō)明】
[0048] 圖1為根據(jù)本發(fā)明實(shí)施例的基于人工智能技術(shù)的配匙方法流程示意圖；
[0049] 圖2為根據(jù)本發(fā)明實(shí)施例的基于人工智能技術(shù)的配匙系統(tǒng)邏輯結(jié)構(gòu)示意圖；
[0050] 圖3為根據(jù)本發(fā)明實(shí)施例的鑰匙圖片獲取和存儲(chǔ)單元的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0051] 在下面的描述中，出于說(shuō)明的目的，為了提供對(duì)一個(gè)或多個(gè)實(shí)施例的全面理解，闡 述了許多具體細(xì)節(jié)。然而，很明顯，也可以在沒(méi)有這些具體細(xì)節(jié)的情況下實(shí)現(xiàn)這些實(shí)施例。
[0052] 針對(duì)前述提出的鑰匙遺忘、丟失及磨損等問(wèn)題后無(wú)法開啟鎖具的難題，本發(fā)明提 出了 一種基于人工智能技術(shù)的配匙方法及系統(tǒng)，用戶僅需用手機(jī)等智能終端拍攝鑰匙圖 片，便可將鑰匙信息安全地存儲(chǔ)于云端數(shù)據(jù)庫(kù)，當(dāng)用戶需要時(shí)，系統(tǒng)利用人工智能技術(shù)依據(jù) 鑰匙快照獲取鑰匙數(shù)據(jù)，并將鑰匙數(shù)據(jù)傳輸?shù)?D配匙機(jī)，利用3D打印技術(shù)復(fù)制鑰匙。本發(fā)明 從根本上改變?nèi)藗兣涑追绞剑贫髓€匙數(shù)據(jù)的加密使得只有客戶本人知悉鑰匙對(duì)應(yīng)信息， 同時(shí)智能的配匙方式可以快速地對(duì)鑰匙進(jìn)行配制，使得配匙更加安全快捷。
[0053] 下面通過(guò)具體的實(shí)施例并結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)描述。
[0054] 為了說(shuō)明本發(fā)明提供的基于人工智能技術(shù)的配匙方法，圖1示出了根據(jù)本發(fā)明實(shí) 施例的基于人工智能技術(shù)的配匙方法流程。
[0055] 如圖1所示，本發(fā)明提供了一種基于人工智能技術(shù)的配匙方法，包括:S110:獲取鑰 匙圖片并存儲(chǔ)于云端；
[0056] S120:采用計(jì)算機(jī)視覺(jué)算法對(duì)鑰匙圖片進(jìn)行對(duì)正；
[0057] S130:利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖片的圖像特 征；
[0058] S140:根據(jù)圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型；
[0059] S150:根據(jù)鑰匙類型、計(jì)算機(jī)視覺(jué)算法和圖像處理算法獲取鑰匙的具體信息；
[0060] S160:根據(jù)鑰匙的具體信息進(jìn)行配制。
[0061]其中，在步驟S110中，利用計(jì)算機(jī)應(yīng)用程序獲取鑰匙圖片，將獲取鑰匙圖片并存儲(chǔ) 于云端，其中，所述鑰匙圖片經(jīng)加密處理后存儲(chǔ)于云端，，在鑰匙圖像加密過(guò)程中，采用基于 隨機(jī)序列的加密技術(shù)，利用偽隨機(jī)序列生成器產(chǎn)生出像素變換的二進(jìn)制序列，并根據(jù)該序 列改變圖像中的像素值，從而實(shí)現(xiàn)加密。
[0062] 需要說(shuō)明的是，利用智能設(shè)備（如:手機(jī)app)拍攝鑰匙的圖片。在拍攝過(guò)程中使得 鑰匙位于拍攝中心位置，并對(duì)鑰匙的正反面分別拍攝。對(duì)鑰匙圖片進(jìn)行加密處理，將加密后 的鑰匙圖片存儲(chǔ)于云端，以備后續(xù)使用。
[0063] 在步驟S120中，利用計(jì)算機(jī)視覺(jué)中的感興趣目標(biāo)區(qū)域的提取技術(shù)提取所述鑰匙圖 像中鑰匙位置，并將所述鑰匙位置對(duì)正。具體地，第一步，利用計(jì)算機(jī)視覺(jué)中感興趣目標(biāo)區(qū) 域的提取技術(shù)提取鑰匙圖片中鑰匙的精確位置;其中，感興趣目標(biāo)區(qū)域的提取技術(shù)主要分 為兩個(gè)步驟：（1)對(duì)鑰匙圖像進(jìn)行過(guò)分割；（2)對(duì)過(guò)分割區(qū)域的不同組合進(jìn)行判斷，找出最有 可能的鑰匙區(qū)域。第二步，根據(jù)鑰匙區(qū)域找出鑰匙中軸線，并利用鑰匙中軸線對(duì)鑰匙位置進(jìn) 行精確對(duì)正。
[0064]在步驟S130中，圖像特征的提取;具體地，第一步，利用計(jì)算機(jī)視覺(jué)算法提取對(duì)正 后的鑰匙圖片的多種圖像特征，其中包括手工設(shè)定的圖像特征和深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并 獲取的圖像特征;手工設(shè)定的圖像特征包括梯度直方圖特征和尺度不變圖像特征。深度學(xué) 習(xí)算法自動(dòng)學(xué)習(xí)并獲取的圖像特征，利用多層的神經(jīng)網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)并提取對(duì)正后的鑰 匙圖片的圖像特征。第二步，對(duì)上述鑰匙圖片的多種圖像特征進(jìn)行融合，得到鑰匙圖片的最 終特征表達(dá)。其中，深度卷積神經(jīng)網(wǎng)絡(luò)主要包括卷積和池化操作組成，并通過(guò)端到端的訓(xùn)練 過(guò)程學(xué)習(xí)圖像特征表達(dá)。
[0065]具體地，在本發(fā)明的實(shí)施例中，獲取梯度直方圖特征的方法包括如下步驟：
[0066] 第一步:將彩色圖像灰度化，即轉(zhuǎn)化為灰度圖像；
[0067] 第二步:計(jì)算每個(gè)像素的梯度大小和方向；公式如下：
[0069] 0(x,y)=arctan((I(x+l ,y)-I(x-l ,y))/(1 (x,y+l)-I(x,y-l)))
[0070] 其中，I(x,y) ,M(x,y) ,0(x,y)分別為(x,y)處的像素值大小、梯度的大小和方向； [0071]第三步:將圖像劃分成小塊，如6 X 6的小塊；
[0072]第四步:統(tǒng)計(jì)每個(gè)小塊的梯度直方圖，即不同方向梯度的個(gè)數(shù)，然后形成每個(gè)小塊 的特征描述子；
[0073]第五步:將每幾個(gè)小塊組成一個(gè)區(qū)域(例如3X3個(gè)小塊/區(qū)域），一個(gè)區(qū)域內(nèi)所有小 塊的特征描述子串聯(lián)起來(lái)便得到該區(qū)域的梯度直方圖特征。
[0074] 其中，在本發(fā)明的實(shí)施例中，尺度不變圖像特征主要包括確定特征點(diǎn)的方向和生 成特征描述子兩個(gè)步驟，獲取尺度不變圖像特征的方法包括如下步驟：
[0075] 第一步:根據(jù)特征點(diǎn)鄰域像素的梯度方向分布特性計(jì)算特征點(diǎn)的主方向：
[0077] 0(x,y)=arctan((I(x+l ,y)-I(x-l ,y))/(1 (x,y+l)-I(x,y-l)))
[0078] 其中，I(x,y) ,M(x,y) ,0(x,y)分別為(x,y)處的像素值大小、梯度的大小和方向。
[0079] 在實(shí)際計(jì)算時(shí)，以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)采樣，并用直方圖統(tǒng)計(jì)鄰域像素的 梯度方向。梯度直方圖的范圍是〇~360度，其中每45度一個(gè)柱，總共8個(gè)柱，或者每10度一個(gè) 柱，總共36個(gè)柱。直方圖的峰值則代表了該關(guān)鍵點(diǎn)處鄰域梯度的主方向，即作為該關(guān)鍵點(diǎn)的 方向。
[0080] 第二步:在特征點(diǎn)以R為半徑的領(lǐng)域內(nèi)選取一個(gè)4X4的區(qū)域，并統(tǒng)計(jì)每個(gè)4X4塊的 方向梯度直方圖。為去除光照對(duì)特征描述子的影響，對(duì)梯度直方圖進(jìn)行歸一化處理。將每個(gè) 直方圖槽數(shù)據(jù)串聯(lián)即得到尺度不變特征描述子。
[0081 ]在本發(fā)明的實(shí)施中，在獲取圖像特征時(shí)，深度卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積 層、采樣層、輸出層來(lái)組成。深度卷積神經(jīng)網(wǎng)絡(luò)獲取圖像特征方法包括如下步驟：
[0082]第一步:將所需處理的圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入傳輸?shù)捷斎雽?，而輸入層?數(shù)據(jù)以矩陣的形式傳輸給后面的網(wǎng)絡(luò)層。
[0083]第二步:卷積層的輸入是上一次網(wǎng)絡(luò)的輸出，它可以是圖像原始數(shù)據(jù)，也可以是其 他網(wǎng)絡(luò)層的特征圖。卷積層中每一個(gè)通道的特征圖都有一個(gè)響應(yīng)的卷積核，每個(gè)通道的卷 積核大小相同。用這個(gè)卷積核在圖片上做卷積操作得到卷積層的輸出，其公式如下：
[0085] 其中，卷積核的大小為m X m，z i j為在（i，j)處的卷積響應(yīng)值，w a b為卷積核在(a，b) 的值，y (i+a) (j+b)為卷積層輸入特征圖在(i +a) (j+b)出的值。
[0086] 第三步:采樣層:采樣層是對(duì)上一層網(wǎng)絡(luò)輸出的一個(gè)采樣處理，這里的采樣方式是 對(duì)上一層特征圖的相鄰小區(qū)域進(jìn)行聚合統(tǒng)計(jì)。最為常用的有平均聚合和最大化聚合，平均 聚合以相鄰區(qū)域內(nèi)的平均值作為輸出，而最大化聚合以最大響應(yīng)作為輸出。例如在特征圖 的一個(gè)2X2的區(qū)域內(nèi)的值分別為1，2,1，4,則平均聚合的輸出值為2,而最大化聚合的輸出 值為4。在深度卷積網(wǎng)絡(luò)中，經(jīng)過(guò)η層的卷積和采樣層之后的輸出作為圖像的最終特征。其中 網(wǎng)絡(luò)的層數(shù)η根據(jù)問(wèn)題的復(fù)雜度來(lái)設(shè)計(jì)，一般來(lái)說(shuō)，問(wèn)題越復(fù)雜，網(wǎng)絡(luò)層數(shù)η越大。
[0087]在步驟S140中，基于所述圖像特性，利用機(jī)器學(xué)習(xí)算法對(duì)不同的鑰匙類型訓(xùn)練相 應(yīng)的分類器，并利用分類器對(duì)待處理的鑰匙圖片進(jìn)行智能地識(shí)別，獲取鑰匙類型。
[0088] 具體地，在本發(fā)明的實(shí)施例中，訓(xùn)練分類器和智能識(shí)別算法的步驟如下：
[0089] 第一步：收集鑰匙圖片數(shù)據(jù)，并標(biāo)注鑰匙類型，假設(shè)收集Ν個(gè)鑰匙圖片樣本：（X1， y〇，（X2，y2)，. . .（XN，yN)，其中，x，y分別表示鑰匙樣本以及鑰匙類型的標(biāo)注。
[0090] 第二步:設(shè)計(jì)鑰匙識(shí)別分類器，公式如下：
[0091] g(x) =wx+b
[0092] 其中，w，b分別為分類器的參數(shù)和偏置項(xiàng)，x為鑰匙圖片的特征矢量，g(x)為分類器 對(duì)鑰匙類型的預(yù)測(cè)。利用最小化經(jīng)驗(yàn)損失的方法對(duì)上式中的w，b進(jìn)行訓(xùn)練，從而得到最優(yōu)的 鑰匙類型分類器。
[0093] 第三步:在鑰匙識(shí)別過(guò)程中，利用訓(xùn)練的好的分類器對(duì)待測(cè)試鑰匙圖片進(jìn)行預(yù)測(cè)， 根據(jù)分類器的輸出g(x)智能的識(shí)別出鑰匙的類型。
[0094] 在步驟S150中，對(duì)識(shí)別出鑰匙類型的鑰匙圖片提取鑰匙的具體信息，其中鑰匙的 具體信息包括鑰匙的齒位、齒號(hào)、底寬、開口角度、極差、軌跡、定位方式等。
[0095]在步驟S160中，根據(jù)鑰匙的具體信息構(gòu)建鑰匙的3D形狀，將鑰匙類型和鑰匙的3D 形狀的信息傳輸?shù)?D配匙機(jī)進(jìn)行配制。也就是說(shuō)，基于鑰匙的具體信息構(gòu)建鑰匙的3D形狀， 將鑰匙的類型以及鑰匙的3D信息傳輸給終端配匙機(jī)，利用3D配匙機(jī)將鑰匙打印出來(lái)。其中， 需要說(shuō)明的是，在本發(fā)明一個(gè)具體的實(shí)施例中，配置鑰匙的材料可以為金屬或者塑料，根據(jù) 用戶的實(shí)際需要定制所需要材質(zhì)的鑰匙。
[0096]與上述方法相對(duì)應(yīng)，本發(fā)明還提供一種基于人工智能技術(shù)的配匙系統(tǒng)，圖2示出了 根據(jù)本發(fā)明實(shí)施例的基于人工智能技術(shù)的配匙系統(tǒng)邏輯結(jié)構(gòu)。
[0097]如圖2所示，本發(fā)明提供的一種基于人工智能技術(shù)的配匙系統(tǒng)200包括鑰匙圖片獲 取和存儲(chǔ)單元210、鑰匙圖片對(duì)正單元220、圖像特征提取單元230、鑰匙類型獲取單元240、 鑰匙的具體信息獲取單元250和鑰匙配制單元260。
[0098] 其中，鑰匙圖片獲取和存儲(chǔ)單元210,用于獲取鑰匙圖片并存儲(chǔ)于云端；鑰匙圖片 對(duì)正單元220，用于采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì)正；圖像特征提取單元230， 用于利用計(jì)算機(jī)視覺(jué)算法提取對(duì)正后的鑰匙圖片的圖像特征;鑰匙類型獲取單元240,用于 根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型；鑰匙的具體信息獲取單 元250,用于根據(jù)所述鑰匙類型、計(jì)算機(jī)視覺(jué)算法和圖像處理算法獲取鑰匙的具體信息；鑰 匙配制單元260，用于根據(jù)所述鑰匙的具體信息進(jìn)行配制。
[0099] 其中，圖3示出了根據(jù)本發(fā)明實(shí)施例的鑰匙圖片獲取和存儲(chǔ)單元的結(jié)構(gòu)示意圖，如 圖3所示，鑰匙圖片獲取和存儲(chǔ)單元210包括鑰匙圖片獲取模塊211和鑰匙圖片加密存儲(chǔ)模 塊212,鑰匙圖片獲取模塊211，用于利用計(jì)算機(jī)應(yīng)用程序獲取鑰匙圖片。鑰匙圖片獲取和存 儲(chǔ)單元還包括，鑰匙圖片加密存儲(chǔ)模塊212,用于將所述鑰匙圖片經(jīng)加密處理后存儲(chǔ)于云 端，其中，在鑰匙圖像加密過(guò)程中，采用基于隨機(jī)序列的加密技術(shù)，利用偽隨機(jī)序列生成器 產(chǎn)生出像素變換的二進(jìn)制序列，并根據(jù)該序列改變圖像中的像素值，從而實(shí)現(xiàn)加密。
[0100]其中，鑰匙圖片對(duì)正單元220在采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì)正的 過(guò)程中，利用計(jì)算機(jī)視覺(jué)中的感興趣目標(biāo)區(qū)域的提取技術(shù)提取所述鑰匙圖像中鑰匙位置， 并將所述鑰匙位置對(duì)正。
[0101]其中，感興趣目標(biāo)區(qū)域的提取技術(shù)包括:對(duì)所述鑰匙圖片進(jìn)行過(guò)分割，對(duì)過(guò)分割區(qū) 域的不同組合進(jìn)行判斷，并找出最有可能的鑰匙區(qū)域。
[0102] 其中，圖像特征提取單元230在利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正 后的鑰匙圖片的圖像特征的過(guò)程中，所述圖像特征包括:手工設(shè)定的圖像特征和深度學(xué)習(xí) 算法自動(dòng)學(xué)習(xí)并獲取的圖像特征;其中，所述手工設(shè)定的圖像特征包括梯度直方圖特征和 尺度不變圖像特征;所述深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并獲取的圖像特征，利用多層的神經(jīng)網(wǎng)絡(luò) 模型自動(dòng)學(xué)習(xí)并提取對(duì)正后的鑰匙圖片的圖像特征。
[0103] 其中，鑰匙類型獲取單元240在根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法 獲取鑰匙類型的過(guò)程中，基于所述圖像特性，利用機(jī)器學(xué)習(xí)算法對(duì)不同的鑰匙類型訓(xùn)練相 應(yīng)的分類器，并利用所述分類器對(duì)待處理的鑰匙圖片進(jìn)行智能地識(shí)別，獲取鑰匙類型。
[0104] 其中，鑰匙的具體信息獲取單元250中所述鑰匙的具體信息包括鑰匙的齒位、齒 號(hào)、底寬、開口角度、極差、軌跡、定位方式等。
[0105] 其中，鑰匙配制單元260在根據(jù)所述鑰匙的具體信息進(jìn)行配制的過(guò)程中，根據(jù)所述 鑰匙的具體信息構(gòu)建鑰匙的3D形狀，將所述鑰匙類型和鑰匙的3D形狀的信息傳輸?shù)?D配匙 機(jī)進(jìn)行配制。
[0106] 通過(guò)上述實(shí)施方式可以看出，本發(fā)明提供的基于人工智能技術(shù)的配匙方法及系 統(tǒng)，利用人工智能技術(shù)獲取鑰匙數(shù)據(jù)，最終將鑰匙數(shù)據(jù)傳輸?shù)?D配匙機(jī)進(jìn)行配制，本發(fā)明能 夠解決鑰匙遺忘、丟失及磨損等問(wèn)題后無(wú)法開啟鎖具的難題，為各種突發(fā)情況提供了一個(gè) 全新的解決方案，同時(shí)使得鑰匙配制更加方便、簡(jiǎn)單、安全、快捷。
[0107] 以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技 術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修 改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于人工智能技術(shù)的配匙方法，包括： 獲取鑰匙圖片并存儲(chǔ)于云端：在獲取鑰匙圖片并存儲(chǔ)于云端的過(guò)程中，利用計(jì)算機(jī)應(yīng) 用程序獲取鑰匙圖片，其中，在鑰匙圖像加密過(guò)程中，采用基于隨機(jī)序列的加密技術(shù)，利用 偽隨機(jī)序列生成器產(chǎn)生出像素變換的二進(jìn)制序列，并根據(jù)該序列改變圖像中的像素值，從 而實(shí)現(xiàn)加密； 采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì)正:利用計(jì)算機(jī)視覺(jué)中的感興趣目標(biāo)區(qū)域 的提取技術(shù)提取所述鑰匙圖像中鑰匙位置，并將所述鑰匙位置對(duì)正； 利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖片的圖像特征； 根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型； 根據(jù)所述鑰匙類型、計(jì)算機(jī)視覺(jué)算法和圖像處理算法獲取鑰匙的具體信息； 根據(jù)所述鑰匙的具體信息進(jìn)行配制。2. 根據(jù)權(quán)利要求1所述的基于人工智能技術(shù)的配匙方法，其特征在于，所述感興趣目標(biāo) 區(qū)域的提取技術(shù)包括:對(duì)所述鑰匙圖片進(jìn)行過(guò)分割，對(duì)過(guò)分割區(qū)域的不同組合進(jìn)行判斷，并 找出最有可能的鑰匙區(qū)域。3. 根據(jù)權(quán)利要求1所述的基于人工智能技術(shù)的配匙方法，其特征在于，在利用計(jì)算機(jī)視 覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖片的圖像特征的過(guò)程中， 所述圖像特征包括:手工設(shè)定的圖像特征和深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并獲取的圖像特 征;其中， 所述手工設(shè)定的圖像特征包括梯度直方圖特征和尺度不變圖像特征;所述深度學(xué)習(xí)算 法自動(dòng)學(xué)習(xí)并獲取的圖像特征，利用多層的神經(jīng)網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)并提取對(duì)正后的鑰匙圖 片的圖像特征。4. 根據(jù)權(quán)利要求1所述的基于人工智能技術(shù)的配匙方法，其特征在于，在根據(jù)所述圖像 特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型的過(guò)程中， 基于所述圖像特性，利用機(jī)器學(xué)習(xí)算法對(duì)不同的鑰匙類型訓(xùn)練相應(yīng)的分類器，并利用 所述分類器對(duì)待處理的鑰匙圖片進(jìn)行智能地識(shí)別，獲取鑰匙類型。5. 根據(jù)權(quán)利要求1所述的基于人工智能技術(shù)的配匙方法，其特征在于，所述鑰匙的具體 信息包括鑰匙的齒位、齒號(hào)、底寬、開口角度、極差、軌跡、定位方式。6. 根據(jù)權(quán)利要求1所述的基于人工智能技術(shù)的配匙方法，其特征在于，在根據(jù)所述鑰匙 的具體信息進(jìn)行配制的過(guò)程中， 根據(jù)所述鑰匙的具體信息構(gòu)建鑰匙的3D形狀，將所述鑰匙類型和鑰匙的3D形狀的信息 傳輸?shù)?D配匙機(jī)進(jìn)行配制。7. -種基于人工智能技術(shù)的配匙系統(tǒng)，包括： 鑰匙圖片獲取和存儲(chǔ)單元，用于獲取鑰匙圖片并存儲(chǔ)于云端，所述鑰匙圖片獲取和存 儲(chǔ)單元包括鑰匙圖片獲取模塊， 所述鑰匙圖片獲取模塊，用于利用計(jì)算機(jī)應(yīng)用程序獲取鑰匙圖片所述鑰匙圖片獲取和 存儲(chǔ)單元還包括鑰匙圖片加密存儲(chǔ)模塊， 所述鑰匙圖片加密存儲(chǔ)模塊，用于將所述鑰匙圖片經(jīng)加密處理后存儲(chǔ)于云端，其中，在 鑰匙圖像加密過(guò)程中，采用基于隨機(jī)序列的加密技術(shù)，利用偽隨機(jī)序列生成器產(chǎn)生出像素 變換的二進(jìn)制序列，并根據(jù)該序列改變圖像中的像素值，從而實(shí)現(xiàn)加密； 鑰匙圖片對(duì)正單元，用于采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì)正，所述鑰匙圖 片對(duì)正單元在采用計(jì)算機(jī)視覺(jué)算法對(duì)所述鑰匙圖片進(jìn)行對(duì)正的過(guò)程中， 利用計(jì)算機(jī)視覺(jué)中的感興趣目標(biāo)區(qū)域的提取技術(shù)提取所述鑰匙圖像中鑰匙位置，并將 所述鑰匙位置對(duì)正； 圖像特征提取單元，用于利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖 片的圖像特征； 鑰匙類型獲取單元，用于根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙 類型； 鑰匙的具體信息獲取單元，用于根據(jù)所述鑰匙類型、計(jì)算機(jī)視覺(jué)算法和圖像處理算法 獲取鑰匙的具體信息； 鑰匙配制單元，用于根據(jù)所述鑰匙的具體信息進(jìn)行配制。8. 根據(jù)權(quán)利要求7所述的基于人工智能技術(shù)的配匙系統(tǒng)，其特征在于，所述感興趣目標(biāo) 區(qū)域的提取技術(shù)包括:對(duì)所述鑰匙圖片進(jìn)行過(guò)分割，對(duì)過(guò)分割區(qū)域的不同組合進(jìn)行判斷，并 找出最有可能的鑰匙區(qū)域。9. 根據(jù)權(quán)利要求7所述的基于人工智能技術(shù)的配匙系統(tǒng)，其特征在于，所述圖像特征提 取單元在利用計(jì)算機(jī)視覺(jué)算法中的特征提取技術(shù)提取對(duì)正后的鑰匙圖片的圖像特征的過(guò) 程中， 所述圖像特征包括:手工設(shè)定的圖像特征和深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)并獲取的圖像特 征;其中， 所述手工設(shè)定的圖像特征包括梯度直方圖特征和尺度不變圖像特征;所述深度學(xué)習(xí)算 法自動(dòng)學(xué)習(xí)并獲取的圖像特征，利用多層的神經(jīng)網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)并提取對(duì)正后的鑰匙圖 片的圖像特征。10. 根據(jù)權(quán)利要求7所述的基于人工智能技術(shù)的配匙系統(tǒng)，其特征在于，所述鑰匙類型 獲取單元在根據(jù)所述圖像特征、機(jī)器學(xué)習(xí)算法和模式識(shí)別算法獲取鑰匙類型的過(guò)程中， 基于所述圖像特性，利用機(jī)器學(xué)習(xí)算法對(duì)不同的鑰匙類型訓(xùn)練相應(yīng)的分類器，并利用 所述分類器對(duì)待處理的鑰匙圖片進(jìn)行智能地識(shí)別，獲取鑰匙類型； 所述鑰匙的具體信息獲取單元中所述鑰匙的具體信息包括鑰匙的齒位、齒號(hào)、底寬、開 口角度、極差、軌跡、定位方式； 所述鑰匙配制單元在根據(jù)所述鑰匙的具體信息進(jìn)行配制的過(guò)程中， 根據(jù)所述鑰匙的具體信息構(gòu)建鑰匙的3D形狀，將所述鑰匙類型和鑰匙的3D形狀的信息 傳輸?shù)?D配匙機(jī)進(jìn)行配制。
【文檔編號(hào)】G06K9/62GK106096619SQ201610452592
【公開日】2016年11月9日
【申請(qǐng)日】2016年6月21日
【發(fā)明人】趙毅, 劉康偉
【申請(qǐng)人】青島譯鎖堂安全技術(shù)有限公司