一种路由器设备安全防护方法及系统与流程
本发明涉及路由器领域，尤其涉及一种路由器设备安全防护方法及系统。
背景技术：
2016年为人工智能元年，“十三五”规划纲要首次提出“人工智能”一次，将智能硬件、人工智能列为战略性产业发展行列。而智能硬件中尤其智能路由器，作为宽带共享中至为关键的枢纽，在智能家居中不可或缺，可以帮助用户实现网络带宽资源的共享。但现有技术中很少会采用人工智能技术实现智能路由防护系统，申请号/专利号为cn200710099615的专利《基于wapi的无线adsl路由器》，提供了wapi标准的的adsl路由器，兼容国家提出的wapi加密方法，可以让用户更加安全可靠的使用无线网路带宽资源共享。但该发明的密码加密方式复杂，且多数wifi破解器仍能够破解密码，对路由器进行网络入侵，或者进行非法手机绑定。此外，当用户忘记登录密码时，需要重启路由器并进行密码重新设置。
技术实现要素：
本发明提供一种路由器设备安全防护方法及系统，用以解决现有技术中的防护系统缺陷，有效防护了市场上存在的wifi万能钥匙等破解路由器密码的缺陷，同时用户不再担心忘记访问wifi密码，本发明，旨在利用人脸识别技术实现路由设备wifi共享及设备绑定，增强路由器设备的安全防护。
本发明一种路由器设备安全防护方法，包括步骤：
s100获取访问者人脸图像；
s200识别所述访问者人脸图像，提取人脸特征，将所述人脸特征与预存的训练人脸特征进行匹配，若能够匹配上，则进入步骤s300，否则，进入步骤s400；
s300允许所述访问者通过路由器访问网络或者远程绑定；
s400拒绝所述访问者访问网络或远程绑定请求。
将人脸识别技术运用到路由器安全防护上面，有效防护了市场上存在的wifi万能钥匙等破解路由器密码的缺陷，同时用户不再担心忘记访问wifi密码，只需刷脸即可实现登陆。用户体验大大增强。
进一步地，还包括步骤：
s010预录入允许访问网络或远程绑定的用户的多个图像作为训练样本和测试样本；
s020采用模型转换层的算法模型训练所述作为训练样本的允许访问的用户的图像块矩阵，获得相同用户测试样本图像块特征值与训练样本图像块特征值，根据所述测试样本图像块特征值与训练样本图像块特征值的平均均方根误差，获得标准阈值。
录入允许访问网络或远程绑定的用户的多个图像进行学习训练，获取用户的图像特征数据，便于设置判定标准。
进一步地，所述步骤s200包括步骤：
s210采用非负矩阵分解法对所述访问者人脸图像进行分解降维，获取所述访问者人脸图像块的特征值；
s220计算所述访问者的人脸图像块的特征值与所述训练样本图像特征值的均方根误差；
s230判断所述均方根误差是否小于或等于所述标准阈值，若是，则进入步骤s300，否则进入步骤s400。
本方案采用了非负矩阵分解法对人脸图像进行分解降维，引入无监督的正则特征提取方案，对人脸特征进行提取；通过子空间特征匹配机制，将允许绑定及连接的用户人脸特征入库，与外来访客进行特征匹配。如果访问者的人脸图像块的特征值与所述训练样本图像特征值的均方根误差小于或等于设置的标准阈值，则允许该访问者使用该路由器的共享宽带资源或远程绑定功能。
进一步地，所述步骤s010包括：
s011通过摄像头拍摄允许访问网络或远程绑定的用户，获得人脸图像数据，作为训练样本和测试样本；
s012将所述人脸图像数据经负载均衡器发送至web服务器；
s013通过消息队列kafka集群将所述人脸图像数据存储至hdfs；
s014通过所述sparkstreaming流实时处理数据，并将处理后的数据输出至rds业务数据库。
web服务器中，每个单个的服务器存储空间有限，因此利用hdfs(hadoopdistributedfilesystem)整体构件文件分布式系统，图像数据存储在web服务器(云服务器)中的各个服务器中。负载均衡器便是负责把人脸数据请求分散到一个服务集群中的可用服务器上去存储处理，kafka是分布式发布-订阅消息系统。它最初由linkedin公司开发，kafka是一个分布式的，可划分的，冗余备份的持久性的日志服务。它主要用于处理活跃的流式数据。本方案中通过采用kafka消息系统，保证了数据传输的准确性，防止数据丢失。sparkstreaming是一种构建在spark上的实时计算框架，它扩展了spark处理大规模流式数据的能力。通过采用sparkstreaming流实时处理数据增强了数据处理速度，达到实时的要求。处理后的数据存储在rds(remotedataservice远程数据服务)业务数据库中，便于人脸识别系统调用。
进一步地，在所述步骤s400之后还包括步骤：
s450统计所述访问者来访次数，判断所述访问者来访次数是否大于所述路由器预设的计数值，若是，则进入步骤s460；
s460将所述访问者拉入黑名单，进行入侵屏蔽。
设置入侵屏蔽机制，自动防卫多次入侵者。
另一方面，本发明还提供了一种路由器设备安全防护系统，包括至少一个路由器，及与所述路由器相连的服务器，还包括图像录入模块，所述图像录入模块集成于路由器中或者位于与所述路由器通信连接的智能终端中，用于拍摄录入人脸图像，其中，所述服务器包括信息收发模块、存储模块、人脸识别模块，所述人脸识别模块分别与所述信息收发模块、存储模块相连，且：
所述路由器通过所述图像录入模块获取访问者人脸图像，并将所述访问者人脸图像传输给所述服务器的信息收发模块；
所述服务器的人脸识别模块识别所述访问者人脸图像，提取人脸特征，将所述人脸特征与所述存储模块预存的训练人脸特征进行匹配，并将匹配结果通过所述信息收发模块告知所述路由器，若能够匹配上，则所述路由器允许所述访问者通过路由器访问网络或者远程绑定，否则，拒绝所述访问者访问网络或远程绑定请求。
进一步地，所述服务器的人脸识别模块包括训练单元，其中：
所述图像录入模块录入允许访问网络或远程绑定的用户的多个图像作为所述人脸识别模块用来训练和测试的训练样本及测试样本；
所述路由器将所述图像录入模块录入的所述训练样本及测试样本传输给所述服务器的存储模块进行存储；
所述训练单元采用模型转换层的算法模型训练所述作为训练样本的允许访问的用户的图像块矩阵，获得相同用户测试样本图像块特征值与训练样本图像块特征值，根据所述测试样本图像块特征值与训练样本图像块特征值的平均均方根误差，获得标准阈值。
进一步地，所述服务器的人脸识别模块还包括识别单元及判断单元，所述识别单元分别与所述训练单元和判断单元相连，其中：
所述识别单元采用非负矩阵分解法对所述访问者人脸图像进行分解降维，获取所述访问者人脸图像块的特征值；
所述识别单元计算所述访问者的人脸图像块的特征值与所述训练样本图像特征值的均方根误差；
所述判断单元判断所述均方根误差是否小于或等于所述标准的阈值，并将所述判断结果通过所述信息收发模块告知所述路由器，若所述均方根误差小于或等于所述标准的阈值，则所述路由器允许所述访问者通过路由器访问网络或者远程绑定，否则，拒绝所述访问者访问网络或远程绑定请求。
进一步地，所述服务器还包括与所述存储模块相连的数据处理模块，其中，所述服务器为web服务器，且：
所述web服务器的数据处理模块通过所述sparkstreaming流实时处理访问者人脸图像数据，并将处理后的数据通过所述存储模块进行存储。
进一步地，所述路由器统计所述访问者来访次数，判断所述访问者来访次数是否大于所述路由器预设的计数值，若是，则将所述访问者拉入黑名单，进行入侵屏蔽。
本发明与现有最好技术相比，本发明有益效果如下：
1、针对wpa等输入密码的加密方式的访问路由器wifi技术，本发明创新性的采用人脸识别技术，进行人脸匹配，有效弥补类似wifi万能钥匙破解wifi密码，进而访问路由器或进行非法手机绑定操作。
2、该发明采用的人脸识别方案，作为路由器的防护系统，在用户忘记密码时，只需要通过智能app或者智能路由器录入人脸信息。
3、与人工智能背景契合，与行业发展方向接轨，具有普适性，为存在密码泄露的智能硬件提供一致的方法论。
4、提出了具有创造性引入入侵屏蔽计数值，智能硬件商可采用该方案帮助用户自动或手动屏蔽外来入侵者。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明路由器设备安全防护方法实施例一流程图；
图2为本发明路由器设备安全防护方法另一实施例流程图；
图3为本发明路由器设备安全防护系统实施例框图；
图4为本发明路由器设备安全防护系统实施例中的系统框架构建示意图；
图5为本发明路由器设备安全防护系统实施例中的人脸请求实时录入层构架示意图；
图6为本发明路由器设备安全防护方法实施例中阈值设定机制流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明一种路由器设备安全防护方法，实施例一如图1所示，包括步骤：
s100获取访问者人脸图像；
s200识别所述访问者人脸图像，提取人脸特征，将所述人脸特征与预存的训练人脸特征进行匹配，若能够匹配上，则进入步骤s300，否则，进入步骤s400；
s300允许所述访问者通过路由器访问网络或者远程绑定；
s400拒绝所述访问者访问网络或远程绑定请求。
本实施例中将允许绑定及连接的用户人脸特征预存入库，与外来访客特征进行特征匹配，若能够匹配，则允许该用户使用该路由器的共享带宽资源及远程绑定功能。本实施例基于人工智能的人脸识别技术与路由器相结合，通过人脸识别技术，可以很好的防护外来入侵访客对路由器进行访问，占用用户的宽带资源，并可进行远程手机绑定操作。本发明对万能钥匙等破解wifi密码的手段有很好的防护作用。
较佳的，上述实施例中，还包括步骤：
s010预录入允许访问网络或远程绑定的用户的多个图像作为训练样本和测试样本；
s020采用模型转换层的算法模型训练所述作为训练样本的允许访问的用户的图像块矩阵，获得相同用户测试样本图像块特征值与训练样本图像块特征值，根据所述测试样本图像块特征值与训练样本图像块特征值的平均均方根误差，获得标准阈值。
在对来访者进行人脸识别之前，需先训练学习允许网络或远程绑定的用户(以下简称合法用户)图像。通过大量图像的训练，对合法用户的人脸信息进行特征学习、训练。具体的，采用了非负矩阵分解算法，nmf，全称为non-negativematrixfactorization，中文呢为“非负矩阵分解”。nmf的思想：v＝wh(w权重矩阵、h特征矩阵、v原矩阵)，通过计算从原矩阵提取权重和特征两个不同的矩阵出来。属于一个无监督学习的算法，其中限制条件就是w和h中的所有元素都要大于0。
nmf可以应用的领域很广，源于其对事物的局部特性有很好的解释。在众多应用中，nmf能被用于发现数据库中的图像特征，便于快速自动识别应用；能够发现文档的语义相关度，用于信息自动索引和提取；能够在dna阵列分析中识别基因等等。我们将对此作一些大致的描述。但是最有效的就是图像处理领域，是图像处理的数据降维和特征提取的一种有效方法。图像本身包含大量的数据，计算机一般将图像的信息按照矩阵的形式进行存放，针对图像的识别、分析和处理也是在矩阵的基础上进行的。这些特点使得nmf方法能很好地与图像分析处理相结合。
模型转换层：给定允许访问的用户数据的用户的图像块非负矩阵集v＝[v1，v2，...，vm]，vu，i∈rm×n，给定矩阵r＝[r1，r2，...，rm]，ru，i∈r，为可访问wifi或允许远程功能绑定的用户图像块矩阵。基于非负矩阵分解的人脸识别算法，旨在构造预测矩阵
其中，b为评分线性偏置，mu为常数校准。
本系统采用人脸识别技术，从本质上讲，旨在将录入的原始人脸信息进行子空间特征学习、训练，待识别是否进行wifi或设备绑定的人脸信息实际是在与特征学习后重构的人脸信息进行匹配。本系统设定阈值判别技术，根据大规模数据训练值(相同用户测试样本图像值与训练样本图像值的平均均方根误差)来设定判定的标准阈值，以便后续进行识别判定。
本发明一种路由器设备安全防护方法的另一实施例，如图2所示，包括步骤：
s010预录入允许访问网络或远程绑定的用户的多个图像作为训练样本和测试样本；
s020采用模型转换层的算法模型训练所述作为训练样本的允许访问的用户的图像块矩阵，获得相同用户测试样本图像块特征值与训练样本图像块特征值，根据所述测试样本图像块特征值与训练样本图像块特征值的平均均方根误差，获得标准阈值。
s100获取访问者人脸图像；
s210采用非负矩阵分解法对所述访问者人脸图像进行分解降维，获取所述访问者人脸图像块的特征值；
s220计算所述访问者的人脸图像块的特征值与所述训练样本图像特征值的均方根误差；
s230判断所述均方根误差是否小于或等于所述标准阈值，若是，则进入步骤s300，否则进入步骤s400。
s300允许所述访问者通过路由器访问网络或者远程绑定；
s400拒绝所述访问者访问网络或远程绑定请求。
本实施例中，通过训练学习获取到合法用户的特征数据值与阈值后，未知的访问者在访问申请时，同样可采用非负矩阵分解法对该访问者进行分解降温，提取人脸图像块特征，获取该访问者的人脸图像块的特征值。然后计算该访问者的人脸图像块特征值与训练的合法用户的人脸特征值的均方根误差，判断该误差是否小于或等于标准阈值，如果小于或等于的话则判断该访问者为合法用户，允许其通过路由器访问网络或者远程绑定该路由器，否则的话判定该用户不是合法用户，拒绝其请求。
进一步优选的，所述步骤s010包括：
s011通过摄像头拍摄允许访问网络或远程绑定的用户，获得人脸图像数据，作为训练样本和测试样本；
s012将所述人脸图像数据经负载均衡器发送至web服务器；
s013通过消息队列kafka集群将所述人脸图像数据存储至hdfs；
s014通过所述sparkstreaming流实时处理数据，并将处理后的数据输出至rds业务数据库。
上述的摄像头可以是路由器内置的摄像头，也可以是智能终端上的摄像头，比如通过app直接登录的用户可以通过手机摄像头直接摄像。本发明在路由器智能硬件的基础上，创新性的利用移动物联网之手机app图像录入功能，与人脸识别技术巧妙结合，可促进当前智能硬件的快速发展。
负载均衡器用于把网络请求分散到一个服务集群中的可用服务器上去，这些服务器构成的集群可以统称为云服务器或者web服务器，为了保证数据传输准确性，防止数据丢失，本实施例还采用了kafka分布式的消息系统，通过消息队列kafka集群将所述人脸图像数据存储至hdfs。hdfs(hadoopdistributedfilesystem)是一个分布式文件系统。最后，还采用了sparkstreaming流实时处理访问者的人脸请求，相比于传统的批处理，本方案的实时性更高，能加速处理，实时处理图像数据。处理后的数据存储在rds(remotedataservice远程数据服务)业务数据库中，rds的好处是即使其中一台服务器出了故障，也不会影响整个系统的人脸识别，可以通过其它服务器处理。处理后的数据存储在rds业务数据库中后再交给人脸识别系统进行识别处理。
较佳的，在上述任一实施例的基础上，在所述步骤s400之后还包括步骤：
s450统计所述访问者来访次数，判断所述访问者来访次数是否大于所述路由器预设的计数值，若是，则进入步骤s460；
s460将所述访问者拉入黑名单，进行入侵屏蔽。
本发明创造性引入入侵屏蔽计数值，对外来入侵访客进行计数，当计数值达到预设的数值后，路由器进行相关屏蔽。智能硬件商可以采用该方案帮助用户自动或手动屏蔽外来入侵者。
基于同样的发明思想，本发明还提供了一种路由器设备安全防护系统，本系统可采用上述任一实施例中的安全防护方法，具体的，如图3所示，本发明安全防护系统包括至少一个路由器200，及与所述路由器200相连的服务器300，还包括图像录入模块100，所述图像录入模块100集成于路由器200中或者位于与所述路由器200通信连接的智能终端中，用于拍摄录入人脸图像，其中，所述服务器300包括信息收发模块310、存储模块330、人脸识别模块320，所述人脸识别模块320分别与所述信息收发模块310、存储模块330相连，且：
所述路由器200通过所述图像录入模块100获取访问者人脸图像，并将所述访问者人脸图像传输给所述服务器300的信息收发模块310；
所述服务器300的人脸识别模块320识别所述访问者人脸图像，提取人脸特征，将所述人脸特征与所述存储模块330预存的训练人脸特征进行匹配，并将匹配结果通过所述信息收发模块310告知所述路由器200，若能够匹配上，则所述路由器200允许所述访问者通过路由器200访问网络或者远程绑定，否则，拒绝所述访问者访问网络或远程绑定请求。
通过人脸识别技术来增强路由器设备的安全防护，用户只需通过路由器内置的摄像头或者智能终端上的app利用自带的摄像头进行实时拍摄上传，路由器及其服务器即可完成用户的身份认证，通过与预存的允许访问网络或绑定该路由器的合法用户图像进行比对，看是否属于其中的合法用户，即可判定是否具有访问网络或远程绑定权限。将人脸识别技术应用于路由器的安全防护上，解决了而多数wifi破解器能破解密码对网络进行入侵的问题，此外，用户在忘记登录密码时，也无需重启路由器200并进行密码重设，只需刷脸即可实现认证，简单快速、有效而安全。
较佳的，所述服务器300的人脸识别模块320包括训练单元321，其中：
所述图像录入模块100录入允许访问网络或远程绑定的用户的多个图像作为所述人脸识别模块320用来训练和测试的训练样本及测试样本；
所述路由器200将所述图像录入模块100录入的所述训练样本及测试样本传输给所述服务器300的存储模块330进行存储；
所述训练单元321采用模型转换层的算法模型训练所述作为训练样本的允许访问的用户的图像块矩阵，获得相同用户测试样本图像块特征值与训练样本图像块特征值，根据所述测试样本图像块特征值与训练样本图像块特征值的平均均方根误差，获得标准阈值。
值得注意的是，这里的标准阈值，不一定就是相同用户的测试样本图像块特征值与训练样本图像块特征值的平均均方根误差，只是根据这个平均均方根误差而合理设定的一个标准阈值。当然，我们也可就将这个平均均方根误差作为标准阈值。
进一步优选地，所述服务器300的人脸识别模块320还包括识别单元322及判断单元323，所述识别单元322分别与所述训练单元321和判断单元323相连，其中：
所述识别单元322采用非负矩阵分解法对所述访问者人脸图像进行分解降维，获取所述访问者人脸图像块的特征值；
所述识别单元322计算所述访问者的人脸图像块的特征值与所述训练样本图像特征值的均方根误差；
所述判断单元323判断所述均方根误差是否小于或等于所述标准的阈值，并将所述判断结果通过所述信息收发模块310告知所述路由器200，若所述均方根误差小于或等于所述标准的阈值，则所述路由器200允许所述访问者通过路由器200访问网络或者远程绑定，否则，拒绝所述访问者访问网络或远程绑定请求。
本实施例具体介绍了通过非负矩阵进行人脸识别的技术方案，包括系统的训练学习、阈值的设定机制及后续的访客人脸判定识别。
较佳的，所述服务器300还包括与所述存储模块330相连的数据处理模块340，其中，所述服务器300为web服务器，且：
所述web服务器的数据处理模块340通过所述sparkstreaming流实时处理访问者人脸图像数据，并将处理后的数据通过所述存储模块330进行存储。
本实施例中，服务器为web服务器300，也就是云服务器，相当于一个大的服务器群，由于我们面对的不止是一个路由器，而单个服务器的存储容量也有限，比如，如果大量的路由器均需要录入允许登入路由器访问网络或远程绑定的用户人脸信息时，那么可以通过负载均衡器来进行分配，将其分配到云服务器中的不同服务器中进行处理。为了保证数据的准确性，防止数据丢失，可以引入分布式消息系统，数据经消息队列kafka集群将人脸数据存储至hdfs。通过hdfs可以合理的利用存储空间。最后，通过sparkstreaming流实时处理人脸图像数据，并将处理后的数据存储在rds业务数据库，便于后续的人脸识别判断调用。
较佳的，在上述任一安全防护系统实施例上，还包括：所述路由器200统计所述访问者来访次数，判断所述访问者来访次数是否大于所述路由器200预设的计数值，若是，则将所述访问者拉入黑名单，进行入侵屏蔽。
具体的，如果来访者a试图访问网络，若进人脸识别认证后判定该来访者a不具备访问权限，那么便会记录下该来访者请求来访的次数，通知服务器端保留下该访客的人脸信息，该来访者每来访一次，便会累计来访次数，如果来访次数达到了预设的计数值的时候，便会将该来访者a列入黑名单进行屏蔽。
本发明的最后一个实施例，本发明的路由器设备安全防护系统采用本发明的安全防护方法，具体的，包括以下几个方面：
1、防护系统技术实现层：
框架构建示意图如图4所示，具体实现过程为：
(a)当用户开启路由器，本发明将限定上网或远程绑定手机号进行远程管控的人脸信息通过内置摄像头的路由器入库(通过app直接登录的用户可以通过手机摄像头直接入库)；
(b)本发明将业务系统将人脸信息录入至业务数据库作为待识别的人脸信息。当用户下次希望通过wifi进行上网时，只需要通过手机app开启摄像功能，录入人脸信息，业务数据库录入该次人脸信息；
(c)根据人脸系统的识别算法，与待识别的人脸信息进行关联、计算，当识别进度超过规定阈值范围，则允许用户访问该路由器或者进行远程绑定功能。
2、人脸请求实时录入层构架图示意图，具体的如图5所示：
(a)本发明将人脸实时数据录入经负载均衡器至web服务器；
(b)为保证数据传输准确性，数据经消息队列kafka集群将人脸数据存储值hdfs；
(c)sparkstreaming流实时处理数据，并将数据输出值rds业务数据库。
3、人脸系统技术方案：
(1)模型转换层：给定允许访问的用户数据的用户的图像块非负矩阵集v＝[v1，v2，...，vm]，vu，i∈rm×n，给定矩阵r＝[r1，r2，...，rm]，ru，i∈r，为可访问wifi或允许远程功能绑定的用户图像块矩阵。基于非负矩阵分解的人脸识别算法，旨在构造预测矩阵
其中，b为评分线性偏置，mu为常数校准。
(2)阈值设定及设定计数值机理
本系统采用人脸识别技术，从本质上讲，旨在将录入的原始人脸信息进行子空间特征学习、训练，待识别是否进行wifi或设备绑定的人脸信息实际是在与特征学习后重构的人脸信息进行匹配。本系统设定阈值判别技术，设定阈值(根据大规模数据训练值)，当通过人脸识别系统计算的阈值(采用待识别人脸图像块值与录入训练的人脸图像特征块值，计算平均均方根误差∝，作为阈值)小于或等于规定的标准阈值φ，则允许用户访问wifi或允许远程绑定功能，对于阈值小于规定的标准阈值φ的用户进行独立用户计数，路由器主可自行设定计数值用来防护多次非法入侵者，系统根据路由器主的设定计数值∈(系统会设置参考值)，进行入侵屏蔽，自动防护多次入侵者。阈值设定机制流程图如图6所示，包括：
s610读取待识别的人脸图像块值ru,i；
s620计算ru,i与训练的重构的人脸特征值wu,khk,i的平均均方根误差；
s630判断所述平均均方根误差∝是否小于或等于训练阈值(即标准阈值)φ，若是则进入步骤s640，否则进入步骤s650；
s640允许用户访问wifi或远程绑定；
s650拒绝该访客请求，并对该访客进行计数μ次；
s660判断μ是否大于路由器主规定计数值∈；
s670若该访客的计数μ值大于路由器主规定计数值∈，则屏蔽该访客。
(3)人脸图像选定机制及阈值训练项：
a.本发明需要预先录入的人脸数
基于人脸识别技术的路由器设备防护系统需要预先录入并训练人脸特征，所以在录入允许访问wifi或远程绑定的用户，需要录入多个人脸图像。
b.本发明的预先训练的阈值训练值φ
在实现本系统前，需从海量人脸数据集中训练出能够精确区分不同人脸的阈值。该阈值的精确度，与数据样本的大小有密切关系，其策略为：选定待训练的人脸识别的样本集，采用模型转换层的算法模型进行大规模训练，并计算出能够识别出相同人脸的观测人脸图像值与预测人脸图像值平均均方根误差，将该值作为系统判定的阈值φ，同时计算出非相同人脸图像的观测人脸值与预测人脸图像的平均均方根误差∝，其中φ>∝。
防护系统人脸识别系统实现层伪代码如下：
本发明提供一种基于人工智能的人脸识别技术的智能路由设备防护系统，采用人脸识别技术，可以很好的防护外来入侵访客对路由器进行访问，占用用户的宽带资源，并可能进行远程手机绑定操作。本发明对万能钥匙等破解wifi密码的手段有很好的防护作用，此外，本系统在路由器智能硬件的基础上，创新性的利用移动物联网之手机app图像录入功能，与人脸识别技术巧妙结合，可促进当前智能硬件的快速发展。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
- 还没有人留言评论。精彩留言会获得点赞！