本發明屬于智能家居，尤其涉及一種智能門鎖的控制方法、裝置、設備、存儲介質及智能門鎖。

背景技術：

1、目前的當前智能門鎖系統應用的技術主要集中在生物識別技術如指紋識別、人臉識別，密碼輸入，云端管理技術等。隨著邊緣計算技術的發展，將計算能力下分至終端，減少對中心服務器的依賴，數據處理速度更快，得到更低的延遲，同時提升安全性。深度學習在圖像處理和模式識別領域快速發展，應用此項技術極大提高門鎖智能化水平。

2、然而，這種方式仍依賴外部服務器，對用戶隱私數據保護關注較少。

技術實現思路

1、本發明實施例提供一種智能門鎖的控制方法、裝置、設備、存儲介質及智能門鎖，可以解決智能門鎖依賴外部服務器，無法保護隱私數據的問題。

2、第一方面，本申請提供一種智能門鎖的控制方法，所述方法包括：

3、獲取本地存儲的預先訓練好的深度學習模型，所述深度學習模型是由服務器訓練完成后下發的；

4、在檢測到人體信息的情況下，獲取第一視頻流；

5、將所述第一視頻流輸入至所述深度學習模型，得到輸出的生物識別信息和開鎖行為數據；

6、根據預存的用戶生理信息和用戶行為數據，對所述生物識別信息和所述開鎖行為數據進行驗證；

7、在驗證通過的情況下，生成開鎖信號并根據所述開鎖信號控制開鎖。

8、可選地，所述在驗證通過的情況下，生成開鎖信號并根據所述開鎖信號控制開鎖之后，所述方法還包括：

9、將所述生物識別信息和所述開鎖行為數據進行加密并存儲至本地數據庫中；

10、根據所述本地數據庫更新剪枝后的深度學習模型。

11、可選地，所述方法還包括：

12、通過最小絕對誤差確定所述深度學習模型中的多個參數的貢獻度；

13、將貢獻度小于預設的貢獻度閾值的參數作為應該被裁剪的參數；

14、將所述應該被裁剪的參數置零，得到所述剪枝后的深度學習模型；

15、對所述剪枝后的深度學習模型的底層計算函數進行修改，使得所述剪枝后的深度學習模型在運行過程中跳過計算置零的參數。

16、可選地，所述生物識別信息包括人臉信息，所述開鎖行為數據包括開鎖時間和開鎖動作數據，所述根據預存的用戶生理信息和用戶行為數據，對所述生物識別信息和所述開鎖行為數據進行驗證，包括：

17、將人臉信息與所述預存的用戶人臉進行匹配，得到第一匹配結果；

18、將所述開鎖時間、所述開鎖動作數據與所述預存的行為數據進行匹配，得到第二匹配結果；

19、根據所述第一匹配結果和所述第二匹配結果，確定驗證結果。

20、可選地，所述根據所述第一匹配結果和所述第二匹配結果，確定驗證結果，包括：

21、根據當前環境光線，確定所述第一匹配結果和所述第二匹配結果的權重比例；

22、根據所述權重比例，將所述第一匹配結果和所述第二匹配結果加權求和得到目標匹配度；

23、在所述目標匹配度大于預設的匹配度閾值的情況下，確定驗證結果為驗證通過；

24、在所述目標匹配度小于或等于所述匹配度閾值的情況下，確定驗證結果為驗證失敗。

25、可選地，所述根據預存的用戶生理信息和用戶行為數據，對所述生物識別信息和所述開鎖行為數據進行驗證之后，所述方法還包括：

26、利用深度學習模型對所述第一視頻流進行異常檢測，得到輸出的檢測結果；

27、在所述檢測結果為異常的情況下，根據所述第一視頻流生成安全數據和日志信息；

28、將加密后的所述安全數據和日志信息發送至服務器，以使得服務器根據所述安全數據和日志信息生成歷史記錄和監控數據。

29、可選地，所述對所述第一視頻流進行異常檢測，包括：

30、將所述第一視頻流輸入至所述深度學習模型，得到輸出的開鎖聲音數據；

31、獲取當前環境溫度；

32、在所述開鎖行為數據、開鎖聲音數據和環境溫度滿足預設的異常條件的情況下，確定所述檢測結果為異常。

33、可選地，所述方法還包括：

34、獲取目標對象在所述前置面板的密碼輸入區域輸入的開鎖密碼；

35、確定所述目標對象輸入所述開鎖密碼的輸入次數；

36、在所述輸入次數小于預設次數，且所述開鎖密碼與默認密碼一致的情況下，根據所述接收到的目標對象的人體生理信息和所述編碼數據生成開鎖信號。

37、第二方面，本申請提供一種智能門鎖的控制裝置，所述裝置包括：

38、第一獲取模塊，用于獲取本地存儲的預先訓練好的深度學習模型，所述深度學習模型是由服務器訓練完成后下發的；

39、第二獲取模塊，用于在檢測到人體信息的情況下，獲取第一視頻流；；

40、模型應用模塊，用于將所述第一視頻流輸入至所述深度學習模型，得到輸出的生物識別信息和開鎖行為數據；

41、驗證模塊，用于根據預存的用戶生理信息和用戶行為數據，對所述生物識別信息和所述開鎖行為數據進行驗證；

42、開鎖模塊，用于在驗證通過的情況下，生成開鎖信號并根據所述開鎖信號控制開鎖。

43、第三方面，本申請提供一種電子設備，包括：處理器、存儲器以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述程序時實現上述智能門鎖的控制方法。

44、第四方面，本申請提供一種可讀存儲介質，當所述可讀存儲介質中的指令由電子設備的處理器執行時，使得電子設備能夠執行上述智能門鎖的控制方法。

45、第五方面，本申請提供一種智能門鎖，所述智能門鎖包括如二方面所述的智能門鎖的控制裝置，或者如第三方面所述的電子設備。

46、在本申請實施例中，首先，獲取本地存儲的預先訓練好的由服務器訓練完成后下發深度學習模型；其次，獲取第一視頻流并對第一視頻流進行人體檢測；再次，在檢測到人體信息的情況下，將第一視頻流輸入至深度學習模型，得到輸出的生物識別信息和開鎖行為數據；然后，根據預存的用戶生理信息和用戶行為數據，對生物識別信息和開鎖行為數據進行驗證；最后，在驗證通過的情況下，生成開鎖信號并根據開鎖信號控制開鎖。通過上述技術方案，利用本地存儲的預先訓練好的深度學習模型進行驗證，無需將數據上傳至云端，解決了智能門鎖依賴外部服務器的問題，有利于保護隱私數據。

技術特征：

1.一種智能門鎖的控制方法，其特征在于，所述方法包括：

2.根據權利要求1所述的方法，其特征在于，所述在驗證通過的情況下，生成開鎖信號并根據所述開鎖信號控制開鎖之后，所述方法還包括：

3.根據權利要求2所述的方法，其特征在于，所述方法還包括：

4.根據權利要求1所述的方法，其特征在于，所述生物識別信息包括人臉信息，所述開鎖行為數據包括開鎖時間和開鎖動作數據，所述根據預存的用戶生理信息和用戶行為數據，對所述生物識別信息和所述開鎖行為數據進行驗證，包括：

5.根據權利要求4所述的方法，其特征在于，所述根據所述第一匹配結果和所述第二匹配結果，確定驗證結果，包括：

6.根據權利要求1所述的方法，其特征在于，所述根據預存的用戶生理信息和用戶行為數據，對所述生物識別信息和所述開鎖行為數據進行驗證之后，所述方法還包括：

7.根據權利要求4所述的方法，其特征在于，所述對所述第一視頻流進行異常檢測，包括：

8.根據權利要求1所述的方法，其特征在于，所述方法還包括：

9.一種智能門鎖的控制裝置，其特征在于，所述裝置包括：

10.一種電子設備，其特征在于，包括：

11.一種可讀存儲介質，其特征在于，當所述存儲介質中的指令或事務由電子設備的處理器執行時，使得電子設備能夠執行權利要求1至8中任一項所述的智能門鎖的控制方法。

12.一種智能門鎖，其特征在于，所述智能門鎖包括如權利要求9所述的智能門鎖的控制裝置，或者如權利要求10的電子設備。

技術總結
本申請提供了一種智能門鎖的控制方法、裝置、設備、存儲介質及智能門鎖，該方法應用于智能家居技術領域，包括：獲取本地存儲的預先訓練好的深度學習模型，深度學習模型是由服務器訓練完成后下發的；在檢測到人體信息的情況下，獲取第一視頻流；將第一視頻流輸入至深度學習模型，得到輸出的生物識別信息和開鎖行為數據；根據預存的用戶生理信息和用戶行為數據，對生物識別信息和開鎖行為數據進行驗證；在驗證通過的情況下，生成開鎖信號并根據開鎖信號控制開鎖。本申請利用本地存儲的預先訓練好的深度學習模型進行驗證，無需將數據上傳至云端，解決了智能門鎖依賴外部服務器的問題，有利于保護隱私數據。

技術研發人員：蔡宇,唐杰,陳道遠,李昱
受保護的技術使用者：珠海格力電器股份有限公司
技術研發日：
技術公布日：2025/4/28