CN109359206A - 基于物联网校园管理的图像处理方法及系统 - Google Patents

Abstract

本发明涉及互联网信息技术领域，尤其涉及一种基于物联网校园管理的图像处理方法及系统，其中所述方法对图像进行分块；提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。通过用防篡改特性的借用去中心化的区块链来实施图像摘要与图像数据的分离存储，改变了基于中心化的数据存储技术，避免校园网络拥堵、存储负担及整体损坏的风险，保证了图像数据的安全性、真实性及完整性，并实现了图像数据的有效查询。

Description

基于物联网校园管理的图像处理方法及系统

技术领域

本发明涉及互联网信息技术领域，尤其涉及一种基于物联网校园管理的图像处理方法及系统。

背景技术

区块链技术也称为分布式账本技术，本质上是一种去中心化的分布式互联网数据库。采用区块链技术架构的网络可视为区块链网络，该区块链网络中包含多个区块链节点，任一区块链节点可对应至少一个区块链，任一区块链可包含至少一个区块。

现有技术中，区块链应用可以分为两类：

公有链：所有节点都可以参与共识、竞争记账权。公有链是面向大众，任何个体或者团体都可以读取、发送交易且交易能够获得该区块链的有效确认、参与共识的区块链。数据公开。其特点是：中立、开放、交易速度慢、需要“挖矿”或类似共识方法，常用P2P网络，抗审查性高。

许可链：只有被许可的节点才能共识、竞争记账权并创建区块，包含私有链、联盟链、企业链等所有非公有链。数据可以公开或不公开。其中，私有链是指写入权限在一个组织手里的区块链；联盟链是指由几个人或者组织、公司、政府控制的区块链。许可链的特点是：交易速度快、不需要“挖矿”类的全网共识、交易成本低(交易只需几个许可节点验证即可)；可审查，会占据商业应用领域的主流。

具体地，图像数据上链（即被存储在区块链网络中）的过程包含三个阶段：

1、受理阶段，可以理解为待上链的图像数据被区块链网络中的某一区块链节点接收到，并由该区块链节点受理该图像数据；

2、共识阶段，可以理解为区块链节点在受理该图像数据之后，需要由区块链网络中的其他区块链节点参与对该图像数据进行共识处理，图像数据通过共识后，可以进入存储阶段；

3、存储阶段，可以理解为区块链节点将共识通过的图像数据进行上链处理。

区块链技术中的共识方法即共识算法是区块链网络中实现不同区块链节点之间建立信任、获取权益的重要方法。所谓共识方法，是通过特殊节点的投票，在很短的时间内完成对交易的验证和确认；对一笔交易，如果利益不相干的若干个节点能够达成共识，就可以认为全网对此也能够达成共识。区块链作为一种按时间顺序存储数据的数据结构，可支持不同的共识方法。

在不同共识方法下，区块的生成过程会略有不同。但总体来说，各节点在处理接收到的区块信息后，交易过程大致都是按照如下流程：节点接收到若干交易信息，放入交易池中；节点从交易池中获取当前收到的交易信息，对交易进行排序并按顺序执行；执行完毕之后，节点生成完整区块，最终将其广播。

目前使用的学生信息存储方式通常可分为两类，一类是集中式存储，这种方式会将所有学生信息集中存储在一个服务器中，但这种存储方式在被黑客侵入或发生故障时极易发生学生信息被篡改或损坏的情况，安全性较低；另一类是分布式存储，这种方式会将学生信息分布存储在多个服务器中，也即形成了多套备份，有效地提高了信息的安全性，但由于这种方式是以冗余度来换取安全性，在学生信息较多的情况下，会浪费大量的存储资源。

发明内容

针对现有技术的不足，本发明提供了一种基于物联网校园管理的图像处理方法及系统，解决了现有技术中存在的随着校园学生图像数据量的不断增长，容易导致校园网络拥堵及存储负担，从而达到了以防网络拥堵，提高存储效率，节省存储数量，保证数据安全的目的，其具体方案如下：

第一方面，本发明提供了一种基于物联网校园管理的图像处理方法，所述方法包括：

对图像进行分块，其中，任意分块图像之间均无重叠区域；

提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

优选地，所述存储所述图像，所述方法包括：

利用所述图像生成区块；

将所述区块发送至区块链上的各共识节点进行共识校验；

若校验通过，将所述区块添加至区块链中，并将所述图像发送至校园数据库以存储。

优选地，所述利用所述图像生成区块，所述方法包括：

对获取的所述图像进行Hash变换，获得图像的摘要数据；

用所述图像对应的公私密钥对中的私钥，对所述图像的摘要数据进行数字加密，获得加密的图像摘要数据；

将所述图像的数字签名与上一个区块的摘要数据、所述图像的摘要数据封装成区块。

优选地，所述公私密钥对的生成方法，所述方法包括：

根据所述图像的特征向量与由随机数生成器生成的随机数，生成私钥，并基于所述私钥生成公钥。

优选地，所述将所述图像发送至校园数据库以存储，所述方法包括：

建立所述摘要数据与所述图像的图像标识之间的映射关系，根据所述映射关系，将所述图像存储至所述校园数据库。

优选地，所述方法还包括：

接收对所述图像的查询请求，确定所查询的图像的摘要数据，并将所述摘要数据对应的图像通过所述校园数据库返回。

优选地，在所述接收对所述图像的查询请求之前，所述方法还包括：将所述区块链划分为多个区块子链，依次向各所述区块子链的节点请求查询。

第二方面，本发明提供了一种基于物联网校园管理的图像处理系统，所述系统包括：

分块模块，用于对图像进行分块，其中，任意分块图像之间均无重叠区域；

处理模块，用于提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

匹配模块，用于将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

第三方面，本发明提供了一种基于物联网校园管理的图像处理设备，所述设备包括：

通信总线，用于实现处理器与存储器间的连接通信；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如下步骤：

对图像进行分块，其中，任意分块图像之间均无重叠区域；

提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的方法。

本发明的有益效果：本发明的基于物联网校园管理的图像处理方法及系统，通过对图像分块、降维的处理，借用去中心化的区块链来实施图像摘要与图像数据的分离存储，改变了基于中心化的数据存储技术。所以，本发明实施例达到了以下技术效果：解决现有技术中存在的随着校园学生图像数据量的不断增长，容易导致校园网络拥堵及存储负担；避免了传统集中式的图像处理存储模式下潜在的诸如宕机、运行故障等状况下被整体损坏的风险；由于区块链具备的防篡改特性，因而图像摘要与数据分离的存储致使任意一方无法私自对存储数据进行篡改，从而既有效保证了图像数据的安全性，又能够保证数据了图像数据的真实性、完整性，并实现了图像数据的有效查询。

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单地介绍，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，附图中的实施例不构成对本发明的任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于物联网校园管理的图像处理方法实施例一流程示意图。

图2是本发明基于物联网校园管理的图像处理方法实施例二流程示意图。

图3是本发明基于物联网校园管理的图像存储方法一实施例流程示意图。

图4是本发明基于物联网校园管理的图像处理系统一实施例结构示意图。

图5是本发明基于物联网校园管理的图像处理设备一实施例结构示意图。

具体实施方式

下面结合附图与实施例对本发明技术方案作进一步详细的说明，这是本发明的较佳实施例。应当理解，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。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他实施例，都属于本发明保护的范围。

本发明实施例技术方案的主要思想：对图像进行分块，其中，任意分块图像之间均无重叠区域；提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

为了更好的理解上述的技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例一

本发明一实施例提供了一种基于物联网校园管理的图像处理方法，如图1所示，以下方法实施例中各步骤的执行主体具体可以为具有生物识别功能的各种设备，例如：手机、个人电脑，PAD，门禁设备等，该图像处理方法具体可以包括如下步骤：

步骤S101，对图像进行分块，其中，任意分块图像之间均无重叠区域；

具体地，对原始图像进行分块处理，将原始图像分成若干块。可以是预先设置将原始图像分为4块、8块等确定块数，还可以是根据可容纳的原始图像的像素点数量确定分块数量，从而来对原始图像进行分块处理。其中，任意分块图像之间都不存在重叠的区域。在本发明申请实施例中，所述的分块方法主要应用于面部特征的提取，需要提取特征的图像一般为面部图像，对于分块数量不做限制，具体可根据实际需要设置。

步骤S102，提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

在本发明申请实施例中，提取各所述分块图像的特征向量的提前方法可以是代数特征，该代数特征包含对应分块图像中的景物的信息，可用于后续图像识别。

在实际应用中，进行图像分块提取时，通常需要处理大量的图像，在本发明申请实施例中，应用于并行器件，例如，现场可编程门阵列等，通过并行器件的处理能力，来实现多个图像分块提取的并行处理。

具体地，提取分块图像特征的方法可以包括傅立叶变换法、窗口傅立叶变换法、小波变换法、最小二乘法、边界方向直方图法等，可采用上述各种现有的方法对分块处理后得到的每个分块图像进行主成分特征相位矩阵提取。例如：可以采用局部二值模式LBP描述子提取方法得到每个分块图像的LBP直方图，进一步的，还可以根据每个分块图像的LBP 直方图提取每个分块图像的特征向量。或者，求出分块图像的均值，将每个分块图像减去平均值得到标准化的分块图像，对每个标准化的子图像矩阵，求出协方差矩阵，然后求出协方差矩阵的特征向量以及特征值。选取前最大的若干个特征值对应的特征向量，根据每个分块图像的特点求出每个分块图像的权重向量。

在实际应用中，上述提取出的每个分块图像的特征向量的维度通常很高，后续的匹配计算的复杂度会很高，相应的计算时间也会很长，因此，本公开实施例所示的方案中，图像处理设备可以先使用分块图像特征方法提取后的各所述特征向量组成一个特征矩阵，再对所述特征矩阵进行降维，将每个特征向量的维度降低，以降低后续计算的复杂度以及计算时间。

在本发明申请实施例中，图像处理设备可以通过主分量分析(principalcomponents analysis，PCA)算法来对每个分块图像的特征向量进行降维处理。主分量分析算法常用于减少数据集的维数，旨在利用降维的思想，把多指标转化为少数几个综合指标，具体是通过保留低阶主成分，忽略高阶主成分，保持数据集中对方差贡献最大的特征，等价于保留了数据中的最重要特征。

步骤S103，将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

具体地，遍历降维的特征矩阵与在特征库中样本数据的欧氏距离匹配度识别上述图像，更具体地，搜索与上述降维的特征矩阵的距离最小的特征库中样本数据，判断上述降维的特征矩阵和所有特征库中样本数据距离的最小值是否大于设定阈值，若为是，则匹配，这样降维的降维的特征矩阵对应的原始图像即为识别结果，否则，则判为无识别结果。

当降维的特征矩阵与在特征库中样本数据匹配，将降维的降维的特征矩阵对应的原始图像存储，如图3所示，详细描述具体如下：

步骤S1031，利用所述图像生成区块；

受理图像数据的设备可以是区块链的节点，该节点可以称之为业务受理节点，并发起对该图像数据的共识。除了该节点之外，还可以包含多个节点，若这些节点参与该图像数据的共识处理，那么这些节点可以称之为共识节点。此外，这些节点也可以作为业务受理节点。

在本发明申请实施例中，区域链的节点可以作为图像数据的受理节点，也可以不作为图像数据的受理节点，而作为用于发起共识处理的节点，或者本次共识处理的节点，这里不做具体限定。

若区域链的节点作为图像数据的受理节点，那么该区块链节点可以从本地存储的所受理的图像数据中捞取一部分图像数据作为待共识的图像数据，以便于后续针对捞取的该部分图像数据发起共识处理。

若区域链的节点不作为图像数据的受理节点而作为本次共识处理的节点，那么该区块链节点可以从待共识的图像数据资源池中捞取一部分图像数据作为待共识的图像数据，以便于后续发起针对捞取到的该部分图像数据的共识处理。

所述节点的类型可以是个体、企业、监管机构等，也可以是信用高、信用中、信用低等不同的信用等级。总之，节点的类型可以根据实际情况划分，本申请对此不做限制。

具体而言，其可以在终端上安装内置对接标准协议的客户端，就可以通过该客户端随时提交业务请求了。

具体地，首先对获取的所述图像进行Hash变换，获得图像的摘要数据；接着用所述图像对应的公私密钥对中的私钥，对所述图像的摘要数据进行数字加密，获得加密的图像摘要数据；最后将所述图像的数字签名与上一个区块的摘要数据、所述图像的摘要数据封装成区块。

其中，所述公私密钥对的生成方法具体是：根据所述图像的特征向量与由随机数生成器生成的随机数，生成私钥，并基于所述私钥生成公钥。

需要说明的是，区块链网络可以为每一个学生预设一个公私密钥对，不同学生的私钥不同，这样，区块链节点利用该学生的私钥对该学生的图像数据进行加密处理，能够保证该学生的图像数据的安全性。

步骤S1032，将所述区块发送至区块链上的各共识节点进行共识校验；

由于作为区块的用户信息发送至该共识节点，所以该节点在接收到该交易数据时，只要该交易数据中包含用户信息，便可确定该区块对应的处理数据是由哪个用户方受理的。

需要说明的是，该节点可以是终端，如，手机、个人电脑/平板电脑、溯源终端等设备，也可以是服务器，则该服务器可为该节点对应的服务器，并且该服务器可以是单独的一台设备，也可以是有多台设备组成的系统，只要该设备可作为该区块链网络的节点接收与该共识节点对应的图像数据，并且具有在该区块链网络中发起共识的权限即可，本申请对该节点的具体为何种设备此并不做限定。

对于每一个节点而言，所述节点的共识校验过程具体是：所述节点可用自身所持有的公钥，对该区块中包含的签名信息进行验证，在确定出该签名信息通过验证后，再根据该区块中包含的内容，对该区块的头哈希值进行验证。在确定该区块的头哈希值通过验证后，则可确定该区块通过验证，即区块通过区块链验证。

其中，校验码类型可以配置为各种本领域技术人员常用的加密算法或校验算法所生成的校验码。

需要说明的是，在区块链技术领域，具体是各节点根据共识算法对交易数据进行共识校验的，并且，区块链网络有权访问各节点的账户记录等隐私，用于校验。

步骤S1033，若校验通过，将所述区块添加至区块链中，并将所述图像发送至校园数据库以存储。

由于图像数据所占容量比较大，如果在区块链网络中直接进行传输，将降低区块链网络的数据处理效率。因而，将图像数据存储在校园数据库中，为了防止这些医疗数据被篡改，将这些图像数据的摘要数据存储在区块链网络中，一旦图像数据被修改，意味着修改后的图像数据的摘要数据将与原始的图像数据的摘要数据不同，这样既不影响区块链网络的处理效率，也能够保证这些图像数据不被篡改，维护图像数据的真实性和完整性。

具体的，若校验通过，将所述区块添加至区块链中，建立所述摘要数据与所述图像的图像标识之间的映射关系，根据所述映射关系，将所述图像分布式存储至所述校园数据库。这样，方便其他区块链节点在需要该摘要数据对应的图像数据时，能够从该区块链节点对应的校园数据库中快速查找到该图像数据。

步骤S104，接收对所述图像的查询请求，确定所查询的图像的摘要数据，并将所述摘要数据对应的图像通过所述校园数据库返回。

具体地，由于图像数据涉及到学生的个人隐私，因此，在接收用户对学生的所述图像数据的查询请求时，需要对该用户进行身份验证，比如是否本校学生家长或老师，如果身份正确，则将查询请求中的图像指纹与自身存储的所有历史图像数据的图像指纹进行比较。如果找到相同的图像指纹，表明查询请求中的图像指纹属于某历史图像数据，返回查询成功。此时可展示出该历史图像数据的部分或全部内容或将所述图像数据发送给发起查询的用户。如果未找到相同的图像指纹，表明查询请求中的图像指纹不属于任何历史图像数据，返回查询失败。

所述图像指纹是指由图像数据根据加密算法得到的指纹值，不能反向推导出图像数据，仅能用来验证图像数据是否存在以及是否被篡改。例如，哈希函数是可以是本申请的一种加密算法，但对于具体为何种加密算法此并不做限定，使用其它的加密算法也在本发明申请的保护范围之内。

需要说明的是，本发明申请实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。

实施例二

本发明一实施例提供了一种基于物联网校园管理的图像处理方法，如图2所示，以下方法实施例中各步骤的执行主体具体可以为具有生物识别功能的各种设备，例如：手机、个人电脑，PAD，门禁设备等，该图像处理方法具体可以包括如下步骤：

步骤S201，对图像进行分块，其中，任意分块图像之间均无重叠区域；

具体地，对原始图像进行分块处理，将原始图像分成若干块。可以是预先设置将原始图像分为4块、8块等确定块数，还可以是根据可容纳的原始图像的像素点数量确定分块数量，从而来对原始图像进行分块处理。其中，任意分块图像之间都不存在重叠的区域。在本发明申请实施例中，所述的分块方法主要应用于面部特征的提取，需要提取特征的图像一般为面部图像，对于分块数量不做限制，具体可根据实际需要设置。

步骤S202，提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

在本发明申请实施例中，提取各所述分块图像的特征向量的提前方法可以是代数特征，该代数特征包含对应分块图像中的景物的信息，可用于后续图像识别。

在实际应用中，进行图像分块提取时，通常需要处理大量的图像，在本发明申请实施例中，应用于并行器件，例如，现场可编程门阵列等，通过并行器件的处理能力，来实现多个图像分块提取的并行处理。

具体地，提取分块图像特征的方法可以包括傅立叶变换法、窗口傅立叶变换法、小波变换法、最小二乘法、边界方向直方图法等，可采用上述各种现有的方法对分块处理后得到的每个分块图像进行主成分特征相位矩阵提取。例如：可以采用局部二值模式LBP描述子提取方法得到每个分块图像的LBP直方图，进一步的，还可以根据每个分块图像的LBP 直方图提取每个分块图像的特征向量。或者，求出分块图像的均值，将每个分块图像减去平均值得到标准化的分块图像，对每个标准化的子图像矩阵，求出协方差矩阵，然后求出协方差矩阵的特征向量以及特征值。选取前最大的若干个特征值对应的特征向量，根据每个分块图像的特点求出每个分块图像的权重向量。

在实际应用中，上述提取出的每个分块图像的特征向量的维度通常很高，后续的匹配计算的复杂度会很高，相应的计算时间也会很长，因此，本公开实施例所示的方案中，图像处理设备可以先使用分块图像特征方法提取后的各所述特征向量组成一个特征矩阵，再对所述特征矩阵进行降维，将每个特征向量的维度降低，以降低后续计算的复杂度以及计算时间。

在本发明申请实施例中，图像处理设备可以通过主分量分析(principalcomponents analysis，PCA)算法来对每个分块图像的特征向量进行降维处理。主分量分析算法常用于减少数据集的维数，旨在利用降维的思想，把多指标转化为少数几个综合指标，具体是通过保留低阶主成分，忽略高阶主成分，保持数据集中对方差贡献最大的特征，等价于保留了数据中的最重要特征。

步骤S203，将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

具体地，遍历降维的特征矩阵与在特征库中样本数据的欧氏距离匹配度识别上述图像，更具体地，搜索与上述降维的特征矩阵的距离最小的特征库中样本数据，判断上述降维的特征矩阵和所有特征库中样本数据距离的最小值是否大于设定阈值，若为是，则匹配，这样降维的降维的特征矩阵对应的原始图像即为识别结果，否则，则判为无识别结果。

当降维的特征矩阵与在特征库中样本数据匹配，将降维的降维的特征矩阵对应的原始图像存储，如图3所示，详细描述具体如下：

步骤S2031，利用所述图像生成区块；

受理图像数据的设备可以是区块链的节点，该节点可以称之为业务受理节点，并发起对该图像数据的共识。除了该节点之外，还可以包含多个节点，若这些节点参与该图像数据的共识处理，那么这些节点可以称之为共识节点。此外，这些节点也可以作为业务受理节点。

在本发明申请实施例中，区域链的节点可以作为图像数据的受理节点，也可以不作为图像数据的受理节点，而作为用于发起共识处理的节点，或者本次共识处理的节点，这里不做具体限定。

若区域链的节点作为图像数据的受理节点，那么该区块链节点可以从本地存储的所受理的图像数据中捞取一部分图像数据作为待共识的图像数据，以便于后续针对捞取的该部分图像数据发起共识处理。

若区域链的节点不作为图像数据的受理节点而作为本次共识处理的节点，那么该区块链节点可以从待共识的图像数据资源池中捞取一部分图像数据作为待共识的图像数据，以便于后续发起针对捞取到的该部分图像数据的共识处理。

所述节点的类型可以是个体、企业、监管机构等，也可以是信用高、信用中、信用低等不同的信用等级。总之，节点的类型可以根据实际情况划分，本申请对此不做限制。

具体而言，其可以在终端上安装内置对接标准协议的客户端，就可以通过该客户端随时提交业务请求了。

具体地，首先对获取的所述图像进行Hash变换，获得图像的摘要数据；接着用所述图像对应的公私密钥对中的私钥，对所述图像的摘要数据进行数字加密，获得加密的图像摘要数据；最后将所述图像的数字签名与上一个区块的摘要数据、所述图像的摘要数据封装成区块。

其中，所述公私密钥对的生成方法具体是：根据所述图像的特征向量与由随机数生成器生成的随机数，生成私钥，并基于所述私钥生成公钥。

需要说明的是，区块链网络可以为每一个学生预设一个公私密钥对，不同学生的私钥不同，这样，区块链节点利用该学生的私钥对该学生的图像数据进行加密处理，能够保证该学生的图像数据的安全性。

步骤S2032，将所述区块发送至区块链上的各共识节点进行共识校验；

由于作为区块的用户信息发送至该共识节点，所以该节点在接收到该交易数据时，只要该交易数据中包含用户信息，便可确定该区块对应的处理数据是由哪个用户方受理的。

需要说明的是，该节点可以是终端，如，手机、个人电脑/平板电脑、溯源终端等设备，也可以是服务器，则该服务器可为该节点对应的服务器，并且该服务器可以是单独的一台设备，也可以是有多台设备组成的系统，只要该设备可作为该区块链网络的节点接收与该共识节点对应的图像数据，并且具有在该区块链网络中发起共识的权限即可，本申请对该节点的具体为何种设备此并不做限定。

对于每一个节点而言，所述节点的共识校验过程具体是：所述节点可用自身所持有的公钥，对该区块中包含的签名信息进行验证，在确定出该签名信息通过验证后，再根据该区块中包含的内容，对该区块的头哈希值进行验证。在确定该区块的头哈希值通过验证后，则可确定该区块通过验证，即区块通过区块链验证。

其中，校验码类型可以配置为各种本领域技术人员常用的加密算法或校验算法所生成的校验码。

需要说明的是，在区块链技术领域，具体是各节点根据共识算法对交易数据进行共识校验的，并且，区块链网络有权访问各节点的账户记录等隐私，用于校验。

步骤S2033，若校验通过，将所述区块添加至区块链中，并将所述图像发送至校园数据库以存储。

由于图像数据所占容量比较大，如果在区块链网络中直接进行传输，将降低区块链网络的数据处理效率。因而，将图像数据存储在校园数据库中，为了防止这些医疗数据被篡改，将这些图像数据的摘要数据存储在区块链网络中，一旦图像数据被修改，意味着修改后的图像数据的摘要数据将与原始的图像数据的摘要数据不同，这样既不影响区块链网络的处理效率，也能够保证这些图像数据不被篡改，维护图像数据的真实性和完整性。

具体的，若校验通过，将所述区块添加至区块链中，建立所述摘要数据与所述图像的图像标识之间的映射关系，根据所述映射关系，将所述图像分布式存储至所述校园数据库。这样，方便其他区块链节点在需要该摘要数据对应的图像数据时，能够从该区块链节点对应的校园数据库中快速查找到该图像数据。

步骤S204，将所述区块链划分为多个区块子链，依次向各所述区块子链的节点请求查询；

为了提高查询效率，将所述区块链划分为多个区块子链，向各所述区块子链的节点请求查询。

具体地，将区块链划分为长度为256的多个区块子链，依次遍历请求查询各区块子链，各区块子链的区块的队列号为1-256、257-512、513-768、……，等。

在一个可选的实施例中，还可根据实际需求将区块子链的长度设置为其它不同大小的固定长度或可变长度。

步骤S205，接收对所述图像的查询请求，确定所查询的图像的摘要数据，并将所述摘要数据对应的图像通过所述校园数据库返回。

具体地，由于图像数据涉及到学生的个人隐私，因此，在接收用户对学生的所述图像数据的查询请求时，需要对该用户进行身份验证，比如是否本校学生家长或老师，如果身份正确，则将查询请求中的图像指纹与自身存储的所有历史图像数据的图像指纹进行比较。如果找到相同的图像指纹，表明查询请求中的图像指纹属于某历史图像数据，返回查询成功。此时可展示出该历史图像数据的部分或全部内容或将所述图像数据发送给发起查询的用户。如果未找到相同的图像指纹，表明查询请求中的图像指纹不属于任何历史图像数据，返回查询失败。

所述图像指纹是指由图像数据根据加密算法得到的指纹值，不能反向推导出图像数据，仅能用来验证图像数据是否存在以及是否被篡改。例如，哈希函数是可以是本申请的一种加密算法，但对于具体为何种加密算法此并不做限定，使用其它的加密算法也在本发明申请的保护范围之内。

需要说明的是，本发明申请实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。

实施例三

本发明一实施例提供了一种基于物联网校园管理的图像处理系统，在本发明实施例中，本实施例中的信息推送系统为执行上述基于物联网校园管理的图像处理方法的特定主体，如图4所示，该信息推送系统具体可以包括如下模块：

分块模块，用于对图像进行分块，其中，任意分块图像之间均无重叠区域；

处理模块，用于提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

匹配模块，用于将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

实施例四

本发明一实施例提供了一种基于物联网校园管理的图像处理设备，如图5所示，该信息推送设备具体可以包括如下模块：

通信总线，用于实现处理器与存储器间的连接通信；

存储器，用于存储计算机程序；存储器可能包含高速RAM存储器，也可能还包含非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器可选的可以包含至少一个存储装置。

处理器，用于执行上述计算机程序以实现如下步骤：

步骤S301，对图像进行分块，其中，任意分块图像之间均无重叠区域；

具体地，对原始图像进行分块处理，将原始图像分成若干块。可以是预先设置将原始图像分为4块、8块等确定块数，还可以是根据可容纳的原始图像的像素点数量确定分块数量，从而来对原始图像进行分块处理。其中，任意分块图像之间都不存在重叠的区域。在本发明申请实施例中，所述的分块方法主要应用于面部特征的提取，需要提取特征的图像一般为面部图像，对于分块数量不做限制，具体可根据实际需要设置。

步骤S302，提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

在本发明申请实施例中，提取各所述分块图像的特征向量的提前方法可以是代数特征，该代数特征包含对应分块图像中的景物的信息，可用于后续图像识别。

在实际应用中，进行图像分块提取时，通常需要处理大量的图像，在本发明申请实施例中，应用于并行器件，例如，现场可编程门阵列等，通过并行器件的处理能力，来实现多个图像分块提取的并行处理。

具体地，提取分块图像特征的方法可以包括傅立叶变换法、窗口傅立叶变换法、小波变换法、最小二乘法、边界方向直方图法等，可采用上述各种现有的方法对分块处理后得到的每个分块图像进行主成分特征相位矩阵提取。例如：可以采用局部二值模式LBP描述子提取方法得到每个分块图像的LBP直方图，进一步的，还可以根据每个分块图像的LBP 直方图提取每个分块图像的特征向量。或者，求出分块图像的均值，将每个分块图像减去平均值得到标准化的分块图像，对每个标准化的子图像矩阵，求出协方差矩阵，然后求出协方差矩阵的特征向量以及特征值。选取前最大的若干个特征值对应的特征向量，根据每个分块图像的特点求出每个分块图像的权重向量。

在实际应用中，上述提取出的每个分块图像的特征向量的维度通常很高，后续的匹配计算的复杂度会很高，相应的计算时间也会很长，因此，本公开实施例所示的方案中，图像处理设备可以先使用分块图像特征方法提取后的各所述特征向量组成一个特征矩阵，再对所述特征矩阵进行降维，将每个特征向量的维度降低，以降低后续计算的复杂度以及计算时间。

在本发明申请实施例中，图像处理设备可以通过主分量分析(principalcomponents analysis，PCA)算法来对每个分块图像的特征向量进行降维处理。主分量分析算法常用于减少数据集的维数，旨在利用降维的思想，把多指标转化为少数几个综合指标，具体是通过保留低阶主成分，忽略高阶主成分，保持数据集中对方差贡献最大的特征，等价于保留了数据中的最重要特征。

步骤S303，将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

具体地，遍历降维的特征矩阵与在特征库中样本数据的欧氏距离匹配度识别上述图像，更具体地，搜索与上述降维的特征矩阵的距离最小的特征库中样本数据，判断上述降维的特征矩阵和所有特征库中样本数据距离的最小值是否大于设定阈值，若为是，则匹配，这样降维的降维的特征矩阵对应的原始图像即为识别结果，否则，则判为无识别结果。

当降维的特征矩阵与在特征库中样本数据匹配，将降维的降维的特征矩阵对应的原始图像存储，详细描述具体如下：

步骤S3031，利用所述图像生成区块；

受理图像数据的设备可以是区块链的节点，该节点可以称之为业务受理节点，并发起对该图像数据的共识。除了该节点之外，还可以包含多个节点，若这些节点参与该图像数据的共识处理，那么这些节点可以称之为共识节点。此外，这些节点也可以作为业务受理节点。

在本发明申请实施例中，区域链的节点可以作为图像数据的受理节点，也可以不作为图像数据的受理节点，而作为用于发起共识处理的节点，或者本次共识处理的节点，这里不做具体限定。

若区域链的节点作为图像数据的受理节点，那么该区块链节点可以从本地存储的所受理的图像数据中捞取一部分图像数据作为待共识的图像数据，以便于后续针对捞取的该部分图像数据发起共识处理。

若区域链的节点不作为图像数据的受理节点而作为本次共识处理的节点，那么该区块链节点可以从待共识的图像数据资源池中捞取一部分图像数据作为待共识的图像数据，以便于后续发起针对捞取到的该部分图像数据的共识处理。

所述节点的类型可以是个体、企业、监管机构等，也可以是信用高、信用中、信用低等不同的信用等级。总之，节点的类型可以根据实际情况划分，本申请对此不做限制。

具体而言，其可以在终端上安装内置对接标准协议的客户端，就可以通过该客户端随时提交业务请求了。

具体地，首先对获取的所述图像进行Hash变换，获得图像的摘要数据；接着用所述图像对应的公私密钥对中的私钥，对所述图像的摘要数据进行数字加密，获得加密的图像摘要数据；最后将所述图像的数字签名与上一个区块的摘要数据、所述图像的摘要数据封装成区块。

其中，所述公私密钥对的生成方法具体是：根据所述图像的特征向量与由随机数生成器生成的随机数，生成私钥，并基于所述私钥生成公钥。

需要说明的是，区块链网络可以为每一个学生预设一个公私密钥对，不同学生的私钥不同，这样，区块链节点利用该学生的私钥对该学生的图像数据进行加密处理，能够保证该学生的图像数据的安全性。

步骤S3032，将所述区块发送至区块链上的各共识节点进行共识校验；

由于作为区块的用户信息发送至该共识节点，所以该节点在接收到该交易数据时，只要该交易数据中包含用户信息，便可确定该区块对应的处理数据是由哪个用户方受理的。

需要说明的是，该节点可以是终端，如，手机、个人电脑/平板电脑、溯源终端等设备，也可以是服务器，则该服务器可为该节点对应的服务器，并且该服务器可以是单独的一台设备，也可以是有多台设备组成的系统，只要该设备可作为该区块链网络的节点接收与该共识节点对应的图像数据，并且具有在该区块链网络中发起共识的权限即可，本申请对该节点的具体为何种设备此并不做限定。

对于每一个节点而言，所述节点的共识校验过程具体是：所述节点可用自身所持有的公钥，对该区块中包含的签名信息进行验证，在确定出该签名信息通过验证后，再根据该区块中包含的内容，对该区块的头哈希值进行验证。在确定该区块的头哈希值通过验证后，则可确定该区块通过验证，即区块通过区块链验证。

其中，校验码类型可以配置为各种本领域技术人员常用的加密算法或校验算法所生成的校验码。

需要说明的是，在区块链技术领域，具体是各节点根据共识算法对交易数据进行共识校验的，并且，区块链网络有权访问各节点的账户记录等隐私，用于校验。

步骤S3033，若校验通过，将所述区块添加至区块链中，并将所述图像发送至校园数据库以存储。

由于图像数据所占容量比较大，如果在区块链网络中直接进行传输，将降低区块链网络的数据处理效率。因而，将图像数据存储在校园数据库中，为了防止这些医疗数据被篡改，将这些图像数据的摘要数据存储在区块链网络中，一旦图像数据被修改，意味着修改后的图像数据的摘要数据将与原始的图像数据的摘要数据不同，这样既不影响区块链网络的处理效率，也能够保证这些图像数据不被篡改，维护图像数据的真实性和完整性。

具体的，若校验通过，将所述区块添加至区块链中，建立所述摘要数据与所述图像的图像标识之间的映射关系，根据所述映射关系，将所述图像分布式存储至所述校园数据库。这样，方便其他区块链节点在需要该摘要数据对应的图像数据时，能够从该区块链节点对应的校园数据库中快速查找到该图像数据。

步骤S304，将所述区块链划分为多个区块子链，依次向各所述区块子链的节点请求查询；

为了提高查询效率，将所述区块链划分为多个区块子链，向各所述区块子链的节点请求查询。

具体地，将区块链划分为长度为256的多个区块子链，依次遍历请求查询各区块子链，各区块子链的区块的队列号为1-256、257-512、513-768、……，等。

在一个可选的实施例中，还可根据实际需求将区块子链的长度设置为其它不同大小的固定长度或可变长度。

步骤S305，接收对所述图像的查询请求，确定所查询的图像的摘要数据，并将所述摘要数据对应的图像通过所述校园数据库返回。

具体地，由于图像数据涉及到学生的个人隐私，因此，在接收用户对学生的所述图像数据的查询请求时，需要对该用户进行身份验证，比如是否本校学生家长或老师，如果身份正确，则将查询请求中的图像指纹与自身存储的所有历史图像数据的图像指纹进行比较。如果找到相同的图像指纹，表明查询请求中的图像指纹属于某历史图像数据，返回查询成功。此时可展示出该历史图像数据的部分或全部内容或将所述图像数据发送给发起查询的用户。如果未找到相同的图像指纹，表明查询请求中的图像指纹不属于任何历史图像数据，返回查询失败。

所述图像指纹是指由图像数据根据加密算法得到的指纹值，不能反向推导出图像数据，仅能用来验证图像数据是否存在以及是否被篡改。例如，哈希函数是可以是本申请的一种加密算法，但对于具体为何种加密算法此并不做限定，使用其它的加密算法也在本发明申请的保护范围之内。

需要说明的是，本发明申请实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。

本实施例中的处理器可能是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。上述处理器可以是微处理器或者上述处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

实施例五

本发明一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述基于物联网校园管理的图像处理方法。

综上上述，本发明实施例提供的一种基于基于物联网校园管理的图像处理方法及系统，通过对图像分块、降维的处理，借用去中心化的区块链来实施图像摘要与图像数据的分离存储，改变了基于中心化的数据存储技术。所以，本发明实施例达到了以下技术效果：解决现有技术中存在的随着校园学生图像数据量的不断增长，容易导致校园网络拥堵及存储负担；避免了传统集中式的图像处理存储模式下潜在的诸如宕机、运行故障等状况下被整体损坏的风险；由于区块链具备的防篡改特性，因而图像摘要与数据分离的存储致使任意一方无法私自对存储数据进行篡改，从而既有效保证了图像数据的安全性，又能够保证数据了图像数据的真实性、完整性，并实现了图像数据的有效查询。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

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申请的范围。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于物联网校园管理的图像处理方法，其特征在于，所述方法包括：

对图像进行分块，其中，任意分块图像之间均无重叠区域；

提取各所述分块图像的特征向量，将各所述特征向量组成特征矩阵，对所述特征矩阵进行降维；

将降维的特征矩阵在特征库中进行匹配，若匹配，则存储所述图像。

2.根据权利要求1所述的方法，其特征在于，所述存储所述图像，所述方法包括：

利用所述图像生成区块；

将所述区块发送至区块链上的各共识节点进行共识校验；

若校验通过，将所述区块添加至区块链中，并将所述图像发送至校园数据库以存储。

3.根据权利要求2所述的方法，其特征在于，所述利用所述图像生成区块，所述方法包括：

对获取的所述图像进行Hash变换，获得图像的摘要数据；

用所述图像对应的公私密钥对中的私钥，对所述图像的摘要数据进行数字加密，获得加密的图像摘要数据；

将所述图像的数字签名与上一个区块的摘要数据、所述图像的摘要数据封装成区块。

4.根据权利要求3所述的方法，其特征在于，所述公私密钥对的生成方法，所述方法包括：

根据所述图像的特征向量与由随机数生成器生成的随机数，生成私钥，并基于所述私钥生成公钥。

5.根据权利要求3所述的方法，其特征在于，所述将所述图像发送至校园数据库以存储，所述方法包括：

建立所述摘要数据与所述图像的图像标识之间的映射关系，根据所述映射关系，将所述图像存储至所述校园数据库。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

接收对所述图像的查询请求，确定所查询的图像的摘要数据，并将所述摘要数据对应的图像通过所述校园数据库返回。

7.根据权利要求6所述的方法，其特征在于，在所述接收对所述图像的查询请求之前，所述方法还包括：将所述区块链划分为多个区块子链，依次向各所述区块子链的节点请求查询。

8.一种基于物联网校园管理的图像处理系统，其特征在于，包括：

分块模块，用于将获取的图像进行分块，提取所述图像的各个图像帧的特征；

处理模块，用于对所述各个图像帧的特征进行去重处理，并将去重处理后的各所述特征级联为所述图像的特征向量；

识别模块，用于把所述特征向量在图像特征库中进行匹配，若匹配，则存储所述图像。

9.一种基于物联网校园管理的图像处理设备，其特征在于，包括：

通信总线，用于实现处理器与存储器间的连接通信；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如下步骤：

将获取的图像进行分块，提取所述图像的各个图像帧的特征；

对所述各个图像帧的特征进行去重处理，并将去重处理后的各所述特征级联为所述图像的特征向量；

把所述特征向量在图像特征库中进行匹配，若匹配，则存储所述图像。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。