CN106650589A - 实时人脸识别系统和方法 - Google Patents

实时人脸识别系统和方法 Download PDF

Info

Publication number
CN106650589A
CN106650589A CN201610874894.6A CN201610874894A CN106650589A CN 106650589 A CN106650589 A CN 106650589A CN 201610874894 A CN201610874894 A CN 201610874894A CN 106650589 A CN106650589 A CN 106650589A
Authority
CN
China
Prior art keywords
face
real
network
time
deployed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610874894.6A
Other languages
English (en)
Inventor
罗铮
沙烨锋
黄徳纲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kuangshi Technology Co Ltd
Beijing Megvii Technology Co Ltd
Beijing Aperture Science and Technology Ltd
Original Assignee
Beijing Megvii Technology Co Ltd
Beijing Aperture Science and Technology Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Megvii Technology Co Ltd, Beijing Aperture Science and Technology Ltd filed Critical Beijing Megvii Technology Co Ltd
Priority to CN201610874894.6A priority Critical patent/CN106650589A/zh
Publication of CN106650589A publication Critical patent/CN106650589A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/94Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/40Scenes; Scene-specific elements in video content
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/40Scenes; Scene-specific elements in video content
    • G06V20/46Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供了一种实时人脸识别系统和方法,所述实时人脸识别系统包括用于获取人脸图像的图像采集装置,以及用于对所述图像采集装置所获取的人脸图像进行人脸识别的至少一个人脸识别装置,其中,所述图像采集装置和所述人脸识别装置各自部署在不同的网络中。根据本发明实施例的实时人脸识别系统和方法通过将实时人脸抓拍和人脸识别进行模块分离,从而显著降低了实时人脸识别对网络带宽的要求,同时亦可满足敏感数据专网保护的安全性要求。

Description

实时人脸识别系统和方法
技术领域
本发明涉及人脸识别技术领域,更具体地涉及一种实时人脸识别系统和方法。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。目前,人脸识别已广泛应用于金融、公安、边检、教育、医疗等诸多领域。其中,动态实时人脸识别系统在安防行业中有着重要的应用,但由于实时人脸识别对网络带宽和计算性能要求高,现有的实时人脸识别系统很难做到大规模的实际场景部署。当部署相机数量多达上百上千路时,现有系统几乎无法满足实时的人脸抓拍识别要求。
发明内容
考虑到上述问题而提出了本发明。根据本发明一方面,提供了一种实时人脸识别系统,所述实时人脸识别系统包括用于获取人脸图像的图像采集装置,以及用于对所述图像采集装置所获取的人脸图像进行人脸识别的至少一个人脸识别装置,其中,所述图像采集装置和所述人脸识别装置各自部署在不同的网络中。
在本发明的一个实施例中,所述图像采集装置部署在第一网络中,所述人脸识别装置部署在第二网络中,所述第一网络的带宽大于所述第二网络的带宽。
在本发明的一个实施例中,所述第一网络为视频专网,所述第二网络为业务内网。
在本发明的一个实施例中,所述图像采集装置包括图像抓拍模块和抓拍处理模块,其中,所述图像抓拍模块用于采集视频流,所述抓拍处理模块用于对所述视频流进行人脸检测,以输出所述人脸图像。
在本发明的一个实施例中,所述图像采集装置包括多个图像抓拍模块和多个抓拍处理模块,并且所述实时人脸识别系统还包括设备管理模块,所述设备管理模块部署在所述图像采集装置部署在的网络中,用于对所述多个图像抓拍模块和所述多个抓拍处理模块进行匹配。
在本发明的一个实施例中,所述实时人脸识别系统还包括视频流直播模块,所述视频流直播模块部署在所述图像采集装置部署在的网络中,用于对所述采集的视频流进行压缩并播放。
在本发明的一个实施例中,所述图像采集装置部署在的网络与所述人脸识别装置部署在的网络之间设有网络安全装置,所述图像采集装置在获取所述人脸图像之后,经过所述网络安全装置向所述人脸识别装置发送人脸识别请求,经所述人脸识别装置响应同意请求后,再经过所述网络安全装置将所述人脸图像传输到所述人脸识别装置。
在本发明的一个实施例中,所述网络安全装置为防火墙或网闸。
在本发明的一个实施例中,所述人脸识别装置还用于在识别到黑名单中的人脸时发送告警信息。
在本发明的一个实施例中,所述实时人脸识别系统还包括部署在所述人脸识别装置部署在的网络中的存储模块和离线计算模块,所述存储模块用于存储所述人脸图像,以用于由所述离线计算模块进行离线人脸识别时使用。
在本发明的一个实施例中,所述人脸识别装置的数量为多个,并且,所述实时人脸识别系统还包括部署在所述人脸识别装置部署在的网络中的负载均衡模块,用于将多个所述人脸识别请求均衡地分配到所述多个人脸识别装置,以由所述多个人脸识别装置均衡地识别多个待识别的人脸图像。
在本发明的一个实施例中,所述实时人脸识别系统具有统一的账户和接口的授权机制。
在本发明的一个实施例中,所述实时人脸识别系统还包括接入授权模块,所述接入授权模块部署在所述人脸识别装置部署在的网络中,用于对所述图像采集装置部署在的网络的账户和/或所述人脸识别装置部署在的网络的账户进行授权以及对应用程序编程接口进行鉴权。
根据本发明另一方面,提供了一种实时人脸识别方法,所述实时人脸识别方法包括:在一个网络中通过至少一个人脸识别装置实施人脸图像的获取;以及在另一个网络中实施对所述获取的人脸图像的人脸识别。
在本发明的一个实施例中,所述一个网络为第一网络,所述另一个网络为第二网络,所述第一网络的带宽大于所述第二网络的带宽。
在本发明的一个实施例中,所述第一网络为视频专网,所述第二网络为业务内网。
在本发明的一个实施例中,所述人脸图像的获取进一步包括:采集视频流;以及对所述视频流进行人脸检测,以获取所述人脸图像。
在本发明的一个实施例中,所述实时人脸识别方法还包括:对所述采集的视频流进行压缩并播放。
在本发明的一个实施例中,所述实时人脸识别方法还包括:在获取所述人脸图像之后,经由网络安全装置发送人脸识别请求,经响应同意请求后,再经由所述网络安全装置发送所述人脸图像以用于进行所述人脸识别。
在本发明的一个实施例中,所述实时人脸识别方法还包括:在经所述人脸识别而识别到黑名单中的人脸时发送告警信息。
在本发明的一个实施例中,所述实时人脸识别方法还包括:在进行所述人脸识别之前或之后,在所述另一个网络中存储所述人脸图像,以用于在进行离线人脸识别时使用。
在本发明的一个实施例中,在所述另一个网络中,所述人脸识别装置的数量为多个,所述实时人脸识别方法还包括将多个所述人脸识别请求均衡地分配到所述多个人脸识别装置,以由所述多个人脸识别装置均衡地识别多个待识别的人脸图像。
在本发明的一个实施例中,所述实时人脸识别方法还包括:配置统一的账户和接口的授权机制。
在本发明的一个实施例中,所述配置统一的账户和接口的授权机制包括:由部署在所述另一个网络中的接入授权模块对所述一个网络的账户和/或所述另一个网络的账户进行授权以及对应用程序编程接口进行鉴权。
根据本发明实施例的实时人脸识别系统和方法通过将实时人脸图像的图像采集装置和人脸识别模块分离,从而显著降低了实时人脸识别对网络带宽的要求,同时亦可满足敏感数据专网保护的安全性要求。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是根据本发明实施例的实时人脸识别系统的示意性结构框图;
图2是根据本发明另一实施例的实时人脸识别系统的示意性结构框图;
图3是根据本发明实施例的实时人脸识别方法的示意性流程图;以及
图4是根据本发明另一实施例的实时人脸识别方法的示意性流程图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
下面,将参考图1描述根据本发明一方面提供的实时人脸识别系统。图1示出了根据本发明实施例的实时人脸识别系统100的示意性结构框图。
如图1所示,实时人脸识别系统100包括图像采集装置110和至少一个人脸识别装置120。其中,图像采集装置110部署在网络A中,用于获取人脸图像,例如直接采集人脸图像,或者从视频流中进行人脸检测以获取人脸图像等。人脸识别装置120部署在网络B中,用于对图像采集装置110所获取的人脸图像进行人脸识别,例如确定图像采集装置110所获取的人脸图像是否与数据库黑名单中的人脸匹配等。
虽然在图1中将图像采集装置110示出为部署在网络A中,将人脸识别装置120示出为部署在网络B中。然而,在此处以及本文的下述描述中,网络A和网络B不特指具体的网络,仅为了示例性地体现图像采集装置110和人脸识别装置120各自是部署在不同的网络中。
在一个示例中,图像采集装置可以部署在第一网络中,人脸识别装置可以部署在第二网络中,其中,第一网络的带宽大于第二网络的带宽。例如,在如图1所示的实时人脸识别系统100中,图像采集装置110部署在网络A中,人脸识别装置120部署在网络B中,其中,网络A的带宽大于网络B的带宽。
在实时人脸识别应用于大规模的实际场景中时,往往需要部署数量很大的人脸抓拍设备(例如监控相机等),因此将图像采集装置部署在较大带宽的网络中能够更好地满足需求。同时,对所采集的人脸图像进行人脸识别仅对计算性能要求较高,而对带宽没有太大要求,因此将人脸识别装置部署在有限带宽的网络中即可满足需求,这样,从总体上,实时人脸识别系统可显著降低带宽要求。
在一个示例中,所述第一网络为视频专网,所述第二网络为业务内网。例如,在如图1所示的实时人脸识别系统100中,图像采集装置110部署在网络A中,人脸识别装置120部署在网络B中,其中,网络A为视频专网,网络B为业务内网。
视频专网可以是覆盖很大区域范围的以传输视频业务为主的专网,能够满足视频数据传输的实时性、稳定性和大容量等特点。因此将实时人脸识别系统的图像采集装置部署在视频专网中不仅可以满足大规模图像采集对网络带宽的需求,还能够满足经采集图像的实时、稳定传输等。业务内网可以是负责专门业务的局域网。由于人脸识别可能涉及敏感数据,因此将实时人脸识别系统的人脸识别装置部署在业务内网中,在显著降低总体带宽要求的同时还可实现敏感数据专网保护的安全性要求。
此外,尽管图1中示出一个人脸识别装置120,应该理解的是,网络B中可以部署多个人脸识别装置120,用于识别人脸,并避免单点故障,提高系统的可用性和稳定性。本发明不对人脸识别装置120的数目进行限定。
以上示例性地描述了根据本发明实施例的实时人脸识别系统的图像采集装置和人脸识别装置可部署在的网络,在其他示例中,还可以将根据本发明实施例的实时人脸识别系统的图像采集装置和人脸识别装置各自部署在其他的不同网络中。
基于上面的描述,根据本发明实施例的实时人脸识别系统100将图像采集装置和人脸识别装置部署在不同的网络中,即对实时人脸抓拍和人脸识别进行了模块分离,因此能够显著降低实时人脸识别对网络带宽的要求。同时,由于将人脸识别环节单独部署在一个网络中,因此能够满足敏感数据专网保护的安全性要求。
应了解,本发明不受具体采用的图像采集装置和人脸识别装置的限制,无论是现有的图像采集装置和人脸识别装置还是将来开发的图像采集装置和人脸识别装置,都可以应用于根据本发明实施例的实时人脸识别系统中,并且也应包括在本发明的保护范围内。
下面参考图2描述根据本发明另一实施例的实时人脸识别系统200的示意性结构框图。
如图2所示,实时人脸识别系统200包括图像采集装置210和人脸识别装置220。其中,图像采集装置210部署在网络A中,用于获取人脸图像。人脸识别装置220部署在网络B中,用于对图像采集装置210所获取的人脸图像进行人脸识别。
在一个示例中,网络A的带宽大于网络B的带宽。在一个示例中,网络A为视频专网,网络B为业务内网。关于网络A和网络B的描述可参见上述关于图1中所示实时人脸识别系统100的描述,为了简洁,此处不再赘述。
根据本发明实施例,图像采集装置210可以进一步包括图像抓拍模块211和抓拍处理模块212。其中,图像抓拍模块211用于采集视频流。抓拍处理模块212用于对视频流进行人脸检测,以输出待识别的人脸图像。在一个示例中,图像抓拍模块211可以是相机,用于采集视频流,例如高清的视频流。在一个示例中,抓拍处理模块212可以为执行人脸检测和人脸图像输出功能的服务器、微处理器或其他合适的装置或组件。与现有的直接向人脸识别装置传输视频流相比,在本实施中,抓拍处理模块212从视频流中进行人脸检测从而将从视频流中提取的待识别的人脸图像传输给人脸识别装置,可大幅减少用于传输到人脸识别装置220进行人脸识别的数据量,这样不仅可适应人脸识别装置220部署在的网络的有限带宽,还可提高数据传输的效率,从而提高人脸识别的效率,满足人脸识别的实时性。
在一个示例中,图像采集装置210可以包括多个图像抓拍模块211和一个或多个抓拍处理模块212,并且实时人脸识别系统200还可以包括设备管理模块230,设备管理模块230可部署在图像采集装置210部署在的网络(在图2中示出为网络A)中,用于对多个图像抓拍模块211和一个或多个抓拍处理模块212进行匹配。
例如,设备管理模块230可以为每个抓拍处理模块212分配一个或若干个图像抓拍模块211,例如位于该抓拍处理模块212附近的图像抓拍模块211;抓拍处理模块212可保持与设备管理模块230之间的协调,获取被分配的图像抓拍模块配置,连接到该图像抓拍模块,以从该图像抓拍模块接收视频流用于进行人脸检测。图像采集装置210可以包括多个图像抓拍模块211和多个抓拍处理模块212意味着图像采集装置可具备横向扩展能力,这样可以将算法计算压力均匀分配到不同的计算节点,有效避免了单点故障,实现高可用性。
根据本发明实施例,实时人脸识别系统200还可以包括视频流直播模块240,视频流直播模块240可部署在图像采集装置210部署在的网络(在图2中示出为网络A)中,用于对图像抓拍模块211采集的视频流进行压缩并播放。基于视频流直播模块240可实现对所采集视频流的实时监控。由于该实时监控可以是不针对特定对象的大范围覆盖监控,因此可以无需使用高清视频流,而是将其压缩以实现流畅播放。当然,视频流直播模块240也可以直接播放图像抓拍模块211采集的视频流。
根据本发明实施例,图像采集装置210部署在的网络(在图2中示出为网络A)与人脸识别装置220部署在的网络(在图2中示出为网络B)之间可设有网络安全装置250。在一个示例中,该网络安全装置可以为网闸或防火墙。在其他示例中,可采用任何其他合适的网络安全装置,本发明对此不作限制。
图像采集装置210在获取人脸图像之后,可经过网络安全装置250向人脸识别装置220发送人脸识别请求,经人脸识别装置220响应同意请求后,再经过网络安全装置250将人脸图像传输到人脸识别装置220,这样可以进一步保障业务系统的安全性,这对于可能涉及敏感数据的人脸识别更为有益。
根据本发明实施例,实时人脸识别系统200可以包括多个人脸识别装置220,并且,所述实时人脸识别系统200还可包括部署在人脸识别装置220部署在的网络(在图2中示出为网络B)中的负载均衡模块260,用于将多个所述人脸识别请求均衡地分配到所述多个人脸识别装置220,以由所述多个人脸识别装置均衡地识别多个待识别的人脸图像。基于负载均衡模块260,实时人脸识别系统200的人脸识别装置220也可具备横向扩展能力,这样可以将算法计算压力均匀分配到不同的计算节点,有效避免了单点故障,实现高可用性。
根据本发明实施例,人脸识别装置220可以包括缓存模块、数据库模块、人脸识别模块、结果输出模块等进行人脸识别所需的模块(未在图2中示出)。当人脸识别装置220对来自图像采集装置210的人脸图像进行识别后,可将人脸识别结果连同相关联的结构化数据(例如所识别到的人脸对应的个人信息等)发送至实时人脸识别系统200前端的业务展示模块(未在图2中示出)。此外,人脸识别装置220还可以用于在识别到黑名单中的人脸时发送告警信息。例如,当人脸识别装置220对来自图像采集装置210的人脸图像进行识别后确定该人脸图像与数据库黑名单(例如包含犯罪嫌疑人、有违法犯罪记录、恐怖分子等人的名单)中的某人脸相匹配,则可向实时人脸识别系统200前端的告警模块(未在图2中示出)发送告警信息,以提醒相关人员进行处理。
根据本发明实施例,实时人脸识别系统200还可包括部署在人脸识别装置220部署在的网络(在图2中示出为网络B)中的存储模块270和离线计算模块280。存储模块270可以用于存储来自图像采集装置210的人脸图像,以用于在以后的人脸识别时使用,或用于由离线计算模块280进行离线人脸识别时使用。离线计算模块280可以在进行离线人脸识别时使用存储模块270所存储的人脸图像。基于存储模块270所存储的来自图像采集装置210的人脸图像,离线计算模块280可以通过离线人脸识别确定某离线识别对象曾经出现过的、被图像采集装置210采集过的轨迹,以协助分析该对象未来可能的行踪,以用于安防等。
根据本发明的实施例,实时人脸识别系统200具有统一的账户和接口的授权机制。在一个实施例中,实时人脸识别系统200还包括接入授权模块(未在图2中示出),所述接入授权模块位于人脸识别装置220部署在的网络B中,用于对所述图像采集装置210部署在的网络(网络A)的账户和/或所述人脸识别装置220部署在的网络(网络B)的账户进行授权以及对应用程序编程接口(application programming interface,缩写为API)进行鉴权,从而保障系统的安全性。
以上示例性地描述了根据本发明实施例的实时人脸识别系统的具体结构组成,但其仅是示例性的,根据本发明实施例的实时人脸识别系统还可以包括其他的模块或装置,或者可以没有上述模块或装置中的一个或多个而实现。
基于上面的描述,根据本发明实施例的实时人脸识别系统通过将实时人脸抓拍和人脸识别进行模块分离,从而显著降低了实时人脸识别对网络带宽的要求,同时亦可满足敏感数据专网保护的安全性要求。此外,根据本发明实施例的实时人脸识别系统可将实时计算分布到每个抓拍和识别服务节点,有效降低了算法对单一节点计算性能的要求,并且提高了并行计算能力。进一步地,根据本发明实施例的实时人脸识别系统的每个模块都可以横向水平扩展,关键模块可以纵向冗余,并具备容灾和故障恢复方案,有效避免了单点故障,实现高可用性。进一步地,根据本发明实施例的实时人脸识别系统可在跨网络环境下使用统一的账户和接口授权机制,保障了业务系统的安全性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
下面参考图3描述根据本发明另一方面所提供的实时人脸识别方法。图3示出了根据本发明实施例的实时人脸识别方法300的示意性流程图。如图3所示,实时人脸识别方法300包括以下步骤:
在步骤S310,在一个网络中实施人脸图像的获取。
在步骤S320,在另一个网络中通过至少一个人脸识别装置实施对所述获取的人脸图像的人脸识别。
基于实时人脸识别方法300的步骤S310和S320,实时人脸识别方法300在不同的网络中分别实施图像采集和人脸识别,即对实时人脸抓拍和人脸识别进行了模块分离,因此能够显著降低实时人脸识别对网络带宽的要求。同时,由于将人脸识别环节单独部署在一个网络中,因此能够满足敏感数据专网保护的安全性要求。
在一个示例中,可以在第一网络中实施人脸图像的获取,在第二网络中实施对所述获取的人脸图像的人脸识别,其中,第一网络的带宽大于第二网络的带宽。在实时人脸识别应用于大规模的实际场景中时,往往需要部署数量很大的人脸抓拍设备(例如监控相机等),因此将图像采集环节部署在较大带宽的网络中能够更好地满足需求。同时,对所采集的人脸图像进行人脸识别仅对计算性能要求较高,而对带宽没有太大要求,因此将人脸识别环节部署在有限带宽的网络中即可满足需求,这样从总体上可显著降低带宽要求。
在一个示例中,所述第一网络为视频专网,所述第二网络为业务内网。视频专网可以是覆盖很大区域范围的以传输视频业务为主的专网,能够满足视频数据传输的实时性、稳定性和大容量等特点。因此将实时人脸识别方法的图像采集环节部署在视频专网中不仅可以满足大规模图像采集对网络带宽的需求,还能够满足经采集图像的实时、稳定传输等。业务内网可以是负责专门业务的局域网。由于人脸识别可能涉及敏感数据,因此将实时人脸识别方法的人脸识别环节部署在业务内网中,在显著降低总体带宽要求的同时还可实现敏感数据专网保护的安全性要求。
以上示例性地描述了根据本发明实施例的实时人脸识别方法的图像采集环节和人脸识别环节可部署在的网络,在其他示例中,还可以将根据本发明实施例的实时人脸识别方法的图像采集环节和人脸识别环节各自部署在其他的不同网络中。
基于上面的描述,根据本发明实施例的实时人脸识别方法300将图像采集环节和人脸识别环节部署在不同的网络中,能够显著降低实时人脸识别对网络带宽的要求。同时,由于将人脸识别环节单独部署在一个网络中,因此能够满足敏感数据专网保护的安全性要求。
应了解,本发明不受具体采用的图像采集方法和人脸识别方法的限制,无论是现有的图像采集方法和人脸识别方法还是将来开发的图像采集方法和人脸识别方法,都可以应用于根据本发明实施例的实时人脸识别方法中,并且也应包括在本发明的保护范围内。
根据本发明的实施例的实时人脸识别方法300的步骤S310可由上文中结合图1至图2描述的实时人脸识别系统的图像采集装置110和210来执行。根据本发明的实施例的实时人脸识别方法300的步骤S320可由上文中结合图1至图2描述的实时人脸识别系统的人脸识别装置120和220来执行。以上仅对实时人脸识别方法300的各步骤的主要过程进行描述,而省略已经描述过的细节内容。
根据本发明的实施例,步骤S310中人脸图像的获取可以进一步包括:采集视频流;以及对所述视频流进行人脸检测,以获取所述人脸图像,并且根据本发明的实施例实时人脸识别方法还可以包括其他的步骤,如下面将参考图4所描述的。
图4示出了根据本发明另一实施例的实时人脸识别方法400的示意性流程图。如图4所示,实时人脸识别方法400包括步骤S410到S470,其中步骤S410、S420和S470在一个网络(例如如图1和图2所示的网络A,或视频专网)中实施,步骤S440、S450和S460在另一个网络(例如如图1和图2所示的网络B,或业务内网)中实施,步骤S430跨这两个网络实施,这样做的目的是为了将实时人脸识别方法400的图像采集环节和人脸识别环节部署在不同的网络中,以降低对网络带宽的要求,正如关于图3所描述的,此处不再赘述。下面详细描述这些步骤。
在步骤S410,采集视频流。
在该步骤,可以采用图像采集设备(例如相机或图2中示出的图像抓拍模块211)来采集视频流,例如针对监控区域采集高清视频流。
在步骤S420,对所述视频流进行人脸检测,以获取待识别的人脸图像。
在该步骤,可以采用图像处理设备(例如图2中示出的抓拍处理模块212)对视频流进行人脸检测,以获取待识别的人脸图像。
应了解,本发明不受具体采用的人脸检测方法的限制,无论是现有的人脸检测方法还是将来开发的人脸检测方法,都可以应用于根据本发明实施例的实时人脸识别方法中,并且也应包括在本发明的保护范围内。
根据本发明实施例的实时人脸识别方法400的步骤S410和S420均在一个网络(例如如图1和图2所示的网络A,或视频专网)中进行。从视频流中进行人脸检测,将视频流中提取的待识别的人脸图像传输至人脸识别装置,可大幅减少用于传输到另一网络(例如如图1和图2所示的网络B,或业务内网)中进行人脸识别的数据量,这样不仅可适应人脸识别环节部署在的网络的有限带宽,还可提高数据传输的效率,从而提高人脸识别的效率,满足人脸识别的实时性。
在步骤S430中,经由网络安全装置发送人脸识别请求,经响应同意请求后,再经由所述网络安全装置发送人脸图像以用于进行人脸识别。
在该步骤,可以采用例如如图1(或图2)中所示的图像采集装置110(或210),或者,更进一步地,采用如图2中所示的图像采集装置210的抓拍处理模块212经由例如如图2所示的网络安全装置250(例如防火墙或网闸)向处于另一网络(例如如图1和图2所示的网络B,或业务内网)的例如如图1(或图2)中所示的人脸识别装置120(或220)发送人脸识别请求,经人脸识别装置120(或220)响应同意请求后,再经过网络安全装置250将人脸图像传输到人脸识别装置120(或220),这样可以进一步保障业务系统的安全性,这对于可能涉及敏感数据的人脸识别更为有益。
在步骤S440中,对人脸图像进行人脸识别。
在该步骤,可以由例如如图1(或图2)中所示的人脸识别装置120(或220)采用任何合适的人脸识别算法对人脸图像进行人脸识别,本发明对此不作限制。
在步骤S450,在识别到黑名单中的人脸时发送告警信息。
在该步骤,在由例如如图1(或图2)中所示的人脸识别装置120(或220)对人脸图像进行识别后确定该人脸图像与数据库黑名单(例如包含犯罪嫌疑人、有违法犯罪记录、恐怖分子等人的名单)中的某人脸相匹配时,可发送告警信息,以提醒相关人员进行处理。
在步骤S460,存储所述人脸图像,以用于在进行离线人脸识别时使用。
在该步骤,可以由例如如图2所示的存储模块270存储例如来自如图1(或图2)中所示的图像采集装置110(或210)的人脸图像,以用于在以后的人脸识别时使用,或用于由例如如图2所示的离线计算模块280在进行离线人脸识别时使用。例如,可以通过离线人脸识别确定某离线识别对象曾经出现过的、被例如如图1(或图2)中所示的图像采集装置110(或210)采集过的轨迹,以协助分析该对象未来可能的行踪,以用于安防等。虽然将该步骤示出为在步骤S450之后,但是这仅是示例性的,该步骤也可以在步骤S440之前执行。
在步骤S470,对所述采集的视频流进行压缩并播放。
在该步骤,可以由例如图2中所示的视频流直播模块240对例如由如图2中所示的图像抓拍模块211所采集的视频流进行压缩并播放,以实现对所采集视频流的实时监控。由于该实时监控可以是不针对特定对象的大范围覆盖监控,因此可以无需使用高清视频流,而是将其压缩以实现流畅播放。当然,也可以直接播放采集的视频流。虽然将该步骤示出为在步骤S470之后,但其仅是示例性的,该步骤只要在步骤S410之后即可,对其不作限制。
此外,虽然没有示出,但是根据本发明实施例的实时人脸识别方法还可以包括负载均衡步骤,在所述另一个网络中,即网络B中,所述人脸识别装置的数量为多个,在此情况下,例如由如图2所示的负载均衡模块260可以将多个所述人脸识别请求均衡地分配到所述多个人脸识别装置220,以由所述多个人脸识别装置220均衡地识别多个待识别的人脸图像,这样可以将算法计算压力均匀分配到不同的计算节点,有效避免了单点故障,实现高可用性。
根据本发明的实施例,实时人脸识别方法还包括配置统一的账户和接口的授权机制。在一个实施例中,由部署在所述另一个网络(网络B)中的接入授权模块对所述一个网络(网络A)的账户和/或所述另一个网络(网络B)的账户进行授权以及对应用程序编程接口进行鉴权,从而保障系统的安全性。
类似地,虽然没有示出,但是根据本发明实施例的实时人脸识别方法还可以包括在进行视频流采集之前,采用例如如图2所示的设备管理模块230对用于采集视频流的多个图像抓拍模块和用于对视频流进行人脸检测的多个抓拍处理模块进行匹配,这样也可以将算法计算压力均匀分配到不同的计算节点,有效避免了单点故障,实现高可用性。
以上示例性地描述了根据本发明实施例的实时人脸识别方法的具体流程,但其仅是示例性的,根据本发明实施例的实时人脸识别方法还可以包括其他的步骤,或者可以没有上述步骤中的一个或多个而实现。
基于上面的描述,根据本发明实施例的实时人脸识别方法通过将实时人脸抓拍和人脸识别算法进行模块分离,从而显著降低了实时人脸识别对网络带宽的要求,同时亦可满足敏感数据专网保护的安全性要求。此外,根据本发明实施例的实时人脸识别方法可将实时计算分布到每个抓拍和识别服务节点,有效降低了算法对单一节点计算性能的要求,并且提高了并行计算能力。进一步地,执行根据本发明实施例的实时人脸识别方法的每个模块都可以横向水平扩展,关键模块可以纵向冗余,并具备容灾和故障恢复方案,有效避免了单点故障,实现高可用性。进一步地,根据本发明实施例的实时人脸识别方法可在跨网络环境下使用统一的账户和接口授权机制,保障了业务系统的安全性。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (24)

1.一种实时人脸识别系统,其特征在于,所述实时人脸识别系统包括用于获取人脸图像的图像采集装置,以及用于对所述图像采集装置所获取的人脸图像进行人脸识别的至少一个人脸识别装置,其中,所述图像采集装置和所述人脸识别装置各自部署在不同的网络中。
2.根据权利要求1所述的实时人脸识别系统,其特征在于,所述图像采集装置部署在第一网络中,所述人脸识别装置部署在第二网络中,所述第一网络的带宽大于所述第二网络的带宽。
3.根据权利要求2所述的实时人脸识别系统,其特征在于,所述第一网络为视频专网,所述第二网络为业务内网。
4.根据权利要求1-3中的任一项所述的实时人脸识别系统,其特征在于,所述图像采集装置包括图像抓拍模块和抓拍处理模块,其中,所述图像抓拍模块用于采集视频流,所述抓拍处理模块用于对所述视频流进行人脸检测,以输出所述人脸图像。
5.根据权利要求4所述的实时人脸识别系统,其特征在于,所述图像采集装置包括多个图像抓拍模块和多个抓拍处理模块,并且所述实时人脸识别系统还包括设备管理模块,所述设备管理模块部署在所述图像采集装置部署在的网络中,用于对所述多个图像抓拍模块和所述多个抓拍处理模块进行匹配。
6.根据权利要求4所述的实时人脸识别系统,其特征在于,所述实时人脸识别系统还包括视频流直播模块,所述视频流直播模块部署在所述图像采集装置部署在的网络中,用于对所述采集的视频流进行压缩并播放。
7.根据权利要求1-3中的任一项所述的实时人脸识别系统,其特征在于,所述图像采集装置部署在的网络与所述人脸识别装置部署在的网络之间设有网络安全装置,所述图像采集装置在获取所述人脸图像之后,经过所述网络安全装置向所述人脸识别装置发送人脸识别请求,经所述人脸识别装置响应同意请求后,再经过所述网络安全装置将所述人脸图像传输到所述人脸识别装置。
8.根据权利要求7所述的实时人脸识别系统,其特征在于,所述网络安全装置为防火墙或网闸。
9.根据权利要求1-3中的任一项所述的实时人脸识别系统,其特征在于,所述人脸识别装置还用于在识别到黑名单中的人脸时发送告警信息。
10.根据权利要求1-3中的任一项所述的实时人脸识别系统,其特征在于,所述实时人脸识别系统还包括部署在所述人脸识别装置部署在的网络中的存储模块和离线计算模块,所述存储模块用于存储所述人脸图像,以用于由所述离线计算模块进行离线人脸识别时使用。
11.根据权利要求7中的实时人脸识别系统,其特征在于,所述人脸识别装置的数量为多个,并且,所述实时人脸识别系统还包括部署在所述人脸识别装置部署在的网络中的负载均衡模块,用于将多个所述人脸识别请求均衡地分配到所述多个人脸识别装置,以由所述多个人脸识别装置均衡地识别多个待识别的人脸图像。
12.根据权利要求1-3中的任一项所述的实时人脸识别系统,其特征在于,所述实时人脸识别系统具有统一的账户和接口的授权机制。
13.根据权利要求12中的实时人脸识别系统,其特征在于,所述实时人脸识别系统还包括接入授权模块,所述接入授权模块部署在所述人脸识别装置部署在的网络中,用于对所述图像采集装置部署在的网络的账户和/或所述人脸识别装置部署在的网络的账户进行授权以及对应用程序编程接口进行鉴权。
14.一种实时人脸识别方法,其特征在于,所述实时人脸识别方法包括:
在一个网络中实施人脸图像的获取;以及
在另一个网络中通过至少一个人脸识别装置实施对所述获取的人脸图像的人脸识别。
15.根据权利要求14所述的实时人脸识别方法,其特征在于,所述一个网络为第一网络,所述另一个网络为第二网络,所述第一网络的带宽大于所述第二网络的带宽。
16.根据权利要求15所述的实时人脸识别方法,其特征在于,所述第一网络为视频专网,所述第二网络为业务内网。
17.根据权利要求14-16中的任一项所述的实时人脸识别方法,其特征在于,所述人脸图像的获取进一步包括:
采集视频流;以及
对所述视频流进行人脸检测,以获取所述人脸图像。
18.根据权利要求17所述的实时人脸识别方法,其特征在于,所述实时人脸识别方法还包括:对所述采集的视频流进行压缩并播放。
19.根据权利要求14-16中的任一项所述的实时人脸识别方法,其特征在于,所述实时人脸识别方法还包括:
在获取所述人脸图像之后,经由网络安全装置发送人脸识别请求,经响应同意请求后,再经由所述网络安全装置发送所述人脸图像以用于进行所述人脸识别。
20.根据权利要求14-16中的任一项所述的实时人脸识别方法,其特征在于,所述实时人脸识别方法还包括:
在经所述人脸识别而识别到黑名单中的人脸时发送告警信息。
21.根据权利要求14-16中的任一项所述的实时人脸识别方法,其特征在于,所述实时人脸识别方法还包括:
在进行所述人脸识别之前或之后,在所述另一个网络中存储所述人脸图像,以用于在进行离线人脸识别时使用。
22.根据权利要求19中的实时人脸识别方法,其特征在于,在所述另一个网络中,所述人脸识别装置的数量为多个,所述实时人脸识别方法还包括:
将多个所述人脸识别请求均衡地分配到所述多个人脸识别装置,以由所述多个人脸识别装置均衡地识别多个待识别的人脸图像。
23.根据权利要求14-16中的任一项所述的实时人脸识别方法,其特征在于,所述实时人脸识别方法还包括:
配置统一的账户和接口的授权机制。
24.根据权利要求23中的实时人脸识别方法,所述配置统一的账户和接口的授权机制包括:
由部署在所述另一个网络中的接入授权模块对所述一个网络的账户和/或所述另一个网络的账户进行授权以及对应用程序编程接口进行鉴权。
CN201610874894.6A 2016-09-30 2016-09-30 实时人脸识别系统和方法 Pending CN106650589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610874894.6A CN106650589A (zh) 2016-09-30 2016-09-30 实时人脸识别系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610874894.6A CN106650589A (zh) 2016-09-30 2016-09-30 实时人脸识别系统和方法

Publications (1)

Publication Number Publication Date
CN106650589A true CN106650589A (zh) 2017-05-10

Family

ID=58854373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610874894.6A Pending CN106650589A (zh) 2016-09-30 2016-09-30 实时人脸识别系统和方法

Country Status (1)

Country Link
CN (1) CN106650589A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743081A (zh) * 2017-09-30 2018-02-27 广东美的制冷设备有限公司 家电设备及其控制方法、系统及计算机可读存储介质
CN108345861A (zh) * 2018-06-01 2018-07-31 北京晨赢科技有限公司 一种基于人脸识别算法比对数据的识别设备及其系统
CN108509937A (zh) * 2018-04-12 2018-09-07 浙江凯迪仕实业有限公司 一种人脸识别系统及方法
CN108596140A (zh) * 2018-05-08 2018-09-28 青岛海信移动通信技术股份有限公司 一种移动终端人脸识别方法及系统
CN109815839A (zh) * 2018-12-29 2019-05-28 深圳云天励飞技术有限公司 微服务架构下的徘徊人员识别方法及相关产品
CN110031697A (zh) * 2019-03-07 2019-07-19 北京旷视科技有限公司 目标识别设备的测试方法、装置、系统和计算机可读介质
CN110191278A (zh) * 2018-11-30 2019-08-30 浙江宇视科技有限公司 图像处理方法及装置
CN111753743A (zh) * 2020-06-28 2020-10-09 武汉虹信技术服务有限责任公司 一种基于网闸的人脸识别方法及系统
CN111860069A (zh) * 2019-04-30 2020-10-30 百度时代网络技术(北京)有限公司 图像处理方法和系统
CN112132022A (zh) * 2020-09-22 2020-12-25 平安科技(深圳)有限公司 人脸抓拍架构及其人脸抓拍方法、装置、设备及存储介质
CN112800866A (zh) * 2021-01-13 2021-05-14 深圳市小兵智能科技有限公司 一种人脸识别装置、应用系统、方法、计算机设备及存储介质
CN113518474A (zh) * 2020-03-27 2021-10-19 阿里巴巴集团控股有限公司 检测方法、装置、设备、存储介质和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101174298A (zh) * 2006-11-02 2008-05-07 上海银晨智能识别科技有限公司 分散点大流量的人脸识别系统及识别方法
CN101534425A (zh) * 2009-04-10 2009-09-16 上海伯里春贸易有限公司 车站、机场和地铁人像采集比对识别监控系统及其方法
CN102184391A (zh) * 2011-05-19 2011-09-14 汉王科技股份有限公司 一种分布式人脸识别方法及系统和人脸识别终端
CN104573611A (zh) * 2013-10-11 2015-04-29 杭州海康威视数字技术股份有限公司 一种分布式人脸识别集群系统
CN105631292A (zh) * 2015-12-24 2016-06-01 南京通弘联电子科技有限公司 一种身份认证及金融支付一体机终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101174298A (zh) * 2006-11-02 2008-05-07 上海银晨智能识别科技有限公司 分散点大流量的人脸识别系统及识别方法
CN101534425A (zh) * 2009-04-10 2009-09-16 上海伯里春贸易有限公司 车站、机场和地铁人像采集比对识别监控系统及其方法
CN102184391A (zh) * 2011-05-19 2011-09-14 汉王科技股份有限公司 一种分布式人脸识别方法及系统和人脸识别终端
CN104573611A (zh) * 2013-10-11 2015-04-29 杭州海康威视数字技术股份有限公司 一种分布式人脸识别集群系统
CN105631292A (zh) * 2015-12-24 2016-06-01 南京通弘联电子科技有限公司 一种身份认证及金融支付一体机终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
东东的小木屋: "人脸识别对比解决方案", 《HTTPS://WENKU.BAIDU.COM/VIEW/04E06EEF9A89680203D8CE2F0066F5335A8167D0.HTM》 *
邓斌: "基于人脸识别的火车站站监控解决方案(图)", 《HTTPS://BLOG.CSDN.NET/SMARTTONY/ARTICLE/DETAILS/8685462》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743081A (zh) * 2017-09-30 2018-02-27 广东美的制冷设备有限公司 家电设备及其控制方法、系统及计算机可读存储介质
CN108509937A (zh) * 2018-04-12 2018-09-07 浙江凯迪仕实业有限公司 一种人脸识别系统及方法
CN108596140A (zh) * 2018-05-08 2018-09-28 青岛海信移动通信技术股份有限公司 一种移动终端人脸识别方法及系统
CN108345861A (zh) * 2018-06-01 2018-07-31 北京晨赢科技有限公司 一种基于人脸识别算法比对数据的识别设备及其系统
CN110191278A (zh) * 2018-11-30 2019-08-30 浙江宇视科技有限公司 图像处理方法及装置
CN110191278B (zh) * 2018-11-30 2022-03-11 浙江宇视科技有限公司 图像处理方法及装置
CN109815839A (zh) * 2018-12-29 2019-05-28 深圳云天励飞技术有限公司 微服务架构下的徘徊人员识别方法及相关产品
CN110031697A (zh) * 2019-03-07 2019-07-19 北京旷视科技有限公司 目标识别设备的测试方法、装置、系统和计算机可读介质
CN110031697B (zh) * 2019-03-07 2021-09-14 北京旷视科技有限公司 目标识别设备的测试方法、装置、系统和计算机可读介质
CN111860069A (zh) * 2019-04-30 2020-10-30 百度时代网络技术(北京)有限公司 图像处理方法和系统
CN113518474A (zh) * 2020-03-27 2021-10-19 阿里巴巴集团控股有限公司 检测方法、装置、设备、存储介质和系统
CN111753743A (zh) * 2020-06-28 2020-10-09 武汉虹信技术服务有限责任公司 一种基于网闸的人脸识别方法及系统
CN112132022A (zh) * 2020-09-22 2020-12-25 平安科技(深圳)有限公司 人脸抓拍架构及其人脸抓拍方法、装置、设备及存储介质
CN112132022B (zh) * 2020-09-22 2023-09-29 平安科技(深圳)有限公司 人脸抓拍架构及其人脸抓拍方法、装置、设备及存储介质
CN112800866A (zh) * 2021-01-13 2021-05-14 深圳市小兵智能科技有限公司 一种人脸识别装置、应用系统、方法、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN106650589A (zh) 实时人脸识别系统和方法
US8068986B1 (en) Methods and apparatus related to sensor signal sniffing and/or analysis
CN104205865B (zh) 用于认证视频内容的方法和装置
CN102413143B (zh) 基于云计算的安全审计系统及方法
JP2011039959A (ja) 監視システム
CN102411832B (zh) 网络监控设备智能跟踪检测方法及系统
JP5560936B2 (ja) 構成情報取得方法、仮想プローブおよび構成情報取得制御装置
CN109241111A (zh) 一种基于内存数据库的分布式人脸识别系统及方法
CN101518021A (zh) 安全处理合法拦截的网络流量的系统和方法
CN103414608B (zh) 快速的web流量采集统计系统和方法
CN107786838A (zh) 视频监控方法、装置及系统
CN106850285A (zh) 视频安全监控设备、审计系统及其部署结构以及方法
CN107347047A (zh) 攻击防护方法和装置
CN106130806A (zh) 数据层实时监控方法
CN113364624B (zh) 基于边缘计算的混合云流量采集方法和系统
CN112350882A (zh) 一种基于分布式的网络流量分析系统及方法
CN108230669A (zh) 基于大数据和云分析的道路车辆违法检测方法及系统
CN104537796B (zh) 一种告警信息处理系统及处理方法
CN115269438A (zh) 针对图像处理算法的自动化测试方法及装置
CN207020684U (zh) 基于人脸识别的便携式警用单兵套装
CN110895663A (zh) 一种两轮车识别方法、装置、电子设备及监控系统
CN113190700A (zh) 用于房产交易的人脸抓拍、筛选和存储的方法及系统
CN108510702A (zh) 火灾检测方法及系统
KR102083870B1 (ko) 생체인증과 블록체인을 이용한 영상관제 접촉흔적 관리 시스템
CN109120896B (zh) 安防视频监控卫士系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100190 Beijing, Haidian District Academy of Sciences, South Road, No. 2, block A, No. 313

Applicant after: MEGVII INC.

Applicant after: Beijing maigewei Technology Co., Ltd.

Address before: 100190 Beijing, Haidian District Academy of Sciences, South Road, No. 2, block A, No. 313

Applicant before: MEGVII INC.

Applicant before: Beijing aperture Science and Technology Ltd.