CN109614238A - 一种目标对象识别方法、装置、系统及可读存储介质 - Google Patents
一种目标对象识别方法、装置、系统及可读存储介质 Download PDFInfo
- Publication number
- CN109614238A CN109614238A CN201811513572.4A CN201811513572A CN109614238A CN 109614238 A CN109614238 A CN 109614238A CN 201811513572 A CN201811513572 A CN 201811513572A CN 109614238 A CN109614238 A CN 109614238A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- characteristic
- pending data
- network
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种目标对象识别方法,包括:根据待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度边缘网络中与任务需求相对应数量的边缘设备对待处理数据进行特征提取,生成特征数据,识别与待处理数据对应的目标对象。本发明还公开了一种目标对象识别方法、装置、系统及计算机可读存储介质。本发明在进行目标对象识别时,通过边缘网络中的多个边缘设备来对待处理数据进行特征提取和识别,每个边缘设备均可提供一部分计算资源,并不需要集中占用较多的计算资源。并且,本方案在特征提取的过程中,边缘设备的数量可根据实际情况进行调度,从而通过这种并行处理方式可快速的对海量数据进行处理,提高目标对象的识别速率。
Description
技术领域
本发明涉及对象识别技术领域,尤其涉及一种目标对象识别方法、装置、系统及计算机可读存储介质。
背景技术
随着各种监控数据的大量增加,目标对象识别的需求日益增大,以人脸识别为例,如何利用人脸识别模型对大量数据提供资源,以进行高精度的人脸识别是目前数据处理中的一个重要需求。
目前对人脸识别时,用户需要上传照片或者建立自己的人脸库后,通过调用其他公司的API(Application Programming Interface,应用程序编程接口)来对人物进行检索,针对这种处理方式,公司通过提供商业模型来对数据进行处理,如果待处理数据的数据量很大,会消耗过多的计算资源,并且,由于用户的使用费用是通过商业模型的硬件使用数量和待处理数据的数据量大小来决定的,这时如果使用硬件较少,则无法处理海量数据,如果使用的硬件较多,则使用费用会很昂贵。如若用户自己训练模型,那么其自训练模型的准确度依赖于数据和算法团队,开发时间长且成本高,如果训练数据不够,那么训练后的模型准确率将不满足使用需求。
因此,如何提高目标对象的识别速率是本领域技术人员需要解决的问题。
发明内容
本发明的主要目的在于提供一种目标对象识别方法、装置、系统及计算机可读存储介质,旨在解决不占用过多的计算资源的基础上,提高人脸识别的速率的技术问题。
为实现上述目的,本发明提供的一种目标对象识别方法,所述方法包括:
确定边缘网络以及待处理数据;
根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据;
利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象。
可选地,所述确定边缘网络以及待处理数据,包括:
根据边缘网络设定指令确定边缘网络;所述边缘网络包括:由自有边缘设备和/或公有边缘设备构成的边缘网络;
从预先设定的数据获取路径中,获取自有硬盘上存储的原始数据,并通过所述边缘网络中的边缘设备对所述原始数据进行预处理及标准化处理,生成所述待处理数据。
可选地,若所述边缘网络为由公有边缘设备构成的边缘网络,或者由自有边缘设备和公有边缘设备构成的边缘网络,则所述确定边缘网络以及待处理数据之后,还包括:
根据所述待处理数据的数据量信息及处理时限信息,生成费用提示信息。
可选地,所述根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据,包括:
在执行特征提取过程前,根据所述待处理数据的数据量信息及处理时限信息,确定执行特征提取过程的初始边缘设备数量需求,以从所述边缘网络中调用对应数量的边缘设备对所述待处理数据进行初始特征提取操作;其中,所述边缘网络中的每个边缘设备中均包括与所述特征提取过程相对应的多维特征提取模型;
在执行特征提取过程中的每个特征提取操作前,根据本操作的类型信息、本次操作需要处理的数据量信息,动态生成本操作所需要的边缘设备数量需求,并根据边缘设备数量需求从所述边缘网络中调用对应数量的边缘设备执行本操作。
可选地,在执行特征提取过程中时,所述方法还包括:
监控所述边缘网络中是否存在工作异常的边缘设备;
若存在,则对工作异常的边缘设备进行异常处理。
可选地,若所述目标对象为人脸,则所述根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据,包括:
根据所述待处理数据的属性信息,从所述边缘网络中调用对应数量的边缘设备对所述待处理数据进行人脸区域检测,获得人脸区域检测结果;
根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行特征检测,得到与所述待处理数据对应的特征数据。
可选地,得到与所述待处理数据对应的特征数据之后,还包括:
利用所述特征数据更新二维特征数据库。
可选地,所述获得人脸区域检测结果之后,还包括:
根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行检测,得到人脸属性数据和特征点数据;
根据所述特征数据、所述人脸属性数据、所述特征点数据的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述特征数据、所述人脸属性数据、所述特征点数据进行三维融合,生成三维融合参数;
利用所述三维融合参数更新三维特征数据库。
可选地,所述利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象,包括:
判断所述特征数据是否为正脸数据;
若是,则将所述特征数据与二维特征数据库进行对比,以识别与所述待处理数据对应的目标对象;
若否,则将所述特征数据与三维特征数据库进行对比,以识别与所述待处理数据对应的目标对象。
为实现上述目的,本发明进一步提供一种目标对象识别装置,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的目标对象识别程序,所述目标对象识别程序被所述处理器执行时实现上述公开的目标对象识别方法。
可选的,所述装置为组成CDN网络或者区块链网络的节点。
为实现上述目的,本发明进一步提供一种目标对象识别系统,所述系统包括:
第一确定单元,用于确定边缘网络;
第二确定单元,用于确定待处理数据;
特征数据获取单元,用于根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据;
识别单元,用于利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象。
为实现上述目的,本发明进一步提供一种计算机可读存储介质,所述计算机可读存储介质上存储有目标对象识别程序,所述目标对象识别程序可被一个或者多个处理器执行,以实现上述公开的目标对象识别方法。
通过以上方案可知,本发明实施例提供的一种目标对象识别方法,所述方法包括:确定边缘网络以及待处理数据;根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据;利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象;
可见,本方案在进行目标对象识别时,通过边缘网络中的多个边缘设备来对待处理数据进行特征提取和识别,每个边缘设备均可提供一部分计算资源,并不需要集中占用较多的计算资源;并且,本方案在特征提取的过程中,边缘设备的数量可根据实际情况进行调度,从而通过这种并行处理方式可快速的对海量数据进行处理,提高目标对象的识别速率。
进一步,本方案还公开了一种目标对象识别方法、装置、系统及计算机可读存储介质,同样能实现上述技术效果。
附图说明
图1为本发明一实施例的流程示意图;
图2为图1中确定边缘网络以及待处理数据步骤的细化流程示意图;
图3为本发明一实施例揭露的系统架构示意图;
图4为本发明另一实施例的流程示意图;
图5为本发明一实施例揭露的一种集群分配与调度示意图;
图6为本发明另一实施例的流程示意图;
图7为本发明一实施例揭露的一种数据库特征更新整体流程示意图;
图8为本发明一实施例揭露的一种目标对象的整体流程示意图;
图9为本发明一实施例揭露的目标对象识别系统结构示意图;
图10为本发明一实施例揭露的目标对象识别装置。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明实施例公开一种目标对象识别方法。
参照图1,图1为本发明一实施例的流程示意图,在本实施例中,该方法包括:
S10、确定边缘网络以及待处理数据;
可以理解的是,本方案中的边缘网络为由边缘设备组成的网络,该边缘设备是向企业或服务提供商核心网络提供入口点的设备。它们例如:路由器、路由交换机、集成接入设备(IAD)、多路复用器,以及各种城域网(MAN)和广域网(WAN)接入设备。本方案之所以要确定边缘网络,是由于边缘网络是由多个边缘设备组成的,因此边缘网络中边缘设备的数量和类型等信息,均可在对目标对象识别之前进行自定义设定。
本方案中的待处理数据为需要进行目标对象识别的数据,该目标对象可以是人脸、车辆等任意对象,在此并不具体限定。而在本方案中,需要通过边缘网络来对待处理数据进行处理,以识别待处理数据中的目标对象,例如:用户想从一段视频中查找目标人脸,则该视频即为本方案中的待处理数据,而处理这段视频的网络即为本方案中的边缘网络。
S20、根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据;
在本方案中,待处理数据的属性信息可以包括待处理数据的数据量信息、待处理数据的处理时限信息等;进而,特征提取过程为边缘网络对待处理数据进行特征提取的过程,可以理解的是,在特征提取过程中,必然包括不同的处理操作,由于不同操作之间的执行顺序以及所执行操作的具体类型不同,导致不同操作下对边缘设备的数量需求也不同。
因此,在本实施例中,在执行特征提取过程中的每个操作时,需要根据待处理数据的属性信息和特征提取过程中动态生成的任务需求,动态调度不同数量的边缘设备来对数据进行处理,这种通过多个边缘设备并行处理数据的过程,可以提高数据处理过程。并且,这种通过动态调度边缘设备的方式,可以让边缘网络适应于处理不同的数据,提高处理过程中的整体性能。
需要说明的是,本实施例中的每个边缘设备上均设置有执行不同操作的模型,例如进行人脸识别时,便需要预先在所有的边缘设备上布置所有AI(ArtificialIntelligence)模型,例如人脸检测、性别识别、年龄识别、人脸矫正、人脸识别等多个模型,这样在动态调度时,每个边缘设备都可以在执行上一操作后继续执行下一操作,提高了操作的灵活性。
S30、利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象。
可以理解的是,本方案中的数据库,可以是用户指定的已有的数据库,也可以是经过处理后生成的数据库,以人脸识别为例:如果用户没有指定人脸数据库,则在人脸识别初期,需要建立相应人脸库。未识别的人脸达到预设的初始值之后,开始进行初期的聚类,并在之后进行识别-聚类的滚动迭代,并用特征点与三维特征校验,获取有效的人脸,还原三维模型,从而形成人脸数据库。进一步,通过上一步骤获取的特征数据与数据库中的特征进行对比检索,识别待处理数据中的目标对象。
可以看出,本方案在进行目标对象识别时,通过边缘网络中的多个边缘设备来对待处理数据进行特征提取和识别,每个边缘设备均可提供一部分计算资源,并不需要集中占用较多的计算资源;并且,本方案在特征提取的过程中,边缘设备的数量可根据实际情况进行调度,从而通过这种并行处理方式可快速的对海量数据进行处理,提高目标对象的识别速率。
基于上述实施例,在本实施例中,S10中确定边缘网络以及待处理数据,具体可以包括:
根据边缘网络设定指令确定边缘网络;所述边缘网络包括:由自有边缘设备和/或公有边缘设备构成的边缘网络;
从预先设定的数据获取路径中,获取自有硬盘上存储的原始数据,并通过所述边缘网络中的边缘设备对所述原始数据进行预处理及标准化处理,生成所述待处理数据。
参见图2,为图1中确定边缘网络以及待处理数据步骤的细化流程示意图;参见图3,为本发明一实施例揭露的系统架构示意图;在本方案中,边缘设备的类型包括自有边缘设备和公有边缘设备这两种类型,自有边缘设备是用户购买的属于自己的边缘设备,公有边缘设备为其他人共享的边缘设备,也就是可以利用其它人的设备资源来处理自己的数据;通过图3可以看出,与节点分配服务器相连的网络包括自有网络和共有网络,自有网络中的设备为自有边缘设备,共有网络中的设备可以均为公有边缘设备,或者是由自有边缘设备和公有边缘设备共同构成。
目前随着各种监控数据的大量增加,如何针对海量数据进行保密性的目标对象识别成为一个更为普遍需求。在本实施例中,每个边缘设备都要外接存储设备,而且可以划定一部分空间作为共有空间。自有网络在进行数据处理时,直接使用自己存储设备上的数据;而公有网络会将需要处理的部分数据,加密后传输挂载在公有内存中。因此,如果仅通过自有边缘设备来处理数据,由于所有的数据均是通过自己的设备来处理的,数据不需要共享至其他边缘设备,因此,通过这种方式可保证数据的私密性;但是,这种方式的总体速度受限与所购买的设备数,如若对数据的私密性没有要求,可以选择公有网络来处理数据。并且,在通过公有网络进行数据的处理时,可将数据加密后再进行存储和传输,确保数据的安全性。
因此,在本实施例中,用户可以根据自己的实际需求来选择不同类型的边缘网络,例如:如果处理的数据较少,且自己的边缘设备足够处理这些数据,这时可选择自有网络;如果需要保证数据的私密性,避免数据被外人获取,且没有时间限制,这时可选择自有网络;如果不需要保证私密性,这时可采用图3所示的选择公有网络中的边缘设备来进行处理,在此仅以上述情况为例进行说明,用户完全可根据自己的实际需求来选择如何进行处理。如果用户没有选择,可以根据数据量信息来选择具体通过哪种类型的网络来处理,例如:数据较少,则选择自有网络,如果数据较多,则选择由自有设备和公有设备组成的公有网络来处理。
进一步的,由于边缘设备上连接有自有硬盘,因此可以预先指定相应路径,让边缘设备根据指定的数据获取路径获取硬盘上存储的原始数据,并通过确定的边缘网络来对原始数据进行与预处理和标准化处理。该预处理是对图像执行亮度归一化、尺寸调整等操作,标准化处理是将待处理数据形成矩阵文件的过程,在整个流程中,所有数据只需要预先处理一次,之后自有网络或者公有网络的所有操作便直接对矩阵进行计算。并且,对原始数据处理后,需要建立处理后的数据与原始数据之间的对应关系,生成本地索引文件。
其中,若所述边缘网络为由公有边缘设备构成的边缘网络,或者由自有边缘设备和公有边缘设备构成的边缘网络,则所述确定边缘网络以及待处理数据之后,还包括:根据所述待处理数据的数据量信息及处理时限信息,生成费用提示信息。
需要说明的是,如果用户使用的是自有网络,则不需要收费,如果使用的是公有网络,则需要向用户收取费用,且收取的费用仅仅是使用公有边缘设备的费用,并不包括使用自有边缘设备的费用。
用户在进行数据处理之前,需要输入自定化的需求信息,该需求可以包括边缘网络类型的需求,待处理数据的属性信息,该属性信息包括数据量信息以及处理时限信息;该边缘网络类型的需求包括选择自有网络、选择仅包括公有边缘设备的公有网络、选择包括自有边缘设备和公有边缘设备的公有网络;该数据量信息即为数据量的大小信息,该处理时限信息为用户期待的数据返回时长,系统根据边缘网络的类型、数据量信息、处理时限信息,生成相应的费用提示信息。
可以理解的是,该费用可以根据数据量信息、处理时限信息的不同进行动态调整;针对同等数据量,实时性要求不高与实时性要求高的相比,收费将更加低廉,因此用户针对处理时限没有要求的数据,可将处理时限的时长设置长一些,这样费用便会较低,这种方式与现有技术中仅仅通过硬件数据及数据量大小收费的方式相比,收费方式更合理更灵活。
进一步,本发明实施例公开了一种目标对象识别方法。
参照图4,图4为本发明另一实施例的流程示意图,在本实施例中,该方法包括:
S11、确定边缘网络以及待处理数据;
S21、在执行特征提取过程前,根据待处理数据的数据量信息及处理时限信息,确定执行特征提取过程的初始边缘设备数量需求,以从边缘网络中调用对应数量的边缘设备对待处理数据进行初始特征提取操作;其中,边缘网络中的每个边缘设备中均包括与特征提取过程相对应的多维特征提取模型;
S31、在执行特征提取过程中的每个特征提取操作前,根据本操作的类型信息、本次操作需要处理的数据量信息,动态生成本操作所需要的边缘设备数量需求,并根据边缘设备数量需求从边缘网络中调用对应数量的边缘设备执行本操作;
S41、利用特征数据从数据库中识别与待处理数据对应的目标对象。
其中,在执行特征提取过程中时,所述方法还包括:监控所述边缘网络中是否存在工作异常的边缘设备;若存在,则对工作异常的边缘设备进行异常处理。
参见图5,为本发明一实施例揭露的一种集群分配与调度示意图;图5中的用户定制即为上述实施例中的边缘网络的类型、数据量信息、处理时限信息,任务列表即为在执行特征提取过程中的不同的操作,集群列表模块中记载了公有网络或者自由网络中的边缘设备,边缘设备相当于集群列表中的节点,节点分配用于在执行特征提取过程前,根据用户定制、任务列表从集群列表中分配对应数量的节点至集群节点池;动态调度用于在执行特征提取过程中,动态调度不同的节点来处理不同的操作。进一步,可通过监控系统来对节点池内的数据监控。如果发现某节点出现故障,则输出到告警模块,并进行异常处理,例如从集群节点池中删除该节点,或者向管理人告警故障请款。如果最后时间不够,则重新分配新的节点进入节点池。
需要说明的是,在本实施例中可通过改进版蚁群算法来实现对节点的动态调度,在此列举人脸识别的具体实施例,来对S21-S22进行详细说明:
如果用户希望在24小时内,完成20T/100w的数据处理。将其分解为q个任务,预分配p个节点进入节点池,通过动态调度算法,计算出第i个任务在第j个节点上执行的概率,计算出最优方案,并予以执行。
其中,任务列表中的q个子任务是根据用户的需求来确定的。例如:100w数据,为将其中所有人脸都识别出来,根据节点承载建议,分成一百个组,每个组1w数据,则是100个人脸检测任务,这里的q个任务即为100个人脸检测任务。这时分配的处理100个人脸检测任务的p个节点可以为100个,该p个节点即为本实施例中在执行特征提取过程前确定的初始边缘设备数量需求。
进一步,通过动态调度算法,计算出第i个任务在第j个节点上执行的概率,计算出最优方案时,可根据执行特征提取过程中每个操作类型、本次操作需要处理的数据量信息等信息综合确定每个操作的边缘设备数量需求。
例如:100个人脸检测任务检测出30w人脸,这时在执行特征提取过程中的操作包括人脸矫正操作、人脸属性提取操作、特征点定位操作、特征提取操作、聚类操作、三维融合操作等,这时可在任务列表中生成30个人脸矫正任务,30个人脸属性提取任务,30个特征点定位任务,30个特征提取任务,若分5个批次聚类,则为5个聚类任务,聚类出500个人,满足三维融合条件的人达到400个,则有400个三维融合任务,1个入库任务,共626个任务。
可以看出,只有初期的人脸检测任务数是已知,因此,也只有在执行特征提取操作前的边缘设备数量是确定的,后续任务数都是根据实际数据得到,因此,在特征提取过程中的边缘设备数量需求,都是动态生成的;以上述实施例为例:在执行特征提取操作前,可以预分配130个节点进行节点池,先选择最优的100个节点进行人脸检测,第一批数据检测完后,特征传输到其他的节点进行人脸矫正,这个过程中动态调整节点池的节点数目,进一步,当数据达到一定阈值后,调度算法重新计算任务需求,开始动态分配部分节点开始进行人脸识别和三维融合,数据写入特征数据库。
可以看出,本方案在进行目标对象识别时,通过边缘网络中的多个边缘设备来对待处理数据进行特征提取和识别,每个边缘设备均可提供一部分计算资源,并不需要集中占用较多的计算资源;并且,本方案在特征提取的过程中,边缘设备的数量可根据实际情况进行调度,从而通过这种并行处理方式可快速的对海量数据进行处理,提高目标对象的识别速率。
进一步,本发明实施例公开了一种目标对象识别方法。
参照图6,图6为本发明另一实施例的流程示意图,在本实施例中,该方法包括:
S12、确定边缘网络以及待处理数据;
S22、根据所述待处理数据的属性信息,从所述边缘网络中调用对应数量的边缘设备对所述待处理数据进行人脸区域检测,获得人脸区域检测结果;
S32、根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行特征检测,得到与所述待处理数据对应的特征数据;
S42、判断所述特征数据是否为正脸数据;若是,则执行S52;若否,则执行S62;
S52、将所述特征数据与二维特征数据库进行对比,以识别与所述待处理数据对应的目标对象;
S62、将所述特征数据与三维特征数据库进行对比,以识别与所述待处理数据对应的目标对象。
在本实施例中,以目标对象为人脸为例进行具体说明,这时首先需要对待处理数据进行人脸区域检测,获得人脸区域检测结果;再从人脸区域检测结果中识别特征数据;该特征数据的作用为进行人脸识别,人脸识别的具体过程为通过特征数据与数据库进行对比,该数据库包括二维特征数据库和三维特征数据;需要说明的是,在本实施例中考虑了特征数据为正脸数据和不是正脸数据这两种情况;如果特征数据为正脸数据,这时可将特征数据与二维特征数据库进行对比识别,如果特征数据不是正脸数据,这时可将特征数据与三维特征数据库进行对比识别,因为如果特征不是正脸数据,那么由于人脸角度存在偏差,与二维特征数据库进行对比的识别准确度并不是很高,如果与三维特征数据库对比,由于三维特征数据库中存储的是三维的特征数据,这时可弥补由于角度偏差所带来的准确率低的问题。
可以理解的是,为了对数据库中的特征进行补充,本方案在得到与所述待处理数据对应的特征数据之后,还包括:
利用所述特征数据更新二维特征数据库;
根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行检测,得到人脸属性数据和特征点数据;
根据所述特征数据、所述人脸属性数据、所述特征点数据的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述特征数据、所述人脸属性数据、所述特征点数据进行三维融合,生成三维融合参数;
利用所述三维融合参数更新三维特征数据库。
参照图7,图7为本发明一实施例揭露的一种数据库特征更新整体流程示意图;通过图7可以看出,本方案根据动态调度策略,将所有的节点分为人脸检测,特征提取,人脸属性,特征点定位,三维融合这五种节点。根据调度模块,启动相应深度神经网络模型,每个节点从数据模块获取到数据信息,进行运算后,将结果和数据索引输出到三维融合部分,使用深度神经网络模型计算出三维特征参数,并更新数据库。
其中,人脸检测为从图像中识别人脸区域,特征提取为提取人脸的特征值,人脸属性为人眼镜、头发、年龄段等信息,特征点定位为提取人脸部2D特征点数据和3D特征点数据,获取人脸朝向等。通过三维融合后,会建立3D的人脸特征数据,也就本实施例中的三维特征数据库。
可以看出,本方案计算出特征数据后,人脸识别模块将获取每个数据的特征数据和人脸数据库中二维特征数据库的特征进行比对索引,进行人脸识别。非正脸数据人脸识别,则在比对时加入角度参数,即通过特征数据与三维特征数据库的特征进行对比索引,减少与二维特征数据库对比时由于人脸角度所带来的数据误差,提高识别效果。
参照图8,图8为本发明一实施例揭露的一种目标对象的整体流程示意图;在此以边缘设备为玩客云设备为例,对该整体流程示意图进行具体说明,需要说明的是,本实施例中为对人脸进行识别,因此,玩客云网络中所有玩客云设备需要布置AI模型,包括人脸检测,性别识别,年龄识别,人脸矫正,人脸识别等多个模型:
(1)用户交互:用户通过自有硬盘将数据接入玩客云网络,设置数据量信息及任务完成时限。
(2)自有网络数据处理:默认情况下使用自有网络进行数据处理,自有网络数据化处理将获取局域网内所有可以使用的玩客云设备,并行将硬盘数据信息进行标准化处理,形成多个矩阵文件,如果需要加密,则在此过程中定制加密方式。
(3)集群分配与调度:获取用户定制的需求和任务,从集列表中进行节点分配,将其放入集群的节点池内。通过位于设备上的人脸特征提取模型、人脸检测模型、特征点提取模型、人脸属性提取模型和三维融合模型进行特征提取及融合,并更新人脸特征数据库;在此过程中,持续监控和对节点分配进行调整,如果发现某节点出现故障,则反馈报警模块,并进行异常处理。如果最后时间不够,则重新分配新的节点进入节点池。
(4)人脸识别:将特征数据与人脸特征数据库进行对比识别,人脸特征数据库包括二维特征数据可和三维特征数据库,在特征数据为正脸数据时,与二维特征数据进行对比,当特征数据不为正脸数据时,与三维特征数据进行对比,已获得最后的目标对象识别结果。
综上可以看出,本方案提供的这种高精度人脸识别方法,从用户获取数据后,通过大量边缘设备进行多维度分析,包括通过人脸检测,性别识别,年龄识别,人脸矫正,人脸识别等多个深度模型的特征计算。然后通过聚类算法,聚类并进行三维建模,从而提高了人脸识别准确性。旨在分布式边缘系统上,通过用户定制控制节点数目,降低计算成本,设计高精度模型,提高人脸识别效果,提供了一个优质用户体验。
进一步的,本实施例还公开了一种目标对象识别系统。
参见图9,为本发明一实施例揭露的目标对象识别系统结构示意图,该系统包括:
第一确定单元110,用于确定边缘网络;
第二确定单元120,用于确定待处理数据;
特征数据获取单元130,用于根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据;
识别单元140,用于利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象。
优选的,第一确定单元110具体用于根据边缘网络设定指令确定边缘网络;所述边缘网络包括:由自有边缘设备和/或公有边缘设备构成的边缘网络;
第二确定单元120具体用于从预先设定的数据获取路径中,获取自有硬盘上存储的原始数据,并通过所述边缘网络中的边缘设备对所述原始数据进行预处理及标准化处理,生成所述待处理数据。
优选的,若所述边缘网络为由公有边缘设备构成的边缘网络,或者由自有边缘设备和公有边缘设备构成的边缘网络,则目标对象识别系统还包括:
费用提示单元,用于根据所述待处理数据的数据量信息及处理时限信息,生成费用提示信息。
优选的,特征数据获取单元130包括:
第一操作执行子单元,用于在执行特征提取过程前,根据所述待处理数据的数据量信息及处理时限信息,确定执行特征提取过程的初始边缘设备数量需求,以从所述边缘网络中调用对应数量的边缘设备对所述待处理数据进行初始特征提取操作;其中,所述边缘网络中的每个边缘设备中均包括与所述特征提取过程相对应的多维特征提取模型;
第二操作执行子单元,用于在执行特征提取过程中的每个特征提取操作前,根据本操作的类型信息、本次操作需要处理的数据量信息,动态生成本操作所需要的边缘设备数量需求,并根据边缘设备数量需求从所述边缘网络中调用对应数量的边缘设备执行本操作。
优选的,目标对象识别系统还包括:
监控单元,用于监控所述边缘网络中是否存在工作异常的边缘设备;
处理单元,用于对工作异常的边缘设备进行异常处理。
优选的,特征数据获取单元130包括:
人脸检测子单元,用于根据所述待处理数据的属性信息,从所述边缘网络中调用对应数量的边缘设备对所述待处理数据进行人脸区域检测,获得人脸区域检测结果;
第一特征检测子单元,用于根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行特征检测,得到与所述待处理数据对应的特征数据。
优选的,目标对象识别系统还包括:
第一更新单元,用于利用所述特征数据更新二维特征数据库。
优选的,目标对象识别系统还包括:
第二特征检测子单元,用于根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行检测,得到人脸属性数据和特征点数据;
三维融合单元,用于根据特征数据、人脸属性数据、特征点数据的数据量信息,从边缘网络中调用对应数量的边缘设备对特征数据、人脸属性数据、特征点数据进行三维融合,生成三维融合参数;
第二更新单元,用于利用所述三维融合参数更新三维特征数据库。
优选的,识别单元140包括:
判断子单元,用于判断所述特征数据是否为正脸数据;
第一对比子单元,用于所述特征数据为正脸数据时,将所述特征数据与二维特征数据库进行对比,以识别与所述待处理数据对应的目标对象;
第二对比子单元,用于所述特征数据不为正脸数据时,将所述特征数据与三维特征数据库进行对比,以识别与所述待处理数据对应的目标对象。
综上可见,本方案在进行目标对象识别时,通过边缘网络中的多个边缘设备来对待处理数据进行特征提取和识别,每个边缘设备均可提供一部分计算资源,并不需要集中占用较多的计算资源;并且,本方案在特征提取的过程中,边缘设备的数量可根据实际情况进行调度,从而通过这种并行处理方式可快速的对海量数据进行处理,提高目标对象的识别速率。
进一步的,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有目标对象识别程序,所述目标对象识别程序可被一个或者多个处理器执行,以实现上述任意方法实施例中所述的目标对象识别方法。
进一步的,本实施例还公开了一种目标对象识别装置。
参照图10为本发明一实施例揭露的目标对象识别装置,所述装置包括存储器11和处理器12,所述存储器11上存储有可在所述处理器上运行的目标对象识别程序01,所述目标对象识别程序01被所述处理器执行时实现上述任意方法实施例所实现的方法。
在本实施例中,目标对象识别装置1可以是PC(Personal Computer,个人电脑),也可以是智能手机、平板电脑、掌上电脑、便携计算机、智能路由器、矿机、网络存储设备终端设备。
该装置1可以是组成CDN网络或者区块链网络的节点。
该目标对象识别装置1可以包括存储器11、处理器12和总线13。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是目标对象识别装置1的内部存储单元,例如该目标对象识别装置1的硬盘。存储器11在另一些实施例中也可以是目标对象识别装置1的外部存储设备,例如目标对象识别装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括目标对象识别装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于目标对象识别装置1的应用软件及各类数据,例如目标对象识别程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行目标对象识别程序01等。
该总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
进一步地,目标对象识别装置还可以包括网络接口14,网络接口14可选的可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口15,用户接口15可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-EmittingDiode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在目标对象识别装置1中处理的信息以及用于显示可视化的用户界面。
图10仅示出了具有组件11-14以及目标对象识别程序01的目标对象识别装置1,本领域技术人员可以理解的是,图10示出的结构并不构成对目标对象识别装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
进一步的,本发明实施例还提供一种计算机程序产品,包括计算机指令,当其在计算机上运行时,使得计算机可以执行上述任意方法实施例中所述的目标对象识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述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计算机可读存储介质传输,例如,所述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(例如同轴电缆、光纤、数字用户线(DSL))或无线(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。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述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(例如固态硬盘Solid State Disk(SSD))等
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。
在本申请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,在本申请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,本申请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)执行本申请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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (13)
1.一种目标对象识别方法,其特征在于,所述方法包括:
确定边缘网络以及待处理数据;
根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据;
利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象。
2.根据权利要求1所述的方法,其特征在于,所述确定边缘网络以及待处理数据,包括:
根据边缘网络设定指令确定边缘网络;所述边缘网络包括:由自有边缘设备和/或公有边缘设备构成的边缘网络;
从预先设定的数据获取路径中,获取自有硬盘上存储的原始数据,并通过所述边缘网络中的边缘设备对所述原始数据进行预处理及标准化处理,生成所述待处理数据。
3.根据权利要求2所述的方法,其特征在于,若所述边缘网络为由公有边缘设备构成的边缘网络,或者由自有边缘设备和公有边缘设备构成的边缘网络,则所述确定边缘网络以及待处理数据之后,还包括:
根据所述待处理数据的数据量信息及处理时限信息,生成费用提示信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据,包括:
在执行特征提取过程前,根据所述待处理数据的数据量信息及处理时限信息,确定执行特征提取过程的初始边缘设备数量需求,以从所述边缘网络中调用对应数量的边缘设备对所述待处理数据进行初始特征提取操作;其中,所述边缘网络中的每个边缘设备中均包括与所述特征提取过程相对应的多维特征提取模型;
在执行特征提取过程中的每个特征提取操作前,根据本操作的类型信息、本次操作需要处理的数据量信息,动态生成本操作所需要的边缘设备数量需求,并根据边缘设备数量需求从所述边缘网络中调用对应数量的边缘设备执行本操作。
5.根据权利要求4所述的方法,其特征在于,在执行特征提取过程中时,所述方法还包括:
监控所述边缘网络中是否存在工作异常的边缘设备;
若存在,则对工作异常的边缘设备进行异常处理。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,若所述目标对象为人脸,则所述根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应数量的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据,包括:
根据所述待处理数据的属性信息,从所述边缘网络中调用对应数量的边缘设备对所述待处理数据进行人脸区域检测,获得人脸区域检测结果;
根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行特征检测,得到与所述待处理数据对应的特征数据。
7.根据权利要求6所述的方法,其特征在于,得到与所述待处理数据对应的特征数据之后,还包括:
利用所述特征数据更新二维特征数据库。
8.根据权利要求6所述的方法,其特征在于,所述获得人脸区域检测结果之后,还包括:
根据所述人脸区域检测结果的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述人脸区域检测结果进行检测,得到人脸属性数据和特征点数据;
根据所述特征数据、所述人脸属性数据、所述特征点数据的数据量信息,从所述边缘网络中调用对应数量的边缘设备对所述特征数据、所述人脸属性数据、所述特征点数据进行三维融合,生成三维融合参数;
利用所述三维融合参数更新三维特征数据库。
9.根据权利要求6所述的方法,其特征在于,所述利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象,包括:
判断所述特征数据是否为正脸数据;
若是,则将所述特征数据与二维特征数据库进行对比,以识别与所述待处理数据对应的目标对象;
若否,则将所述特征数据与三维特征数据库进行对比,以识别与所述待处理数据对应的目标对象。
10.一种目标对象识别装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的目标对象识别程序,所述目标对象识别程序被所述处理器执行时实现如权利要求1至9任一项所述的方法。
11.根据权利要求10所述的装置,其特征在于,所述装置为组成CDN网络或者区块链网络的节点。
12.一种目标对象识别系统,其特征在于,所述系统包括:
第一确定单元,用于确定边缘网络;
第二确定单元,用于确定待处理数据;
特征数据获取单元,用于根据所述待处理数据的属性信息以及在特征提取过程中动态生成的任务需求,动态调度所述边缘网络中与任务需求相对应的边缘设备对所述待处理数据进行特征提取,生成与所述待处理数据对应的特征数据;
识别单元,用于利用所述特征数据从数据库中识别与所述待处理数据对应的目标对象。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有目标对象识别程序,所述目标对象识别程序可被一个或者多个处理器执行,以实现如权利要求1至9中任一项所述的目标对象识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811513572.4A CN109614238B (zh) | 2018-12-11 | 2018-12-11 | 一种目标对象识别方法、装置、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811513572.4A CN109614238B (zh) | 2018-12-11 | 2018-12-11 | 一种目标对象识别方法、装置、系统及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614238A true CN109614238A (zh) | 2019-04-12 |
CN109614238B CN109614238B (zh) | 2023-05-12 |
Family
ID=66007770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811513572.4A Active CN109614238B (zh) | 2018-12-11 | 2018-12-11 | 一种目标对象识别方法、装置、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614238B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287268A (zh) * | 2019-06-30 | 2019-09-27 | 智慧谷(厦门)物联科技有限公司 | 一种基于区块链的数字资产处理方法和系统 |
CN110399225A (zh) * | 2019-07-29 | 2019-11-01 | 中国工商银行股份有限公司 | 监测信息处理方法、系统和计算机系统 |
CN110473015A (zh) * | 2019-08-09 | 2019-11-19 | 南京智骋致想电子科技有限公司 | 一种智能广告系统及广告投放方法 |
CN111062493A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及系统 |
CN111787114A (zh) * | 2020-07-06 | 2020-10-16 | 重庆知翔科技有限公司 | 一种新型区块链网络架构构建的方法 |
WO2020232717A1 (zh) * | 2019-05-23 | 2020-11-26 | 西门子股份公司 | 边缘侧模型处理的方法、边缘计算设备和计算机可读介质 |
CN112487082A (zh) * | 2019-09-12 | 2021-03-12 | 华为技术有限公司 | 一种生物特征识别的方法及相关设备 |
CN113556380A (zh) * | 2021-06-07 | 2021-10-26 | 广东东华发思特软件有限公司 | 物联网设备的边缘分布式多副本处理方法、装置及介质 |
CN115131486A (zh) * | 2022-06-28 | 2022-09-30 | 安徽建材地质工程勘察院有限公司 | 一种工程勘察勘探数据采集系统及方法 |
WO2023206097A1 (zh) * | 2022-04-26 | 2023-11-02 | 西门子股份公司 | Ai模型的部署方法、装置、电子设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326867A (zh) * | 2016-08-26 | 2017-01-11 | 维沃移动通信有限公司 | 一种人脸识别的方法及移动终端 |
CN108319502A (zh) * | 2018-02-06 | 2018-07-24 | 广东工业大学 | 一种基于移动边缘计算的d2d任务分配的方法及装置 |
CN108446680A (zh) * | 2018-05-07 | 2018-08-24 | 西安电子科技大学 | 一种基于边缘计算的人脸认证系统中的隐私保护方法 |
JP2018195175A (ja) * | 2017-05-19 | 2018-12-06 | コニカミノルタ株式会社 | エッジコンピューティングシステム、通信制御方法及び通信制御プログラム |
-
2018
- 2018-12-11 CN CN201811513572.4A patent/CN109614238B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326867A (zh) * | 2016-08-26 | 2017-01-11 | 维沃移动通信有限公司 | 一种人脸识别的方法及移动终端 |
JP2018195175A (ja) * | 2017-05-19 | 2018-12-06 | コニカミノルタ株式会社 | エッジコンピューティングシステム、通信制御方法及び通信制御プログラム |
CN108319502A (zh) * | 2018-02-06 | 2018-07-24 | 广东工业大学 | 一种基于移动边缘计算的d2d任务分配的方法及装置 |
CN108446680A (zh) * | 2018-05-07 | 2018-08-24 | 西安电子科技大学 | 一种基于边缘计算的人脸认证系统中的隐私保护方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020232717A1 (zh) * | 2019-05-23 | 2020-11-26 | 西门子股份公司 | 边缘侧模型处理的方法、边缘计算设备和计算机可读介质 |
CN110287268A (zh) * | 2019-06-30 | 2019-09-27 | 智慧谷(厦门)物联科技有限公司 | 一种基于区块链的数字资产处理方法和系统 |
CN110399225A (zh) * | 2019-07-29 | 2019-11-01 | 中国工商银行股份有限公司 | 监测信息处理方法、系统和计算机系统 |
CN110473015A (zh) * | 2019-08-09 | 2019-11-19 | 南京智骋致想电子科技有限公司 | 一种智能广告系统及广告投放方法 |
CN112487082B (zh) * | 2019-09-12 | 2024-04-12 | 华为云计算技术有限公司 | 一种生物特征识别的方法及相关设备 |
CN112487082A (zh) * | 2019-09-12 | 2021-03-12 | 华为技术有限公司 | 一种生物特征识别的方法及相关设备 |
CN111062493A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
CN111598036B (zh) * | 2020-05-22 | 2021-01-01 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及系统 |
CN111598036A (zh) * | 2020-05-22 | 2020-08-28 | 广州地理研究所 | 分布式架构的城市群地理环境知识库构建方法及系统 |
CN111787114A (zh) * | 2020-07-06 | 2020-10-16 | 重庆知翔科技有限公司 | 一种新型区块链网络架构构建的方法 |
CN113556380A (zh) * | 2021-06-07 | 2021-10-26 | 广东东华发思特软件有限公司 | 物联网设备的边缘分布式多副本处理方法、装置及介质 |
WO2023206097A1 (zh) * | 2022-04-26 | 2023-11-02 | 西门子股份公司 | Ai模型的部署方法、装置、电子设备和计算机可读介质 |
CN115131486A (zh) * | 2022-06-28 | 2022-09-30 | 安徽建材地质工程勘察院有限公司 | 一种工程勘察勘探数据采集系统及方法 |
CN115131486B (zh) * | 2022-06-28 | 2023-03-10 | 安徽建材地质工程勘察院有限公司 | 一种工程勘察勘探数据采集系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109614238B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614238A (zh) | 一种目标对象识别方法、装置、系统及可读存储介质 | |
US20210342745A1 (en) | Artificial intelligence model and data collection/development platform | |
US20210042628A1 (en) | Building a federated learning framework | |
CN106250782B (zh) | 一种基于sql语句解析的数据权限控制方法及装置 | |
CN108734293B (zh) | 任务管理系统、方法和装置 | |
CN109684047A (zh) | 事件处理方法、装置、设备和计算机存储介质 | |
CN109213573A (zh) | 基于容器的虚拟桌面的设备隔离方法及装置 | |
CN107908472A (zh) | 数据同步装置、方法及计算机可读存储介质 | |
CN105830049A (zh) | 自动化实验平台 | |
CN109885452A (zh) | 性能监控方法、装置及终端设备 | |
CN109783859A (zh) | 模型构建方法、装置及计算机可读存储介质 | |
CN110442737A (zh) | 基于图数据库的数字孪生方法及系统 | |
CN111104825A (zh) | 人脸注册库更新方法、装置、设备及介质 | |
CN109151023A (zh) | 任务分配方法、装置及存储介质 | |
US20210279566A1 (en) | Contrastive Neural Network Training in an Active Learning Environment | |
CN106462329A (zh) | 轻解除管理器 | |
US20210216904A1 (en) | Knowledge Aided Feature Engineering | |
CN109416684A (zh) | 分析平台的摄取管理器 | |
CN112764893A (zh) | 数据处理方法和数据处理系统 | |
CN115619448A (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
CN109542757A (zh) | 接口测试环境确定方法、装置、电子设备及存储介质 | |
CN111538852B (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN104754040B (zh) | 用于端到端云服务虚拟化的系统 | |
CN112149139A (zh) | 权限管理方法及装置 | |
US10339037B1 (en) | Recommendation engine for recommending prioritized performance test workloads based on release risk profiles |
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 |