一种智能锁的异常识别方法、智能锁及存储介质与流程

本公开涉及智能门锁，尤其涉及一种智能锁的异常识别方法、智能锁及存储介质。

背景技术：

1、随着智能门锁逐渐成为家庭安防的核心入口，用户在遭遇胁迫开锁等极端场景下的人身安全防护需求日益凸显。然而，现有胁迫告警方案多依赖用户主动触发，如胁迫指纹、胁迫密码或可穿戴设备紧急按钮，需要用户在高度紧张状态下刻意执行特定操作，存在因紧张遗忘、被胁迫者识破或限制佩戴而导致告警失效的风险，且防撬识别仅能识别外部暴力破坏，无法覆盖用户被胁迫正常开锁的内部威胁场景，导致胁迫状态下的安全防护可靠性不足。

2、相关技术中，胁迫指纹与胁迫密码方案虽能触发后台识别，但触发方式单一且易被胁迫者强制绕过；可穿戴设备方案依赖额外佩戴，普及受限且可能被限制使用；防撬识别仅针对锁体暴力拆解，完全无法识别用户被胁迫正常开锁的情形。上述方案均难以实现无需用户主动操作、自动感知胁迫状态且隐蔽性强的无感告警，导致在真实胁迫场景下识别触发率低、可靠性差。

技术实现思路

1、本公开实施例的主要目的在于提出一种智能锁的异常识别方法、智能锁及存储介质，能够提高在真实胁迫场景下识别触发率和可靠性。

2、为实现上述目的，本公开实施例的第一方面提出了一种智能锁的异常识别方法，应用于智能锁，所述智能锁包括把手、设于所述把手的传感器组以及主控模块，所述传感器组至少包括触摸传感器、压力传感器和惯性测量单元，所述异常识别方法包括：

3、当所述触摸传感器检测到用户接触所述把手时，所述主控模块启动所述传感器组同步采集多源时序数据，其中，所述多源时序数据至少包括所述压力传感器在用户握持所述把手过程中采集的压力分布时序数据、以及所述惯性测量单元在用户转动所述把手过程中采集的运动时序数据；

4、所述主控模块对所述多源时序数据进行特征提取，得到多维度行为特征；

5、所述主控模块将所述多维度行为特征输入预先训练的异常识别模型，得到用户处于胁迫状态的胁迫概率值，并根据所述胁迫概率值确定用户的异常识别结果。

6、在一些实施例中，所述多源时序数据还包括生理信号时序数据，所述生理信号时序数据由与所述智能锁通信连接的可穿戴设备采集并发送至所述智能锁，或者由设于所述把手的生理信号传感器在用户握持所述把手过程中采集。

7、在一些实施例中，所述主控模块对所述多源时序数据进行特征提取，得到多维度行为特征，包括：

8、对所述压力分布时序数据进行特征提取，得到压力分布特征，所述压力分布特征包括压力分布熵、接触面积变化率以及压力重心移动轨迹中的至少一种；

9、对所述运动时序数据进行特征提取，得到运动特征，所述运动特征包括高频微震颤能量占比、动作平滑度以及转动角速度变化特征中的至少一种；

10、基于所述压力分布特征和所述运动特征得到多维度行为特征。

11、在一些实施例中，所述异常识别模型为预先训练的时序深度学习模型；所述主控模块将所述多维度行为特征输入预先训练的异常识别模型由所述主控模块在所述智能锁本地执行。

12、在一些实施例中，所述根据所述胁迫概率值确定用户的异常识别结果，包括：

13、在所述胁迫概率值大于或等于预设的第一阈值的情况下，确定所述异常识别结果为用户处于胁迫状态；

14、在所述胁迫概率值小于预设的第二阈值的情况下，确定所述异常识别结果为用户处于正常状态，其中，所述第二阈值小于所述第一阈值；

15、在所述胁迫概率值大于或等于所述第二阈值且小于所述第一阈值的情况下，基于所述多维度行为特征与用户的个性化行为基线进行比对，并在所述多维度行为特征偏离所述个性化行为基线超过预设幅度的情况下，确定所述异常识别结果为用户处于胁迫状态。

16、在一些实施例中，所述异常识别方法还包括：

17、在所述异常识别结果为用户处于正常状态的情况下，基于本次采集的所述多维度行为特征更新用户的个性化行为基线。

18、在一些实施例中，所述智能锁还包括通信模块；所述异常识别方法还包括：

19、在所述异常识别结果为用户处于胁迫状态的情况下，所述主控模块控制所述智能锁开启，并控制所述智能锁的输出状态与用户处于正常状态时一致，以及通过所述通信模块向预设的识别对象静默发送对应的识别信息。

20、为实现上述目的，本公开实施例的第二方面提出了一种智能锁，包括把手、设于所述把手的传感器组以及主控模块，所述传感器组至少包括触摸传感器、压力传感器和惯性测量单元；

21、所述主控模块用于当所述触摸传感器检测到用户接触所述把手时，启动所述传感器组同步采集多源时序数据，其中，所述多源时序数据至少包括所述压力传感器在用户握持所述把手过程中采集的压力分布时序数据、以及所述惯性测量单元在用户转动所述把手过程中采集的运动时序数据；

22、所述主控模块还用于对所述多源时序数据进行特征提取，得到多维度行为特征；将所述多维度行为特征输入预先训练的异常识别模型，得到用户处于胁迫状态的胁迫概率值，并根据所述胁迫概率值确定用户的异常识别结果。

23、在一些实施例中，所述压力传感器为阵列式压力传感器，覆盖所述把手的握持区域；所述触摸传感器分布于所述把手的表面；所述惯性测量单元内置于所述把手。

24、为实现上述目的，本公开实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面实施例所述的智能锁的异常识别方法。

25、为实现上述目的，本公开实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面实施例所述的智能锁的异常识别方法。

26、本公开实施例的有益效果包括：

27、通过在把手内置触摸传感器、压力传感器与惯性测量单元构成的传感器组，当触摸传感器检测到用户接触把手时即自动启动同步采集，在用户自然握持与转动把手的正常开锁过程中，获取压力分布时序数据与运动时序数据等多源行为数据，全程无需用户刻意执行任何特定操作，也不依赖额外佩戴设备，从根源上规避了主动触发方案的各类失效风险与可穿戴设备普及受限的问题；随后对多源时序数据进行特征提取得到多维度行为特征，利用胁迫状态下用户肌肉紧张导致握力分布异常、动作僵硬颤抖导致运动轨迹偏离正常模式的生理与行为规律，通过预先训练的异常识别模型输出胁迫概率值并判定异常识别结果，可精准识别用户被胁迫但表面正常开锁的内部威胁场景，同时多源数据融合的多维特征使得胁迫者难以同时模仿全部行为维度，不易被强制绕过，且整个识别过程嵌入正常开锁流程、用户无感知、隐蔽性强，从而实现了无需用户主动操作的无感式胁迫告警，提高了真实胁迫场景下的识别触发率与可靠性。

1.一种智能锁的异常识别方法，其特征在于，应用于智能锁，所述智能锁包括把手、设于所述把手的传感器组以及主控模块，所述传感器组至少包括触摸传感器、压力传感器和惯性测量单元，所述异常识别方法包括：

2.根据权利要求1所述的智能锁的异常识别方法，其特征在于，所述多源时序数据还包括生理信号时序数据，所述生理信号时序数据由与所述智能锁通信连接的可穿戴设备采集并发送至所述智能锁，或者由设于所述把手的生理信号传感器在用户握持所述把手过程中采集。

3.根据权利要求1所述的智能锁的异常识别方法，其特征在于，所述主控模块对所述多源时序数据进行特征提取，得到多维度行为特征，包括：

4.根据权利要求1所述的智能锁的异常识别方法，其特征在于，所述异常识别模型为预先训练的时序深度学习模型；所述主控模块将所述多维度行为特征输入预先训练的异常识别模型由所述主控模块在所述智能锁本地执行。

5.根据权利要求1所述的智能锁的异常识别方法，其特征在于，所述根据所述胁迫概率值确定用户的异常识别结果，包括：

6.根据权利要求5所述的智能锁的异常识别方法，其特征在于，所述异常识别方法还包括：

7.根据权利要求1所述的智能锁的异常识别方法，其特征在于，所述智能锁还包括通信模块；所述异常识别方法还包括：

8.一种智能锁，其特征在于，包括把手、设于所述把手的传感器组以及主控模块，所述传感器组至少包括触摸传感器、压力传感器和惯性测量单元；

9.根据权利要求8所述的智能锁，其特征在于，所述压力传感器为阵列式压力传感器，覆盖所述把手的握持区域；所述触摸传感器分布于所述把手的表面；所述惯性测量单元内置于所述把手。

10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的智能锁的异常识别方法。