智能防盗锁系统.pdf

智能防盗锁系统
    【技术领域】

    本发明涉及一种防盗锁系统，属于防盗锁控制领域。 

     背景技术

    目前的防盗锁系统，主要是简单的监控类型，比如当有客人拜访，就响门铃，主人根据防盗锁系统传来的客户图像或者答话进行门管理，这个防盗锁系统带来了很大的隐患。比如说，当主人外出，小偷可以利用该系统探测主人是否在家，如果没有应答，小偷便知道主人不在家，就可能导致财产被盗，产生财产不安全的问题。 

     发明内容

    发明目的： 

    本发明主要为了解决现有防盗锁的不安全问题。为了解决这个问题，本发明提供了一种智能防盗锁系统。 

    技术方案： 

    本发明为实现上述发明目的采用如下技术方案： 

    一种智能防盗锁系统，包括室内装置与室外装置，室外装置包括处理器以及与处理器相连接的信息采集模块、门开关模块、门铃模块和通信模块，室内装置包括与通信模块连接的通信终端；其中： 

    处理器用于实现对信息采集模块、门开关模块、门铃模块和通信模块的控制，以及对整个系统的数据采集和运算处理； 

    所述信息采集模块用于采集各类开门验证信息，包括用于采集图像的摄像模块、用于采集虹膜的虹膜模块、用于采集指纹的指纹模块、用于输入开门密码的输入模块； 

    门开关模块用于接收来自处理器的控制命令进行开关锁操作； 

    通信模块用于接收通信终端发来的控制命令，并按控制命令控制门开关模块；同时还用于向通信终端传输状态信息； 

    门铃模块用于实现声音提示； 

    通信终端用于通过通信模块与处理器通信，接收来自锁的状态信息，以及向处理器发送控制命令。 

    本发明的智能防盗锁系统中通信终端的个数为N个，N为自然数。 

    本发明的智能防盗锁系统中虹膜模块包括图像传感器、红外光LED灯和白光LED灯，白光LED灯和红外光LED灯交替均匀分布在图像传感器的周围。 

    本发明的智能防盗锁系统的工作方法，具体步骤包括： 

    (一)初始设置步骤： 

    A、进行初始钥匙信息设置：通过虹膜模块采集初始虹膜信息；通过指纹模块采集初始指纹信息，通过输入模块设置初始密码信息；将上述三种钥匙信息存贮至数据库中； 

    B、通信终端设置：设置A步骤所述各信息的传输和接收的终端； 

    (二)工作识别步骤： 

    C、采用钥匙信息开门时，处理器根据第(一)步骤初始设置的钥匙信息进行验证；当处理器接收的钥匙信息与数据库中的初始钥匙信息匹配时，处理器发送控制命令控制门开关模块把门打开；当处理器接收的钥匙信息与数据库中的初始钥匙信息不匹配时，则进入D步骤； 

    D、采用摄像模块采集拜访客人的图像信息发送至处理器，处理器将此图像信息经过通信模块传输到一个或N个通信终端，N为自然数；通信终端根据图像信息判断是否开门，将相应的控制命令经过通信模块传输给处理器，再由处理器按照控制命令控制门开关模块进行开关锁的操作。 

    本发明的智能防盗锁系统的工作方法中钥匙信息进行验证的方法包括虹膜模块的识别步骤、指纹模块的识别步骤、或者输入模块的识别步骤。 

    本发明的智能防盗锁系统的工作方法中虹膜模块的识别步骤具体为： 

    采集拜访客人的虹膜并传给处理器处理，主要包括波门定位、虹膜预处理、虹膜特征提取、比较判断四个步骤；其中： 

    波门定位步骤通过采集的虹膜图像设置波门，实现对原始图像虹膜区域的精确定位，以实时检索感兴趣区域； 

    虹膜预处理步骤通过对保留下的感兴趣区域图像通过各种处理以提高虹膜图像质量； 

    虹膜特征提取步骤通过采用基于Harr小波的多尺度编码变换方法，实现提取虹膜图像； 

    比较判断步骤采用虹膜特征提取单元编码后的虹膜图像与数据库的虹膜比较。 

    本发明的智能防盗锁系统的工作方法中指纹模块识别的具体步骤为： 

    首先，针对指纹图像进行3层Harr小波变换，变换后的小波系数分为近似系数LL、水平系数HL、垂直系数LH和对角系数HH； 

    然后，针对变换后的小波图像分解得到的各子图像分别进行如下操作： 

    I、针对各个子图计算平均灰度值： 

     $\mathrm{Mean}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}I(i,j);$

    这里M×N表示子图像的像素分辨率，I(i，j)表示第i行第j列的图像元素的灰度值；其中M代表子图像的总行数，N代表子图像的总列数； 

    II、计算每一子图像的灰度方差： 

     $\mathrm{Var}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[I(i,j)-\mathrm{Mean}]}^2;$

    对于每一子图像，当Var小于预先定义的阈值R时，将其设定为背景区域；否则，作为前景区域，保留其灰度值；其中阈值R＝0.1Mean； 

    III、按照选取的阈值进行二值化： 

     $F(i,j)=\left\{\begin{array}{c}1,\mathrm{ifVar}(i,j)\≥R\\ 0,\mathrm{otherwise}\end{array}\right.$

    其中(i，j)代表当前图像像素坐标位置，即第i行第j列； 

    IV、将上述处理的图像按照Z型扫描顺序，输出得到一组二进制序列，即得到指纹特征；其中Z型扫描顺序为LL3、HL3、LH3、HH3、HL2、LH2、HH2、HL1、LH1、HH1； 

    最后，将得到的指纹信息送入处理器处理，与数据库中的指纹信息进行比对。 

    本发明的智能防盗锁系统的工作方法中： 

    (一)所述波门定位的方法具体为： 

    在处理器内部构造4个专用寄存器和2个计数器；4个专用寄存器用来保存接收的波门信息，分别是图像行、列起始地址csa，rsa和行、列结束地址cea，rea；采用2个计数器分别用来实现对原始图像的行列计数；同时，构造感兴趣区域判别函数f(cx，ry)如下： 

     $f(\mathrm{cx},\mathrm{ry})=\left\{\begin{array}{c}1,\mathrm{ifcsa}\≤\mathrm{cx}\≤\mathrm{cea},\mathrm{rsa}\≤\mathrm{ry}\≤\mathrm{rea}\\ 0,\mathrm{otherwise}\end{array}\right.$

    其中，cx，ry分别表示当前图像行、列地址信息；若判别函数为真，则表示当前计数值在感兴趣区域范围。 

    (二)所述虹膜预处理的方法具体为：包括①虹膜定位处理、②标准化处理、③增强处理； 

    ①虹膜定位处理，采用在一幅眼部图像中找到虹膜的内、外圆的圆心和半径，将虹膜割离出来；包括粗定位和精确定位：粗定位实现虹膜内圆和外圆的粗定位；经粗定位后，再经Hough变换检测虹膜内外半径和内外边界中心以实现精确定位； 

    ②标准化处理包括：首先，将定位得到的虹膜有效区域划分为n个同心圆，并转换为双无量纲极坐标表示I(r，θ)，以瞳孔中心为坐标原点，将极坐标系下的I(r，θ)转化到直角坐标系的I(x，y)，其中r表示当前圆的半径，θ表示旋转角度，(r，θ)点表示在θ方向上半径为r处的点，形成以瞳孔中心为圆心的环带辐射区域；然后，将每个虚拟的同心圆均分m个点作为参考点，可得到n×m的矩形图像；最后，通过双线性灰度插值算法，将环形虹膜图像展开为n*m的矩形标准化图像；n表示图像的总行数，n表示图像的总列数，n*m表示图像像素分辨率； 

    ③所述增强处理用于调整虹膜图像灰度级的动态范围； 

    (三)所述虹膜特征提取的方法具体为： 

    首先，通过Harr小波基，针对预处理后的虹膜图像进行Harr小波变换：对图像进行四层小波分解，这些层分得到水平系数HL1到HL4、垂直系数LH1到LH4、对角系数HH1到HH3和LL1到近似系数LL4； 

    然后，提取那些代表虹膜模式的系数：将上述得到的小波变换系数通过Z型扫描的方式组合在一起形成一个表述虹膜模式的一维向量，得到Harr小波变换后的图像按照频带提取得到的大致轮廓信息和细节信息，这个一维向量便是特征向量，该特征向量的二进制比特流即为提取的虹膜特征； 

    其中Z型扫描的方式为LL3、HL3、LH3、HH3、HL2、LH2、HH2、HL1、LH1、HH1； 

    (四)所述比较判断的方法具体为： 

    将虹膜特征提取单元编码后的虹膜图像与数据库的虹膜比较， 

     $\mathrm{HD}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{L}((1-{\mathrm{\δ}}_j^1\left(\mathrm{XOR}\right)B_j^1)(1-{\mathrm{\δ}}_j^2\left(\mathrm{XOR}\right)B_j^2)...(1-{\mathrm{\δ}}_j^n\left(\mathrm{XOR}\right)B_j^2))$

    上式中，HD表示提取虹膜图像特征与数据库的虹膜码度量函数距离；L表示特征向量长度，δ_jⁿ表示当前子类特征度量函数，即采集的虹膜类编码，B_jⁿ为数据库存储的虹 膜编码，j代表特征度量函数的总类数目，n表示当前子类，XOR表示异或操作；当HD大于0.6表示匹配成功。 

    有益效果： 

    本发明的智能防盗锁，通过通信模块，实时把开锁匹配信息及其摄像模块采集的开锁人信息传输到设定通信终端，从而可以了解门的状态信息、拜访人等，从而能够确定是正常拜访还是小偷，提高了门的安全性。 

    上述虹膜模块包括图像传感器、红外光LED灯和白光LED灯，白光LED灯和红外光LED灯交替，且均匀分布在图像传感器的周围。通过这种方式设置，可以使得图像亮度分布均匀，而且能够非常好地显示虹膜的纹理图案，如斑点、细丝、条纹等细节特征。 

    【附图说明】

    图1为本发明的结构框图。 

    图2是本虹膜模块结构布局图。 

    图3是小波变换扫描顺序图。 

    【具体实施方式】

    下面结合附图对本发明的技术方案进行详细说明： 

    本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。 

    本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。 

    如图1所示的智能防盗锁系统，包括：处理器，与处理相连接的摄像模块、虹膜模块、指纹模块、输入模块、门开关模块、门铃模块和通信模块，以及与通信模块连接的通信终端。 

    处理器，用于实现对摄像模块、虹膜模块、指纹模块、输入模块、门开关模块、门铃模块和通信模块的控制，以及对整个系统的数据采集和运算处理。一般选用图像处理功能和控制功能比较强的处理器，如DSP或者ARM实现。 

    摄像模块主要用于采集图像，在处理器控制下，实时采集拜访客人的图像并根据初始设置，通过通信模块，把实时采集的图像传输到设定的一个或多个通信终端。 

    虹膜模块，用于在处理器控制下，采集拜访客人的虹膜并传给处理器处理。由于虹 膜区分主要在于纹理细节的不同，而用普通的CCD摄像头在正常的光照条件下很难获得清晰的虹膜图像。为了获得非常好的采集效果，本发明设计了一种特殊的虹膜模块。 

    如图2所示，该虹膜采集模块包括图像传感器1、红外光LED 2灯和白光LED3灯，白光LED灯和红外光LED灯交替，且均匀分布在图像传感器1的周围，通过这种方式设置，可以使得图像亮度分布均匀，而且能够非常好地显示虹膜的纹理图案，如斑点、细丝、条纹等细节特征。 

    图像采集传感器1可以选用COMS图像传感芯片OV7141，该芯片OV7141工作电压为2.5V，分辨率为640×480，工作频率为27MHz，每秒钟能输出30帧(VGA模式)或者60帧(QVGA模式)，内部整合模数转换(A/D)，自动增益控制(AGC)，SCCB总线控制端口等，可直接输出8bit图像数据。 

    采集得到的虹膜图像在处理器中进行处理，主要包括：波门定位，虹膜预处理，虹膜特征提取和比较判断。 

    波门定位单元通过对采集的虹膜图像设置波门，实现对原始图像虹膜区域的精确定位，以实时检索感兴趣区域。这里设置方法如下：在处理器内部构造4个专用寄存器和2个计数器。专用寄存器(图像行，列起始地址csa，rsa和行，列结束地址cea，rea)用来保存接收的波门信息；计数器分别用来实现对原始图像的行列计数。同时，构造感兴趣区域判别函数f(cx，ry)，其定义如下： 

     $f(\mathrm{cx},\mathrm{ry})=\left\{\begin{array}{c}1,\mathrm{ifcsa}\≤\mathrm{cx}\≤\mathrm{cea},\mathrm{rsa}\≤\mathrm{ry}\≤\mathrm{rea}\\ 0,\mathrm{otherwise}\end{array}\right.$

    其中，cx，ry分别表示当前图像行、列地址信息。 

    若判别函数为真，则表示当前计数值在感兴趣区域范围，则图像数据予以保留，否则予以舍弃。 

    虹膜预处理通过对保留下的感兴趣区域图像通过各种处理以提高虹膜图像质量，主要包括虹膜定位处理、标准化处理和增强处理。 

    虹膜定位处理实现在一幅眼部图像中找到虹膜的内、外圆的圆心和半径，将虹膜割离出来；这里采用粗定位和精确定位相结合的方法. 

    粗定位就是粗定位虹膜的内外边缘.即粗定位虹膜内圆和外圆，内圆表示虹膜与瞳孔的边界，外圆表示虹膜与巩膜的边界。 

    内圆粗定位即粗略估计瞳孔的圆心和半径.一般来说，采集得到的虹膜图像，其瞳孔灰度要小于虹膜灰度，而虹膜灰度则要小于巩膜灰度，且瞳孔所在区域图像的灰度值 最小.因此，选取合适的阈值是内外圆粗定位的关键。根据上述特点，内圆粗定位的具体方法如下：首先，做图像的灰度直方图，根据直方图分布可知，该直方图具有“三峰”特性，图像中的瞳孔区分布在较暗的灰度级上形成一个波峰，图像中的虹膜区分布在中间的灰度级上形成第二个波峰，图像中的巩膜区分布在较亮的灰度级上形成第三个波峰。然后，用其第一和第二波峰之间的谷低处灰度值作为阈值T进行图像的阈值化处理，便可区分瞳孔区和虹膜区.最后，根据阈值T对图像进行二值化： 

     $g(x,y)=\left\{\begin{array}{cc}0& f(x,y)<T\\ 255& f(x,y)\&GreaterEqual;T\end{array}\right.$

    由于图像本身是二维信号，可分解成x，y两方向。在给定图像分辨率(如320*240)的情况下，分别针对图像每行每列方向(x，y方向)的二值化数值相加，找到相加求和结果最小的x，y方向，即得到坐标为(x0，y0)，则(x0，y0)为粗定位内圆的圆心。再以(x0，y0)为中心，任选几个角度做弦长，选取其中最大值作为粗定位内圆半径，优选选取三个以上的角度做弦长，且角度均匀分布在整个圆周上，通过这种方式粗定位得到的内圆半径更为精确。 

    粗定位外圆采用与粗定位内圆相同的方法：首先，根据直方图的“三峰”特性，用第二和第三波峰之间的谷低处灰度值作为阈值T进行粗定位外圆的阈值化处理，便可将虹膜区和巩膜区区分出来.然后，根据阈值T对图像进行二值化。最后，以内圆圆心为外圆粗定位圆心，任选几个角度做弦长，选取其中最大值作为粗定位外圆半径，优选选取三个以上的角度做弦长，且角度均匀分布在整个圆周上，通过这种方式粗定位得到的内圆半径更为精确。 

    需要注意的是，由于睫毛和眉毛的灰度值跟瞳孔非常相近，有的甚至小于瞳孔的灰度值，因此分割后的瞳孔区图像存在噪声。为了减小噪声的影响，优选在粗定位之前用中值滤波算法对其进行去噪. 

    经粗定位后，再经Hough变换检测虹膜内外半径和内外边界中心以实现精确定位。设提取的虹膜图像内外边缘上的所有边界点为(x_j，y_j)，j＝1，2，...n。其中n代表边界点的总数；Hough定义为： 

     $H(x_c,y_c,r)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}h(x_j,y_j,x_c,y_c,r)$

    这里，$\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}h(x_j,y_j,x_c,y_c,r)=\left\{\begin{array}{c}1,\mathrm{ifg}(x_j,y_j,x_c,y_c,r)=0\\ 0,\mathrm{otherwise}\end{array}\right.$

    其中，g(x_j，y_j，x_c，y_c，r)＝(x_j‑x_c)²+(y_j‑y_c)²‑r²

    对于每个边界点(x_j，y_j)，，如果有g(x_j，y_j，x_c，y_c，r)＝0，说明由参数(x_c，y_c，r)确定的边界圆周通过了边界点(x_j，y_j)，这样对应于最大值的H表示由它确定的圆经过的边界点最多，则可精确定位圆周边界，从而实现对虹膜内外半径和内外边界中心的精确定位. 

    虹膜标准化处理实现将虹膜区域的大小调整到固定的尺寸和对应的位置。由于不同个体的虹膜尺寸是不同的，即使是同一只眼睛，在不同的采集环境下虹膜尺寸也是有差异的。因此，为了获得更好的识别结果，应该尽量减少这些形变带来的影响。通过标准化不仅在一定程度上减小了瞳孔变化导致的虹膜形变，而且还简化了后续计算。具体处理如下： 

    首先，将虹膜定位处理得到的虹膜图像用极坐标I(r，θ)表示，r表示虹膜图像半径，θ表示角度：即图像以瞳孔中心为坐标原点，(r，θ)点表示在θ角度方向上半径为r处的点，形成了以瞳孔中心为圆心的环带区域(即由定位单元得到的内圆和外圆组成的环带区). 

    然后，进一步将I(r，θ)的极坐标形式转换为直角坐标f(p，q)。其中， θ＝arctan(q/p)。 

    最后，对转换后图像进行插值，转换为标准分辨率图像。因为在极坐标I(r，θ)转换为直角坐标f(p，q)后，转换后的分辨率可能和保存的匹配模板分辨率并不一致，因此需要对图像插值转换为标准分辨率图像(比如320*240)，即得到了标准化处理图像。其中插值可以采用现有成熟的双线性插值或其他插值方法。 

    虹膜增强处理用于调整虹膜图像灰度级的动态范围。虹膜图像灰度级的动态范围比较狭窄，不利于直接用于后续的纹理分析和匹配，因此，需要对虹膜图像进行增强处理，最常用的图像增强方法是直方图均衡。这里采用直方图均衡以改善标准化后的图像质量.直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法。相关直方图均衡化算法可参见2008年西安电子科技大学出版社何东健等编著的《数字图像处理》(p56‑p59)等。 

    虹膜特征提取采用基于Harr小波的多尺度编码变换方法实现。首先，通过Harr小波基，针对预处理后的虹膜图像进行Harr小波变换：对图像进行四层小波分解，这些层分为：HL1到HL4(水平系数)、LH1到LH4(垂直系数)、HH1到HH3(对角系数)和LL1到LL4(近似系数)；然后，提取那些代表虹膜模式的系数：将上述得到的小波变换 系数通过Z性扫描(LL3、HL3、LH3、HH3、HL2、LH2、HH2、HL1、LH1、HH1)的方式组合在一起形成一个表述虹膜模式的一维向量，即得到了Harr小波变换后的图像按照频带提取得到的大致轮廓信息和细节信息。这个一维向量便是特征向量，该特征向量的二进制比特流即为提取的虹膜特征. 

    比较判断实现将虹膜特征提取单元编码后的虹膜图像与数据库的虹膜比较。验证身份时，需要再次提取虹膜图像特征与数据库的虹膜码进行比较，识别真伪。目前常规的方法利用虹膜码的Hamming距离可以比较两个虹膜码的异同，任两个虹膜码间的Hamming距离定义为： 

     $\mathrm{HD}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{A}_i\left(\mathrm{XOR}\right)B_i$

    其中，A和B表示不同的虹膜码，i表示当前虹膜编码位数，n虹膜码总位数，XOR表示异或操作.如果两个特征码完全相同，则HD＝0；如果两特征码完全不同，则HD＝1.因此模式匹配程度用0和1之间的数表示，“冒名顶替者”的Hamming距离集中分布于0.35至0.5之间，“可信者”的Hamming距离则集中分布于0至0.25之间.最终，通过选取阈值0.3附近作为门锁开关。 

    作为进一步改进，这里提出一种基于分类分段非线性判别方法.设δ为未知特征向量，将它作为一个类分为若干子类。即令 对每个子类定义一个非线 

    性度量函数： 

     ${\mathrm{\&delta;}}_j^n=\left\{\begin{array}{c}H,{\mathrm{\&delta;}}_j^n>T_1\\ 0,{\mathrm{\&delta;}}_j^n\&le;T_1\end{array}\right.$

    式中j代表特征度量函数的总类数目，n表示当前子类；H，T₁均为非线性度量参数.T₁表示当前子类选取的参考阈值，一般取当前子类函数的平均值，H表示子类设定的边界值，这里取H＝1.2T₁.根据上述度量函数，定义改进的距离如下： 

     $\mathrm{HD}=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}\frac{1}{L}((1-{\mathrm{\&delta;}}_j^1\left(\mathrm{XOR}\right)B_j^1)(1-{\mathrm{\&delta;}}_j^2\left(\mathrm{XOR}\right)B_j^2)...(1-{\mathrm{\&delta;}}_j^n\left(\mathrm{XOR}\right)B_j^2))$

    其中，L表示特征向量长度，δ_jⁿ表示当前子类特征度量函数，即采集的虹膜类编码，B_jⁿ为数据库存储的虹膜编码，XOR表示异或操作。j代表特征度量函数的总类数目，n表示当前子类。 

    根据HD的输出值在0和1的范围之内，接近1表示匹配程度高。在设置固定阈值的 情况下，比如0.6，自动开启门锁。 

    处理器在比较判断虹膜图像后，根据比较结果进行处理。当虹膜匹配，比如匹配度大于0.6，则控制门开关模块把锁打开；如果虹膜不匹配，则处理器把匹配失败的信号连同摄像模块采集的图像一起传输到设定的通信终端。 

    指纹模块主要包括指纹采集单元、编码单元及其加密单元。指纹模块在处理器控制下，把采集、编码和加密后的指纹信息送入处理器处理。 

    其中指纹采集单元采集指纹图像，这里选用压感式指纹传感器，通过在触摸过程中电容的变化来采集指纹信息。 

    指纹编码单元通过对指纹图像的二值化处理和编码，找到纹路的分叉、终止或打圈处的坐标位置，以很好的实现指纹特征提取。为提高并行处理速度和实时处理能力，这里采取了一种并行二进制序列编码方案： 

    首先，针对指纹图像进行3层Harr小波变换.则变换后的小波系数分为近似系数LL、水平系数HL、垂直系数LH和对角系数HH，如下图3所示. 

    然后，针对变换后的小波图像分解得到的各子图像(即LL_n LH_n HL_n和HH_n)分别进行如下4步操作： 

    1.针对各个子图计算平均灰度值： 

     $\mathrm{Mean}=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}I(i,j)$

    这里M×N表示子图像的像素分辨率，I(i，j)表示第i行第j列的图像元素的灰度值。 

    2.计算每一子图像的灰度方差： 

     $\mathrm{Var}=\frac{1}{M\&times;N}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{[I(i,j)-\mathrm{Mean}]}^2$

    3.对于每一子图像，当Var小于预先定义的阈值R时，将其设定为背景区域；否则，作为前景区域，保留其灰度值，以作后续处理。这里，阈值R＝0.1Mean。 

    4.按照选取的阈值进行二值化： 

     $F(i,j)=\left\{\begin{array}{c}1,\mathrm{ifVar}(i,j\&GreaterEqual;R)\\ 0,\mathrm{otherwise}\end{array}\right.$

    由于这里对图像进行了3层小波分解，为提高实时处理速度，可对3层小波分解同时进行处理，按照上述处理的图像按照Z型扫描顺序(LL3、HL3、LH3、HH3、HL2、LH2、 HH2、HL1、LH1、HH1)，输出得到一组二进制序列，即构成指纹特征序列。 

    最后，将指纹特征序列输入至预存匹配模板进行指纹匹配。目前，指纹匹配算法成熟，匹配过程请参考电子科技大学学报2004年4月，33卷第2期《点模式指纹匹配算法研究与实现》中1.1.2节特征向量匹配(p154‑157)。 

    加密单元主要通过加密电路，防止非法用户不经过指纹特征提取单元而直接把一个自制比对成功仿真信号送到输出端口上以非法打开门锁；由于实际电路中，表示指纹识别成功的电信号是容易模拟产生的，若有非法用户不经过指纹识别仪而直接把一个自制仿真信号送到比对成功的端口上，那么系统就是不安全的。为此需要采取加密措施，目前加密电路常采用反馈或流水线结构，这里提出一种并行按位操作，具体方式如下： 

    第一步：对二维小波编码变换后得到的可控二进制序列P_n，z^k(n，z，k)(k表示当前用户，n表示分解层数，z表示码字长度)的数据流存入缓存单元。 

    第二步：对第一步得到的可控二进制序列P_n，z^k(n，z，k)进行二值倒序排列，通过堆栈方式实时保存记录。 

    第三步：针对上述输出二进制序列P_n，z^k(n，z，k)进行按位异或操作，得到一个序列U_n，z^k(u，z，k)，即 U_n，z^k(n，z，k)经奇偶校验按位操作后缓冲输出。 

    该加密算法需要计算资源少、简单高效，易于硬件实现。 

    识别输出主要通过将编码加密单元的输出结果与预存的指纹模板进行比较识别，根据匹配结果输出，来开启门锁。对于匹配，可以采用现有的图像匹配算法，也可以采用其他现有指纹识别方法。 

    指纹、虹膜等基于生物特征识别技术是目前最安全可靠、非侵害的有效身份验证技术。将其用于智能防盗，可大大加强验证准确性，为准确、快捷地验证身份提供了可靠方法。 

    输入模块主要为键盘、按钮或触摸屏等，用于接收请求呼叫，输入密码等。比如设有密码输入方式，通过输入密码作为开门钥匙，当输入秘密正确时，门就自动打开；一旦三次输入错误，处理器通过通信模块，把秘密输入错误的信息连同摄像模块采集的图像一起传输到指定的通信终端。 

    门铃主要实现当有来客时的声音提示。 

    门开关模块，在处理器控制下开关锁。比如通过开锁人生物特征信息指纹、虹膜 的提取实现智能化设计开锁。 

    通信模块在处理器控制下，用于接收通信终端发来的控制命令，并按控制命令进行操作；同时还用于向通信终端传输信息，这些信息包括摄像模块采集的图像，门被打开的信息，密码错误信息、指纹识别错误信息、虹膜识别信息等。 

    门铃模块主要实现当有来客时的声音提示。 

    通信终端，主要通过通信模块与处理器通信，接收来自锁的信息，从而了解锁的开关信息等；向防盗锁系统发送控制命令等。 

    本发明的智能防盗包括设置模式和工作模式： 

    在设置模式，主要完成： 

    第一：初始钥匙信息设置，钥匙信息包括指纹、虹膜和/或密码等，主要通过虹膜模块采集作为钥匙的初始虹膜信息；通过指纹模块采集作为钥匙的初始指纹信息，通过输入模块输入密码等。每个钥匙信息括指纹、虹膜和/或密码组合，但为了安全，最好不单独把密码作为钥匙。 

    第二、通信终端设置，比如是手机、pda、电脑等，主要设置信息传输和接收的终端，以防止非法用户访问和接收到防盗锁的信息。通信终端至少一个，优选为两个或两个以上，以防止在一个终端丢失以后，另一个终端也可以实时了解防盗锁的相关信息。 

    在工作模式，防盗锁处于工作状态，当有用钥匙信息开门，比如是密码、指纹或虹膜等，防盗锁根据初始设置的钥匙信息进行验证，当所用的钥匙信息与初始的钥匙信息匹配时，就控制门开关模块把问打开；当所用钥匙信息与初始的钥匙信息不匹配，就把钥匙匹配错误信息和摄像模块采集的信息一起传输到通信终端，通信终端就可以了解开锁的人是正常客人还是小偷。 

    另外，当有人按门铃请求时，处理器也把有人请求开门的信息连同摄像头采集的信息一起传输到设定终端。通过这种方式，及时家里没人，如果有客人来拜访，也可以通过通信终端了解拜访人的情况，从而决定是否让拜访人进屋。如果是客人，则可以通过通信终端向处理器发送开门命令，从而把门打开。如果是小偷，则还可以报警。 

    本发明的智能防盗锁，通过通信模块，实时把开锁匹配信息及其摄像模块采集的开锁人信息传输到设定通信终端，从而可以了解门的状态信息、拜访人等，从而能够确定是正常拜访还是小偷，提高了门的安全性。 

    可见，本装置兼具智能化和可视化的优点，实时性好，是适合家居办公的各种防盗场合。