CN106886746B - 一种识别方法及后端服务器 - Google Patents
一种识别方法及后端服务器 Download PDFInfo
- Publication number
- CN106886746B CN106886746B CN201611226867.4A CN201611226867A CN106886746B CN 106886746 B CN106886746 B CN 106886746B CN 201611226867 A CN201611226867 A CN 201611226867A CN 106886746 B CN106886746 B CN 106886746B
- Authority
- CN
- China
- Prior art keywords
- face
- track
- time
- picture
- recognition
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸识别方法,应用于人脸识别系统中的后端服务器,该人脸识别系统还包括多个前端设备,接收目标前端设备发送的目标人脸轨迹中的人脸图片以及目标人脸轨迹对应的预测离开时间,根据人脸图片以及预测离开时间,生成目标人脸轨迹对应的目标人脸图片序列,当人脸图片不是目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,当第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对待处理人脸轨迹对应的人脸图片序列进行人脸识别,可以使人脸识别业务的并发执行能力提高,实现人脸识别的实时处理。
Description
技术领域
本发明涉及信息处理领域,特别涉及一种识别方法,还特别涉及一种后端服务器。
背景技术
随着互联网和计算机信息技术的发展,人脸识别在各个领域所起的作用越来越重要。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。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
现有技术中,人脸识别的业务流程一般是由前端相机实时抓拍人脸图片,传递到后端服务器进行分析。相应的,后端服务器在从前端相机获取到同一个人脸的所有抓拍图片后执行寻优算法,找到最佳人脸图片,然后针对最佳人脸图片进行分析,得到人脸半结构化信息。最后将前端相机所抓拍的人脸的半结构化信息和人脸数据库中的半结构化信息进行比对,从而实现人脸识别。
发明人在实现本发明的过程中发现,在上述现有的人脸识别流程中,前端相机仅承担图像采集以及图像传递的职能。大部分的针对采集图像的人脸分析工作都是由后端服务器完成的。这样给后端服务器造成了极大的负担,在前端相机数量远多于后端服务器的情况下,后端服务器的性能将会成为人脸识别的效率的瓶颈,从而导致人脸识别业务的并发执行能力低下,无法实现人脸识别的实时处理。
发明内容
本发明提供一种人脸识别方法与后端服务器,旨在使人脸识别业务的并发执行能力提高,实现人脸识别的实时处理。
本发明实施例提供了一种人脸识别方法,应用于人脸识别系统中的后端服务器,所述人脸识别系统还包括多个前端设备,所述方法包括:
接收目标前端设备发送的目标人脸轨迹中的人脸图片及所述目标人脸轨迹对应的预测离开时间;
根据所述人脸图片及所述预测离开时间,生成所述目标人脸轨迹对应的目标人脸图片序列;
当所述人脸图片不是所述目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,所述轨迹时间序列中包括目标人脸轨迹在内的各人脸轨迹对应的预测离开时间;
当所述第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对所述待处理人脸轨迹对应的人脸图片序列进行人脸识别。
优选地,所述预设策略具体为:
当所述时间差值小于或等于第二预设时间阈值时,将所述第一预测离开时间对应的人脸轨迹作为待处理人脸轨迹;
当所述时间差值大于所述第二预设时间阈值时,将识别计数值最小的人脸轨迹作为待处理人脸轨迹,所述识别计数值是所述后端服务器对人脸轨迹对应的人脸图片序列进行人脸识别后记录的。
优选地,所述待处理人脸轨迹对应的人脸图片序列进行人脸识别,具体为:
获取所述待处理人脸轨迹对应的人脸图片序列中的当前最佳人脸图片,并根据所述当前最佳人脸图片与所述待处理人脸轨迹对应的后续人脸图片确定最佳人脸图片,所述当前最佳人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后确定的,所述后续人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后到本次人脸识别开始时接收到的人脸图片;
若所述最佳人脸图片为所述当前最佳人脸图片,则将所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后获取的人脸半结构化信息保存到所述待处理人脸轨迹对应的数据结构中;
若所述最佳人脸图片不为所述当前最佳人脸图片,则对所述最佳人脸图片进行人脸识别,获取所述最佳人脸图片对应的人脸半结构化信息,将所述最佳人脸图片对应的人脸半结构化信息保存到所述数据结构中。
优选地,所述方法还包括:
当所述人脸图片是所述目标人脸轨迹的最终人脸图片,且所述后端服务器当前正在对第一人脸轨迹进行人脸识别时,判断所述第一人脸轨迹中是否存在最终人脸图片,其中,所述目标人脸轨迹的序列号与所述第一人脸轨迹的序列号不一致;
若所述第一人脸轨迹中存在最终人脸图片,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别大于或等于预设进度阈值,且所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值小于第三预设时间阈值时,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别小于预设进度阈值,或,所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值大于或等于第三预设时间阈值时,则中断所述后端服务器对所述第一人脸轨迹的人脸识别,对所述目标人脸图片序列进行人脸识别。
优选地,还包括:
根据各所述人脸轨迹的图片采集时间,确定各所述前端设备对应的图像采集时间偏移;
将所述图像采集时间偏移返回对应的前端设备,以使该前端设备修正所述图片采集时间。
基于与上述方法相同的技术思路,本发明实施例还提出了一种后端服务器,应用于包括所述后端服务器和多个前端设备的人脸识别系统中,所述后端服务器包括:
接收模块,接收目标前端设备发送的目标人脸轨迹中的人脸图片及所述目标人脸轨迹对应的预测离开时间;
存储模块,根据所述人脸图片及所述预测离开时间,生成所述目标人脸轨迹对应的目标人脸图片序列;
获取模块,当所述人脸图片不是所述目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,所述轨迹时间序列中包括目标人脸轨迹在内的各人脸轨迹对应的预测离开时间;
识别模块,当所述第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对所述待处理人脸轨迹对应的人脸图片序列进行人脸识别。
优选地,所述预设策略具体为:
当所述时间差值小于或等于第二预设时间阈值时,将所述第一预测离开时间对应的人脸轨迹作为待处理人脸轨迹;
当所述时间差值大于所述第二预设时间阈值时,将识别计数值最小的人脸轨迹作为待处理人脸轨迹,所述识别计数值是所述后端服务器对人脸轨迹对应的人脸图片序列进行人脸识别后记录的。
优选地,所述识别模块具体用于:
获取所述待处理人脸轨迹对应的人脸图片序列中的当前最佳人脸图片,并根据所述当前最佳人脸图片与所述待处理人脸轨迹对应的后续人脸图片确定最佳人脸图片,所述当前最佳人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后确定的,所述后续人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后到本次人脸识别开始时接收到的人脸图片;
若所述最佳人脸图片为所述当前最佳人脸图片,则将所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后获取的人脸半结构化信息保存到所述待处理人脸轨迹对应的数据结构中;
若所述最佳人脸图片不为所述当前最佳人脸图片,则对所述最佳人脸图片进行人脸识别,获取所述最佳人脸图片对应的人脸半结构化信息,将所述最佳人脸图片对应的人脸半结构化信息保存到所述数据结构中。
优选地,所述后端服务器还包括:
判断模块,当所述人脸图片是所述目标人脸轨迹的最终人脸图片,且所述后端服务器当前正在对第一人脸轨迹进行人脸识别时,判断所述第一人脸轨迹中是否存在最终人脸图片,其中,所述目标人脸轨迹的序列号与所述第一人脸轨迹的序列号不一致;
所述识别模块,还用于若所述第一人脸轨迹中存在最终人脸图片,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
所述识别模块,还用于若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别大于或等于预设进度阈值,且所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值小于第三预设时间阈值时,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
所述识别模块,还用于若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别小于预设进度阈值,或,所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值大于或等于第三预设时间阈值时,则中断所述后端服务器对所述第一人脸轨迹的人脸识别,对所述目标人脸图片序列进行人脸识别。
优选地,还包括:
确定模块,根据各所述人脸轨迹的图片采集时间,确定各所述前端设备对应的图像采集时间偏移;
发送模块,将所述图像采集时间偏移返回对应的前端设备,以使该前端设备修正所述图片采集时间。
与现有技术相比,本发明实施例提出的技术方案至少包括以下有益效果:
本发明实施例提供了一种人脸识别方法,应用于人脸识别系统中的后端服务器,该人脸识别系统还包括多个前端设备,接收目标前端设备发送的目标人脸轨迹中的人脸图片以及目标人脸轨迹对应的预测离开时间,根据人脸图片以及预测离开时间,生成目标人脸轨迹对应的目标人脸图片序列,当人脸图片不是目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,当第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对待处理人脸轨迹对应的人脸图片序列进行人脸识别,可以使人脸识别业务的并发执行能力提高,实现人脸识别的实时处理。
附图说明
图1为本发明实施例提出的一种人脸识别方法的流程示意图;
图2为本发明具体实施例提出的一种人脸采集错峰处理方法的流程示意图;
图3为本发明具体实施例提出的一种人脸识别处理方法流程示意图;
图4为本发明具体实施例提出的一种人脸识别方法流程示意图;
图5为本发明具体实施例提出的一种后端服务器的结构示意图。
具体实施方式
如背景技术所述,现有的人脸识别流程中的大部分工作都是由后端服务器完成的,这样在面临大量的前端设备传输过来的图像时,后端服务器的压力将会十分的大,从而导致此时人脸识别的效率变得十分的低下。
本发明提出了一种人脸识别方法与后端服务器,旨在减少后端服务器的工作负载,提高人脸识别业务的并发执行能力,以及人脸识别的实时性。
本发明实施例提出了一种人脸识别方法,接收目标前端设备发送的目标人脸轨迹中的人脸图片以及目标人脸轨迹对应的预测离开时间,根据人脸图片以及预测离开时间,生成目标人脸轨迹对应的目标人脸图片序列,当人脸图片不是目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,当第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对待处理人脸轨迹对应的人脸图片序列进行人脸识别,可以使人脸识别业务的并发执行能力提高,实现人脸识别的实时处理。
需要说明的是,在本发明的技术方案中,应用于人脸识别系统中的后端服务器,该人脸识别系统还包括多个前端设备,其中,后端服务器为人脸识别系统中的后端分析装置,具备存储以及数据分析、处理的能力,包括但不限于PC、网络视频服务器NVR以及服务器等,前端装置自身具有一定的分析处理能力,一般为网络摄像机IPC等,本发明实施例的应用场景并不会影响本发明的保护范围。
如图1所示,为本发明实施例提出的一种人脸识别方法,具体步骤如下:
步骤101,接收目标前端设备发送的目标人脸轨迹的人脸图片及目标人脸轨迹对应的预测离开时间。
在介绍本步骤之前,还应当对上述定义的名词做出解释,其中目标前端设备为当前人脸识别系统中的任意一个前端设备,该目标前端设备可以与人脸识别系统的后端服务器进行通信,当有目标人物进入图像采集范围时,自身按照预设周期进行人脸图片抓拍以及将人脸图片上传至后端服务器,人脸轨迹为前端设备采集到的图像中人脸移动形成的轨迹,在此为了方便描述,统一称之为人脸轨迹,一条人脸轨迹为多个人脸图片形成的人脸的运动路线,而对于服务器侧角度,一条人脸轨迹则对应多个人脸图片组成的人脸图片序列,一条人脸轨迹具备自身的序列号,前端设备发送的人脸图片分别携带有人脸轨迹对应的序列号。
应当说明的是,在现有技术中,后端服务器在前端设备完成一条人脸轨迹分析之后,才针对同一条人脸轨迹的多张人脸图片执行最佳人脸分析,筛选出最佳人脸,并对最佳人脸执行人脸识别处理,而在所有的人脸图片序列都不是完整序列时,此时的后端服务器为空闲状态,存在着后端服务器的性能浪费,为了避免这种情况,可以根据人脸轨迹的运动情况来预测其离开前端设备的抓拍范围时的离开时间,因此后端服务器可以根据人脸轨迹的进度来选择是否进行人脸识别预处理,以充分利用后端服务器的闲置资源。
现有的人脸识别系统中都是若干台前端设备搭配一台后端服务器组成一个人脸识别系统,在本发明的技术方案中,多台前端设备同时检测多条人脸轨迹,以检测周期为间隔发送多条人脸轨迹的人脸图片到后端服务器。
由上述描述可知,人脸轨迹的离开时间是由前端设备来进行预测的,具体的,前端设备根据每条人脸轨迹,分析其前进方向和速度,并根据前端设备的安装的空间模型,修正抓拍画面中的人脸运动速度,预测人脸轨迹画面的离开时间(具体的运动速度以及预测时间可以根据现有技术中来进行预测,在此不进行赘述)。前端设备将预测得到的每条人脸轨迹的预测离开时间发送至后端服务器,与此同时,随着人脸轨迹的不断前进和变化,前端设备实时修正对应人脸轨迹的离开时间,并将修正后的人脸轨迹的离开时间发送至后端服务器,后端服务器根据前端设备每隔预设时间发送的人脸轨迹对应的离开时间对后端服务器中同一人脸轨迹对应的旧离开时间进行更新。
前端设备每隔预设周期进行目标人物的人脸抓拍,然后获取目标人物的人脸图片,添加该人脸轨迹的序列号,并预测其离开前端设备抓拍范围的预测离开时间,每隔预设周期向后端服务器发送该人脸轨迹的人脸图片以及人脸轨迹对应的离开时间。
步骤102,根据人脸图片以及预测离开时间,生成目标人脸轨迹对应的目标人脸图片序列。
后端服务器在接收到人脸图片时,根据其携带的序列号生成相对应的人脸图片序列。人脸图片序列中具有相同序列号的人脸图片,即同一人脸轨迹对应的图片,在后端服务器中为了方便区分以序列号进行标识,当前端设备发送一条人脸轨迹的最后一张图片时,该图片为该人脸轨迹的最终人脸图片,同时携带有结束标志,当人脸图片序列中存在有最终人脸图片时,定义其为完整人脸序列,为人脸轨迹的完整运动路线。
在实际的应用中,前端设备都是以检测周期为间隔发送人脸图片到后端服务器,会导致后端服务器在某一瞬时接收到大量的人脸图片,造成瞬时的性能分析开销巨大,故在本发明的优选实施例中,后端服务器根据所有人脸轨迹对应的人脸图片序列的图片采集时间,针对每条人脸轨迹,生成合理的采集时间偏移,并将图像采集时间偏移返回对应的前端设备,以使前端设备按照人脸采集时间偏移修正每条人脸轨迹的图片采集时间。
相应的,后端服务器在收到各人脸图片序列的离开时间后,按照离开时间与当前时间的时间差值(离开时间的先后顺序)对人脸图片序列进行排序,生成轨迹时间序列,该序列中以各个人脸轨迹的预测离开时间先后排序,其中轨迹时间序列中的第一个为时间值最小的第一预测离开时间,后续根据前端设备发送的目标人脸轨迹的新预测离开时间进行轨迹时间序列的更新并重新排序。
步骤103,当人脸图片不是目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间。
应当说明的是,当人脸图片为目标人脸轨迹的最终图片时,则表示后端服务器中的目标人脸图片序列为完整人脸图片序列,则表示该人脸轨迹已经完成记录,后端服务器可以对其进行识别,当人脸图片不是目标人脸轨迹的最终图片时,则表示目标人脸图片序列不为完整人脸图片序列,而对于后端服务器中的人脸图片序列全部为非完整人脸图片序列时,则可以根据离开时间的先后顺序来进行预处理,进行初步的分析,具体的包含以下几种情况:
1)当各人脸图片序列中不存在完整人脸图片序列(即人脸图片不是目标人脸轨迹的最终人脸图片),且各人脸图片序列的离开时间与当前时间的时间差值小于第一预设时间阈值时,不进行任何处理;
需要说明的是,目标人脸轨迹对应的目标人物若在前端设备的抓拍范围运动时间若小于第一预设时间阈值,则表示该目标的运动时间过短,抓拍的图片质量以及结束时间都无法进行准确预测,设置第一时间阈值能够保证一旦有人脸轨迹的最终图片到达形成完整人脸轨迹序列,后端服务器能够有空闲资源及时对完整人脸轨迹序列进行处理,从而得到最终识别结果,因此后端服务器需要对人脸轨迹的运动时间进行限定,此种情况下,人脸图片序列的离开时间不小于第一预设时间阈值,则不进行任何处理。
2)当各人脸图片序列中不存在完整人脸图片序列(即人脸图片不是目标人脸轨迹的最终人脸图片),获取轨迹时间序列中时间值最小的第一预测离开时间,且第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略对人脸图片序列进行识别。
3)当人脸图片是目标人脸轨迹的最终人脸图片时,且后端服务器当前处于空闲状态时,则直接进行完整人脸图片序列的识别。
4)当人脸图片是目标人脸轨迹的最终人脸图片时,且后端服务器当前正在执行第一人脸图片序列的识别任务时(也可以为其他图片序列的识别任务,在此指服务器人脸识别资源被占用),则需要进一步判断后端服务器当前识别的第一人脸图片序列是否为完整人脸图片序列。
步骤104,当第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对待处理人脸轨迹对应的人脸图片序列进行人脸识别。
针对上述情况2),后端服务器针对当前维护的所有人脸轨迹对应人脸图片序列,统计各人脸轨迹的识别计数值以及离开时间,其中,人脸轨迹的识别计数值是当服务器空闲时选取根据预设策略选取待处理人脸轨迹并进行相应的人脸图片序列的人脸识别后记录的,每次人脸识别结束后为该待处理人脸轨迹对应的人脸图片序列的识别计数值加一,识别计数值为整数,初始值为0,选择合适的人脸轨迹执行人脸识别处理,查询所有人脸轨迹对应的人脸图片序列,计算人脸轨迹的预测离开时间和当前时间的时间差值,具体有以下两种预设策略:
(1)第一预测离开时间与当前时间的时间差值小于或等于第二预设时间阈值,将第一预测离开时间对应的人脸轨迹作为待处理人脸轨迹;
(2)若第一预测离开时间与当前时间的时间差值大于第二预设时间阈值,则选择识别计数值最小的人脸轨迹作为待处理人脸轨迹。
在上述过程中,第一预测离开时间与当前时间的时间差值小于或等于第二预设时间阈值时,则表示该人脸轨迹临近运动结束,可以优先对其进行处理,而选择人脸识别计数值小的人脸轨迹,则表示该人脸轨迹对应的人脸识别次数最少,对应的人脸图片序列中未经过人脸识别的人脸图片较多,可以有效的减轻后续处理能力的压力。
相应地,对待处理人脸轨迹进行识别处理,具体识别方法包含以下步骤:
a)若该人脸轨迹之前已经进行过识别处理,则从人脸轨迹对应的人脸图片序列中找到上一次分析过程中确定的当前最佳人脸图片,即上一次分析过程中选举的最佳人脸,最佳人脸图片为最符合后端服务器中处理规则的人脸图片(该处理规则为清晰,人脸正面照等,该处理规则不是不发明所关注的方向,在此不做过多赘述),若该人脸轨迹没有进行过人脸识别,不存在当前最佳人脸图片,则直接执行下述步骤b)。
b)从该人脸轨迹的上一次人脸识别后到本次人脸识别过程开始时接收到的后续人脸图片,与当前最佳人脸图片之间选举出最佳人脸图片。
具体的,上一次人脸识别过程中处理了若干人脸图片,并选举出了当前最佳人脸图片,在本次人脸识别过程中,需要进行人脸识别的人脸图片包括:上一次人脸识别完成后接收到的后续人脸图片和当前最佳人脸图片,在这些人脸图片中选举出最佳人脸图片。
为了方便说明上述过程,在此以实际应用场景中的一条人脸轨迹对应的人脸图片序列为例进行说明,该人脸图片序列为:A1,A2,A3,A4,A5,A6,A7,A8,A9,A10,每个序号对应一张人脸图片,当前已经接收了10张图片。假设之前的预分析在人脸图片A1-A5已经处理到当前最佳人脸图片A5,也就是在人脸图片A1-A5之间找到了当前最佳人脸图片(定义为opt_pic),那么本次识别需要做的就是从A6-A10+opt_pic这6张图片中选出最佳人脸图片。
c)选举出最佳人脸后,生成人脸半结构化信息,将分析的人脸半结构化信息保存到对应人脸轨迹的数据结构中;
在具体的应用场景中,若最佳人脸图片为当前最佳人脸图片,则将后端服务器之前针对当前最佳人脸图片获取的最佳人脸半结构化信息保存到对应该人脸轨迹的数据结构中;若最佳人脸图片为后续的人脸图片中的一个,不是当前最佳人脸图片,则获取最佳人脸图片对应的人脸半结构化信息,将最佳人脸图片对应的人脸对应的人脸半结构化信息保存到对应人脸轨迹的数据结构中。
d)人脸轨迹对应的识别计数值加一。
通过上述人脸识别方法对不完整人脸图片序列进行预处理,当采集到最终人脸图片后,则对应人脸轨迹完成识别任务,输出最终识别的人脸半结构化信息,在此过程中,后端服务器充分利用了闲置资源,并减少了该人脸轨迹后期的识别分析工作量,提高了后续工作的效率以及实时性。
而针对于上述步骤4),在后端服务器中,设置完整人脸图片序列的处理优先级高于不完整人脸图片序列,在后端服务器空闲时间对不完整人脸图片序列进行处理,当后端服务器中存在正在处理的第一人脸图片序列时,此时接收到的人脸图片为目标人脸轨迹的最终图片时,则后端服务器中具有了完整的人脸图片序列,此时后端服务器需要判断第一人脸图片序列是否为完整人脸图片序列,具体包括两种情况:
情况一、第一人脸轨迹中存在最终人脸图片,则等待后端服务器完成当前对第一人脸轨迹对应的第一人脸图片序列的识别任务后,再进行其他完整人脸图片序列的识别,即将其他完整人脸图片序列按照离开时间排序加入待处理任务。
情况二、第一人脸轨迹中不存在最终人脸图片,则需要对后端服务器当前的识别任务的完成度以及第一人脸图片序列对应的的预测离开时间与当前时间的时间差值进行判断,具体为:(1)当后端服务器当前执行的第一人脸图片序列的识别任务完成度大于或等于预设进度阈值,且第一人脸图片序列对应的的预测离开时间与当前时间的时间差值小于第三预设时间阈值时,等待后端服务器完成当前对第一人脸图片序列的识别任务后,再进行目标人脸图片序列的识别;(2)当后端服务器当前执行的第一人脸图片序列的识别任务完成度小于预设进度阈值,或,第一人脸图片序列对应的的预测离开时间与当前时间的时间差值大于或等于第三预设时间阈值时,中断后端服务器当前对第一人脸图片序列的识别分析任务,直接进行目标人脸图片序列的识别。
在具体的应用场景中,当后端服务器接收到前端设备发送的最终人脸图片后,需要判断最终人脸图片的序列号是否与后端服务器当前执行的识别任务中的第一人脸图片序列的序列号相同,若相同,则不进行处理,若不同,则按照上述步骤进行相应的处理,在此不再进行赘述。
在后端服务器完成了对人脸轨迹的识别分析后,将人脸轨迹对应的人脸图片序列删除,根据人脸轨迹的半结构化信息,和人脸数据库中的半结构化信息进行比对,实现人脸识别任务。
通过应用本发明实施例提出的一种人脸识别方法,应用于人脸识别系统中的后端服务器,该人脸识别系统还包括多个前端设备,接收目标前端设备发送的目标人脸轨迹中的人脸图片以及目标人脸轨迹对应的预测离开时间,根据人脸图片以及预测离开时间,生成目标人脸轨迹对应的目标人脸图片序列,当人脸图片不是目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,当第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对待处理人脸轨迹对应的人脸图片序列进行人脸识别,可以使人脸识别业务的并发执行能力提高,实现人脸识别的实时处理。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
在发明的具体实施例中的人脸识别系统中包含有一个分析服务器和若干人脸采集摄像机,其中,分析服务器相当于上述实施例中的后端服务器,人脸采集摄像机则相当于上述实施例中的前端设备,假设人脸识别系统中存在M台人脸采集摄像机,该方法具体步骤如下:
步骤A,人脸采集错峰处理;
步骤B,人脸轨迹状态维护流程;
步骤C,人脸识别处理流程;
步骤D,人脸轨迹选择子流程。
以下针对上述步骤A的人脸采集错峰处理进行描述,为了减少分析服务器同时处理多台人脸摄像机时,人脸采集摄像机同时上报人脸图片造成的瞬时性能分析开销,采用进行人脸采集错峰处理,如图2所示,为本发明具体实施例提出的一种人脸采集错峰处理方法的流程示意图,具体包括以下步骤:
S201,分析服务器建立人脸轨迹序列;
具体的,M台人脸采集摄像机同时采集到N条人脸轨迹,同时将N条人脸轨迹对应的人脸图片上传至分析服务器,分析服务器在接收到人脸图片后建立相应的人脸轨迹序列,每条人脸轨迹序列具有自身的序列号。
S202,分析服务器更新人脸轨迹序列;
具体的,M台人脸采集摄像机同时检测N条人脸轨迹,以人脸采集摄像机的检测周期T1为间隔实时发送N条人脸轨迹的小图图片序列到分析服务器,分析服务器将其更新至对应的人脸轨迹序列中。其中,针对一条人脸轨迹的最后一张图片,随图片信息带上结束标志,分析服务器接收并保存N条人脸轨迹的图片序列及相关标志。
S203,确定各个人脸轨迹的采集时间;
具体的,分析服务器分析N条人脸轨迹序列的采集周期起始时间,针对每条人脸轨迹,生成合理的采集时间偏移,通知人脸采集摄像机。
S204,人脸采集摄像机按照采集时间偏移修正每条人脸轨迹的采集起始时间。
由此可知,通过上述步骤A的人脸采集周期错峰处理,可以实现将人脸抓拍图片到达后端的时间均匀分散开来,减少瞬时的性能分析开销,提升分析的实时性。
以下针对上述步骤B的人脸轨迹状态维护流程进行说明,具体包括为人脸采集摄像机前端设备侧以及后端服务器侧两个角度,以下针对人脸采集摄像机前端设备侧的步骤进行描述:
a),预测人脸轨迹离开画面的时间;
具体的,人脸采集摄像机针对每路人脸轨迹,分析其前进方向和速度,并根据人脸采集摄像机安装的空间模型,修正画面中的人脸运动速度,预测人脸轨迹离开画面的时间。
b),将人脸轨迹的结束时间发送至分析服务器;
具体的,人脸采集摄像机将预测得到的每条人脸轨迹的预测离开时间发送到分析服务器。
c),修正人脸轨迹的离开时间;
具体的,随着人脸轨迹的不断运动,人脸采集摄像机实时修改正对应的人脸轨迹的离开时间,并将修正的人脸轨迹离开时间发送至分析服务器。
以上针对前端设备侧进行了描述,现在以分析服务器为角度进行描述,分析服务器针对每路人脸轨迹,进行如下处理:
对人脸轨迹序列进行排序,根据最新的人脸轨迹时间,识别计数值(该路人脸轨迹已经执行过的人脸识别的次数);将N条人脸轨迹的离开时间按照时间先后顺序排序,保存到人脸轨迹离开时间队列FaceLeftTimeQue中,时间最早的记录在队列头部。
当有新的人脸轨迹进入画面,新增相关人脸轨迹的数据结构;当人脸序列中有人脸轨迹离开画面,且执行完人脸识别任务,删除对应人脸轨迹的数据结构。
以下对上述步骤C中的人脸识别处理流程进行说明,具体的,分析服务器基于上述步骤A以及步骤B中维护的所有人脸轨迹信息,执行分析处理,如图3所示,为本发明具体实施例提出的一种人脸识别处理方法流程示意图,具体步骤如下:
S301,等待当前人脸识别任务执行完毕,或收到某条人脸轨迹的最后一张人脸图片(相当于实施例中的最终图片);
S302,判断当前是否接收到某条人脸轨迹的最后一张人脸图片;
具体的,若是,则执行步骤S308;若否则执行步骤S303;
S303,从FFaceLeftTimeQue中取第一条记录;
具体的,FaceLeftTimeQue中是根据人脸轨迹的离开时间按照时间先后顺序进行排序的,第一条记录则为分析服务器中离开时间最早的一条人脸轨迹。
S304,计算当前时间和首记录之间的时间差值;
S305,判断时间差值是否大于人脸识别时间FaceRegTime;
具体的,如果当前时间CurTime距离FaceLeftTimeQue中第一条记录的时间之差大于人脸识别时间FaceRegTime,则执行步骤S306,若否,则返回步骤S301。
S306,按照人脸轨迹选择子流程找到待处理的人脸轨迹,执行人脸识别子流程;
具体的,在执行完人脸识别流程后,返回步骤S301,等待当前人脸识别任务执行完毕,执行完毕后,继续确定是否具有待处理人脸轨迹,或收到某条人脸轨迹的最后一张人脸图片。
S307,针对最佳人脸图片FaceLastOpt进行人脸识别子流程;
S308,定义最终图片FTLast;
具体的,定义某条人脸轨迹的最后一张人脸图片为FTLast,执行步骤S309。
S309,判断当前分析服务器是否在执行人脸识别任务;
具体的,若是,则执行步骤S310,若否,则执行步骤S307。
S310,如果当前有人脸识别任务在执行,则判断当前人脸识别任务是针对FTLast轨迹执行的。
具体的,若是,则执行步骤S311,若否,则执行步骤S312。
S311,等待当前识别任务执行完毕;
具体的,如果当前人脸识别任务是针对FTLast轨迹执行的,则等待执行完毕后,再针对FTLast执行人脸识别子流程S307。
S312,判断当前执行任务完成度是否达到预设阈值;
具体的,判断分析服务器当前的人脸识别任务是否完成预设阈值80%,若是则执行步骤S313,若否则执行步骤S314。
S313,判断当前时间与当前分析的人脸轨迹的离开时间的时间差值是否小于时间阈值T2;
具体的,若是,则执行步骤S311,若否,则执行步骤S314.
S314,中断分析服务器的当前任务,直接进行FTLast的人脸识别任务。
通过应用上述步骤C所述的人脸识别处理方法,能够加快人脸图片的识别处理的速度,并提高人脸识别的实时性。
以下对步骤D中所述的人脸轨迹选择子流程进行描述,在该步骤中,主要对分析服务器的人脸轨迹处理优先级差异,具体表现为:针对分析服务器当前维护的所有人脸轨迹,其中,对具有FTLast的人脸轨迹优先进行处理,其次,当分析服务器中的人脸轨迹不存在最终图片时,则综合每条人脸轨迹的识别计数值和预测离开时间,选择合适的人脸轨迹执行人脸识别处理,具体为:
根据当前分析服务器中所有人脸轨迹的离开时间,计算人脸轨迹对应的离开时间与当前时间的时间差值,如有有时间差值小于等于阈值T3的人脸轨迹,则选择时间差值最小的人脸轨迹为待处理人脸轨迹;如果没有时间差值小于等于阈值T3的人脸轨迹,则选择识别计数值最小的人脸轨迹为待处理人脸轨迹。
通过上述步骤D中的人脸轨迹的选择,筛选出人脸轨迹中优先级较高的人脸轨迹,对其进行人脸识别,如图4所示,为本发明具体实施例提出的一种人脸识别方法流程示意图,具体包括以下步骤:
S401,确定待分析的人脸轨迹,并获取当前该人脸序列对应的最佳人脸;
具体的,从人脸轨迹中,找到最后一条被分析过的人脸图片,之前执行预分析得到的最佳人脸定义为FaceLastOpt。
S402,根据接收到的拓扑确定最佳人脸。
具体的,在确定出之前的最佳人脸图片FaceLastOpt后,分析服务器根据之后接收到的人脸采集摄像机发送的人脸图片与FaceLastOpt,执行寻优算法,确定最佳人脸。
S403,判断最佳人脸是否为FaceLastOpt;
具体的,若是,则执行步骤S404,若否,则执行步骤S405。
S404,将之前分析的内容保存到对应人脸轨迹的数据结构中;
具体的,如果最佳人脸就是FaceLastOpt,则将之前分析的针对FaceLastOpt的人脸半结构化信息保存到对应人脸轨迹的数据结构中,执行步骤S407。
S405,针对新的最佳人脸执行识别任务,生成人脸半结构化信息;
具体的,如果最佳人脸不是FaceLastOpt,直接针对新的最佳人脸执行识别任务,生成人脸半结构化信息。
S406,将分析的人脸半结构化信息保存到对应人脸轨迹的数据结构中;
S407,对应人脸轨迹的识别计数值加一;
S408,判断当前人脸轨迹是否已经采集到最终人脸图片;
具体的,若是,则执行步骤S409,若否,则结束流程。
S409,如果当前已经采集到最终人脸,则对应人脸轨迹完成识别任务,输出最终识别的人脸半结构化信息,执行步骤S410。
S410,删除人脸轨迹对应的相关数据结构;
具体的,同时删除分析服务器中相应的人脸图片,仅保留人脸轨迹相关的人脸半结构化信息。
通过应用上述步骤D可以得知,充分利用了分析服务器的闲置资源,并减少了该人脸轨迹后期的识别分析工作量,提高了后续工作的效率以及实时性。
通过应用本发明具体实施例提出的一种人脸识别方法,应用于人脸识别系统中的后端服务器,该人脸识别系统还包括多个前端设备,接收目标前端设备发送的目标人脸轨迹中的人脸图片以及目标人脸轨迹对应的预测离开时间,根据人脸图片以及预测离开时间,生成目标人脸轨迹对应的目标人脸图片序列,当人脸图片不是目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,当第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对待处理人脸轨迹对应的人脸图片序列进行人脸识别,可以使人脸识别业务的并发执行能力提高,实现人脸识别的实时处理。
基于与上述相同的技术思路,本发明具体实施例还提出了一种后端服务器,该服务器应用于包括所述后端服务器以及多个的人脸识别系统中,如图5所示为本发明具体实施例提出的一种后端服务器的结构示意图,所述后端服务器包括:
接收模块51,接收目标前端设备发送的目标人脸轨迹中的人脸图片及所述目标人脸轨迹对应的预测离开时间;
存储模块52,根据所述人脸图片及所述预测离开时间,生成所述目标人脸轨迹对应的目标人脸图片序列;
获取模块53,当所述人脸图片不是所述目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,所述轨迹时间序列中包括目标人脸轨迹在内的各人脸轨迹对应的预测离开时间;
识别模块54,当所述第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对所述待处理人脸轨迹对应的人脸图片序列进行人脸识别。
在具体的应用场景中,所述预设策略具体为:
当所述时间差值小于或等于第二预设时间阈值时,将所述第一预测离开时间对应的人脸轨迹作为待处理人脸轨迹;
当所述时间差值大于所述第二预设时间阈值时,将识别计数值最小的人脸轨迹作为待处理人脸轨迹,所述识别计数值是所述后端服务器对人脸轨迹对应的人脸图片序列进行人脸识别后记录的。
在具体的应用场景中,所述识别模块54具体用于:
获取所述待处理人脸轨迹对应的人脸图片序列中的当前最佳人脸图片,并根据所述当前最佳人脸图片与所述待处理人脸轨迹对应的后续人脸图片确定最佳人脸图片,所述当前最佳人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后确定的,所述后续人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后到本次人脸识别开始时接收到的人脸图片;
若所述最佳人脸图片为所述当前最佳人脸图片,则将所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后获取的人脸半结构化信息保存到所述待处理人脸轨迹对应的数据结构中;
若所述最佳人脸图片不为所述当前最佳人脸图片,则对所述最佳人脸图片进行人脸识别,获取所述最佳人脸图片对应的人脸半结构化信息,将所述最佳人脸图片对应的人脸半结构化信息保存到所述数据结构中。
在具体的应用场景中,所述后端服务器还包括:
判断模块,当所述人脸图片是所述目标人脸轨迹的最终人脸图片,且所述后端服务器当前正在对第一人脸轨迹进行人脸识别时,判断所述第一人脸轨迹中是否存在最终人脸图片,其中,所述目标人脸轨迹的序列号与所述第一人脸轨迹的序列号不一致;
所述识别模块54,还用于若所述第一人脸轨迹中存在最终人脸图片,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
所述识别模块54,还用于若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别大于或等于预设进度阈值,且所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值小于第三预设时间阈值时,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
所述识别模块54,还用于若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别小于预设进度阈值,或,所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值大于或等于第三预设时间阈值时,则中断所述后端服务器对所述第一人脸轨迹的人脸识别,对所述目标人脸图片序列进行人脸识别。
在具体的应用场景中,还包括:
确定模块,根据各所述人脸轨迹的图片采集时间,确定各所述前端设备对应的图像采集时间偏移;
发送模块,将所述图像采集时间偏移返回对应的前端设备,以使该前端设备修正所述图片采集时间。
通过应用本发明提出的技术方案,应用于人脸识别系统中的后端服务器,该人脸识别系统还包括多个前端设备,接收目标前端设备发送的目标人脸轨迹中的人脸图片以及目标人脸轨迹对应的预测离开时间,根据人脸图片以及预测离开时间,生成目标人脸轨迹对应的目标人脸图片序列,当人脸图片不是目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,当第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对待处理人脸轨迹对应的人脸图片序列进行人脸识别,可以使人脸识别业务的并发执行能力提高,实现人脸识别的实时处理。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施场景所述的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述,不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (8)
1.一种人脸识别方法,应用于人脸识别系统中的后端服务器,所述人脸识别系统还包括多个前端设备,其特征在于,所述方法包括:
接收目标前端设备发送的目标人脸轨迹中的人脸图片及所述目标人脸轨迹对应的预测离开时间;
根据所述人脸图片及所述预测离开时间,生成所述目标人脸轨迹对应的目标人脸图片序列;
当所述人脸图片不是所述目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,所述轨迹时间序列中包括目标人脸轨迹在内的各人脸轨迹对应的预测离开时间;
当所述第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对所述待处理人脸轨迹对应的人脸图片序列进行人脸识别;其中,所述预设策略具体为:
当所述时间差值小于或等于第二预设时间阈值时,将所述第一预测离开时间对应的人脸轨迹作为待处理人脸轨迹;
当所述时间差值大于所述第二预设时间阈值时,将识别计数值最小的人脸轨迹作为待处理人脸轨迹,所述识别计数值是所述后端服务器对人脸轨迹对应的人脸图片序列进行人脸识别后记录的。
2.如权利要求1所述的方法,其特征在于,对所述待处理人脸轨迹对应的人脸图片序列进行人脸识别,具体为:
获取所述待处理人脸轨迹对应的人脸图片序列中的当前最佳人脸图片,并根据所述当前最佳人脸图片与所述待处理人脸轨迹对应的后续人脸图片确定最佳人脸图片,所述当前最佳人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后确定的,所述后续人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后到本次人脸识别开始时接收到的人脸图片;
若所述最佳人脸图片为所述当前最佳人脸图片,则将所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后获取的人脸半结构化信息保存到所述待处理人脸轨迹对应的数据结构中;
若所述最佳人脸图片不为所述当前最佳人脸图片,则对所述最佳人脸图片进行人脸识别,获取所述最佳人脸图片对应的人脸半结构化信息,将所述最佳人脸图片对应的人脸半结构化信息保存到所述数据结构中。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
当所述人脸图片是所述目标人脸轨迹的最终人脸图片,且所述后端服务器当前正在对第一人脸轨迹进行人脸识别时,判断所述第一人脸轨迹中是否存在最终人脸图片,其中,所述目标人脸轨迹的序列号与所述第一人脸轨迹的序列号不一致;
若所述第一人脸轨迹中存在最终人脸图片,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别大于或等于预设进度阈值,且所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值小于第三预设时间阈值时,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别小于预设进度阈值,或,所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值大于或等于第三预设时间阈值时,则中断所述后端服务器对所述第一人脸轨迹的人脸识别,对所述目标人脸图片序列进行人脸识别。
4.如权利要求1所述的方法,其特征在于,还包括:
根据各所述人脸轨迹的图片采集时间,确定各所述前端设备对应的图像采集时间偏移;
将所述图像采集时间偏移返回对应的前端设备,以使该前端设备修正所述图片采集时间。
5.一种后端服务器,应用于包括所述后端服务器和多个前端设备的人脸识别系统中,其特征在于,所述后端服务器包括:
接收模块,接收目标前端设备发送的目标人脸轨迹中的人脸图片及所述目标人脸轨迹对应的预测离开时间;
存储模块,根据所述人脸图片及所述预测离开时间,生成所述目标人脸轨迹对应的目标人脸图片序列;
获取模块,当所述人脸图片不是所述目标人脸轨迹中的最终人脸图片时,获取轨迹时间序列中时间值最小的第一预测离开时间,所述轨迹时间序列中包括目标人脸轨迹在内的各人脸轨迹对应的预测离开时间;
识别模块,当所述第一预测离开时间与当前时间的时间差值大于第一预设时间阈值时,根据预设策略选择待处理人脸轨迹,对所述待处理人脸轨迹对应的人脸图片序列进行人脸识别;
所述预设策略具体为:
当所述时间差值小于或等于第二预设时间阈值时,将所述第一预测离开时间对应的人脸轨迹作为待处理人脸轨迹;
当所述时间差值大于所述第二预设时间阈值时,将识别计数值最小的人脸轨迹作为待处理人脸轨迹,所述识别计数值是所述后端服务器对人脸轨迹对应的人脸图片序列进行人脸识别后记录的。
6.如权利要求5所述的后端服务器,其特征在于,所述识别模块具体用于:
获取所述待处理人脸轨迹对应的人脸图片序列中的当前最佳人脸图片,并根据所述当前最佳人脸图片与所述待处理人脸轨迹对应的后续人脸图片确定最佳人脸图片,所述当前最佳人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后确定的,所述后续人脸图片是所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后到本次人脸识别开始时接收到的人脸图片;
若所述最佳人脸图片为所述当前最佳人脸图片,则将所述后端服务器上一次对所述待处理人脸轨迹进行人脸识别后获取的人脸半结构化信息保存到所述待处理人脸轨迹对应的数据结构中;
若所述最佳人脸图片不为所述当前最佳人脸图片,则对所述最佳人脸图片进行人脸识别,获取所述最佳人脸图片对应的人脸半结构化信息,将所述最佳人脸图片对应的人脸半结构化信息保存到所述数据结构中。
7.如权利要求5所述的后端服务器,其特征在于,所述后端服务器还包括:
判断模块,当所述人脸图片是所述目标人脸轨迹的最终人脸图片,且所述后端服务器当前正在对第一人脸轨迹进行人脸识别时,判断所述第一人脸轨迹中是否存在最终人脸图片,其中,所述目标人脸轨迹的序列号与所述第一人脸轨迹的序列号不一致;
所述识别模块,还用于若所述第一人脸轨迹中存在最终人脸图片,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
所述识别模块,还用于若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别大于或等于预设进度阈值,且所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值小于第三预设时间阈值时,则等待所述后端服务器完成对所述第一人脸轨迹的人脸识别后,对所述目标人脸图片序列进行人脸识别;
所述识别模块,还用于若所述第一人脸轨迹中不存在最终人脸图片,当所述后端服务器对所述第一人脸轨迹的人脸识别小于预设进度阈值,或,所述第一人脸轨迹对应的预测离开时间与当前时间的时间差值大于或等于第三预设时间阈值时,则中断所述后端服务器对所述第一人脸轨迹的人脸识别,对所述目标人脸图片序列进行人脸识别。
8.如权利要求5所述的后端服务器,其特征在于,还包括:
确定模块,根据各所述人脸轨迹的图片采集时间,确定各所述前端设备对应的图像采集时间偏移;
发送模块:将所述图像采集时间偏移返回对应的前端设备,以使该前端设备修正所述图片采集时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611226867.4A CN106886746B (zh) | 2016-12-27 | 2016-12-27 | 一种识别方法及后端服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611226867.4A CN106886746B (zh) | 2016-12-27 | 2016-12-27 | 一种识别方法及后端服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886746A CN106886746A (zh) | 2017-06-23 |
CN106886746B true CN106886746B (zh) | 2020-07-28 |
Family
ID=59176447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611226867.4A Active CN106886746B (zh) | 2016-12-27 | 2016-12-27 | 一种识别方法及后端服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886746B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730531A (zh) * | 2017-10-26 | 2018-02-23 | 张斌 | 运动图像分层处理系统和方法 |
WO2019128883A1 (zh) * | 2017-12-27 | 2019-07-04 | 苏州欧普照明有限公司 | 一种身份标定系统和方法 |
CN109800638A (zh) * | 2018-12-14 | 2019-05-24 | 四川远鉴科技有限公司 | 一种基于人脸识别技术的重点人监控方法 |
CN111031348B (zh) * | 2019-12-11 | 2022-03-15 | 浙江宇视科技有限公司 | 一种视频加扰方法、装置、服务器和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046214A (zh) * | 2015-07-06 | 2015-11-11 | 南京理工大学 | 基于聚类的在线式多人脸图像处理的方法 |
CN105184238A (zh) * | 2015-08-26 | 2015-12-23 | 广西小草信息产业有限责任公司 | 一种人脸识别方法及系统 |
CN205263812U (zh) * | 2015-12-09 | 2016-05-25 | 深圳融合永道科技有限公司 | 分布式人脸识别轨迹搜索系统 |
CN105740758A (zh) * | 2015-12-31 | 2016-07-06 | 上海极链网络科技有限公司 | 基于深度学习的互联网视频人脸识别方法 |
CN105760824A (zh) * | 2016-02-02 | 2016-07-13 | 北京进化者机器人科技有限公司 | 一种运动人体跟踪方法和系统 |
JP2017135476A (ja) * | 2016-01-25 | 2017-08-03 | パナソニックIpマネジメント株式会社 | 置去り監視装置およびこれを備えた置去り監視システムならびに置去り監視方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101656373B1 (ko) * | 2014-10-15 | 2016-09-12 | 서울시립대학교 산학협력단 | 얼굴 식별 방법, 얼굴 식별 장치 및 이 방법을 실행시키는 컴퓨터 프로그램 |
-
2016
- 2016-12-27 CN CN201611226867.4A patent/CN106886746B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046214A (zh) * | 2015-07-06 | 2015-11-11 | 南京理工大学 | 基于聚类的在线式多人脸图像处理的方法 |
CN105184238A (zh) * | 2015-08-26 | 2015-12-23 | 广西小草信息产业有限责任公司 | 一种人脸识别方法及系统 |
CN205263812U (zh) * | 2015-12-09 | 2016-05-25 | 深圳融合永道科技有限公司 | 分布式人脸识别轨迹搜索系统 |
CN105740758A (zh) * | 2015-12-31 | 2016-07-06 | 上海极链网络科技有限公司 | 基于深度学习的互联网视频人脸识别方法 |
JP2017135476A (ja) * | 2016-01-25 | 2017-08-03 | パナソニックIpマネジメント株式会社 | 置去り監視装置およびこれを備えた置去り監視システムならびに置去り監視方法 |
CN105760824A (zh) * | 2016-02-02 | 2016-07-13 | 北京进化者机器人科技有限公司 | 一种运动人体跟踪方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106886746A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886746B (zh) | 一种识别方法及后端服务器 | |
JP6833842B2 (ja) | システムリソース利用を改善するためのメディア指紋保持の最適化 | |
CN112767711B (zh) | 一种多类别多尺度多目标抓拍方法及系统 | |
US20160163064A1 (en) | Apparatus and method for resource-adaptive object detection and tracking | |
US11386536B2 (en) | Image analysis device, image analysis method and image analysis program | |
CN109195011B (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN109522814B (zh) | 一种基于视频数据的目标追踪方法及装置 | |
EP1542152A1 (en) | Object detection | |
CN104239309A (zh) | 视频分析检索服务端、系统及方法 | |
CN109800329B (zh) | 一种监控方法及装置 | |
CN110544479A (zh) | 一种去噪的语音识别方法及装置 | |
EP3311334A1 (en) | Cloud platform with multi camera synchronization | |
CN109960969A (zh) | 移动路线生成的方法、装置及系统 | |
CN108156406A (zh) | 行车记录仪的信息处理方法和装置 | |
CN114071015A (zh) | 一种联动抓拍路径的确定方法、装置、介质及设备 | |
CN112733680A (zh) | 一种基于监控视频流生成高质量人脸图像的模型训练方法、提取方法、装置和终端设备 | |
US20210174079A1 (en) | Method and apparatus for object recognition | |
CN112365520A (zh) | 一种基于视频大数据资源效能测评的行人目标实时追踪系统及方法 | |
CN104182959A (zh) | 目标搜索方法及装置 | |
CN109800685A (zh) | 一种视频中对象的确定方法及装置 | |
CN113158953B (zh) | 一种人员查找方法、装置、设备及介质 | |
CN113259630B (zh) | 一种多摄像头行人轨迹聚合系统和方法 | |
CN112437233B (zh) | 视频生成方法、视频处理方法、装置和摄像设备 | |
CN109740525A (zh) | 一种视频中对象的确定方法及装置 | |
CN109740518B (zh) | 一种视频中对象的确定方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221116 Address after: 15 / F, Zhongchuang Plaza, 385 Hangtian Middle Road, national civil aerospace industrial base, Xi'an City, Shaanxi Province 710100 Patentee after: Xi'an Yu vision Mdt InfoTech Ltd. Address before: 2 / F, South Block, building 10, wanlun Science Park, 88 Jiangling Road, Binjiang District, Hangzhou City, Zhejiang Province, 310051 Patentee before: ZHEJIANG UNIVIEW TECHNOLOGIES Co.,Ltd. |
|
TR01 | Transfer of patent right |