CN109948430A - 特征数据共享方法、装置、系统、处理端及存储介质 - Google Patents
特征数据共享方法、装置、系统、处理端及存储介质 Download PDFInfo
- Publication number
- CN109948430A CN109948430A CN201910084084.4A CN201910084084A CN109948430A CN 109948430 A CN109948430 A CN 109948430A CN 201910084084 A CN201910084084 A CN 201910084084A CN 109948430 A CN109948430 A CN 109948430A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- target algorithm
- distribution end
- data distribution
- 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
Links
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例提供了一种特征数据共享方法、装置、系统、处理端及存储介质,特征数据共享及传输技术领域。方法应用于数据分发端,由于数据分发端中预设了多种算法,能够根据数据接收端的数据请求中的目标算法标识获得与目标算法标识对应的特征数据,这样就实现了无论数据接收端使用何种目标算法,数据分发端均能够提供与该目标算法匹配的特征数据,提高了实际应用中的适配性。
Description
技术领域
本申请涉及特征数据共享及传输技术领域,具体而言,涉及一种特征数据共享方法、装置、系统、处理端及存储介质。
背景技术
通常将各终端(例如某地市公安局)获得的抓拍图与底库进行比对,根据比对结果决定是否进行预警。底库信息是涉密信息,通常只能存储于省厅/部局。要想将抓拍图与底库进行比对,需要将地市局抓拍图传输到省厅/部局,在省厅/部局的业务系统进行比对,或将底库传输到市局,在市局业务系统进行比对。但是如果比对都在省厅/部局的业务系统,会给省厅/ 部局的业务系统造成较大压力,因此目前采取的是将底库传输到市局,在市局业务系统进行比对的策略。然而,由于底库是涉密数据,不易于流通,目前采取的策略是在省厅/部局业务系统中将底库特征提取出来,将底库特征值这一不含身份、图像信息的不涉密向量数据传输到地市局,在地市局的业务系统提取抓拍图的特征值后,与底库特征值及进行比对。这就要求省厅/部局业务系统提取底库特征值所使用的算法与地市局业务系统提取抓拍图特征值所使用的算法一致,才能完成后续比对。
在实际应用中,特征数据分发端(数据源端)和特征数据接收端(数据应用端)一定是一对多的关系(一个省厅部局对应多个地市局)。由于不同数据应用端有不同的业务应用以及各种场景的定制化需求,不同的数据应用端通常会搭载不同的算法模型,这就意味着当数据源端只搭载一种算法模型时,无法使数据源端和每个数据应用端的算法模型一致。一旦出现了算法模型不一致的情况,数据应用端获得数据源端发送的特征数据后就无法直接使用特征数据进行比对。此外,不同数据应用端只对自己所要使用的原数据有使用权限,而对其他的原数据没有使用权限,如果数据源端只针对统一的原数据进行特征提取得到特征数据,再下发特征数据到数据应用端,就会使数据应用端获得自己没有权限查看、使用的特征数据。
发明内容
本申请的目的在于提供一种特征数据共享方法、装置、系统、处理端及存储介质,以实现无论应用端使用何种算法,源端都能够提供与应用端的算法匹配的特征数据,提高了实际应用中的适配性。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请实施例提供了一种特征数据共享方法,应用于数据分发端,所述方法包括:
接收数据接收端发送的携带有目标算法标识的数据请求;
获得所述目标算法标识对应的特征数据;
将所述特征数据发送至所述数据接收端;
所述获得目标算法标识对应的特征数据包括:从多种算法中确定出与所述目标算法标识对应的目标算法,利用所述目标算法对原数据进行特征提取而获得所述特征数据;或,
所述获得目标算法标识对应的特征数据包括:根据目标算法标识从存储的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种。
在本申请实施例中,由于数据分发端中预设了多种算法,能够根据数据接收端的数据请求中的目标算法标识获得与目标算法标识对应的特征数据,这样就实现了无论数据接收端使用何种目标算法,数据分发端均能够提供与该目标算法匹配的特征数据,提高了实际应用中的适配性。同时,在本申请实施例中,可通过两种方式获得目标算法标识对应的特征数据。第一种,数据分发端可以采用实时提取的方式从多种算法中确定出与目标算法标识对应的目标算法,再利用目标算法对原数据进行特征提取而获得特征数据。这种方式的好处是:在原数据和算法种类很多或者在不断更新时,很难将所有原数据预先用所有算法进行特征提取,并且用所有的算法提前将原数据运算会太占用分发端的性能和存储空间,故可以利用接收端所需的目标算法实时的对原数据进行运算,以降低对分发端的性能和存储空间的需求。第二种,数据分发端采用预先提取、实时匹配的方式根据目标算法标识从存储的多种待选特征数据中快速的选择出与目标算法标识对应的特征数据。这种方式的好处是:其一,分发端能够对接收端实时响应;其二,对已经提取好的特征数据,在接收端对该特征数据不断有需求时,可以重复发送给接收端使用,从而也降低了对分发端的性能需求。实际应用中,可以根据实际需求的不同而从以上两种方式中选择合适的方式来获得特征数据,提高了实际应用中的灵活性。
结合第一方面,在第一种可能的实现方式中,利用多种算法对所述原数据进行特征提取包括:
在接收所述数据接收端发送的携带有所述目标算法标识的数据请求之前利用多种算法对所述原数据进行特征提取;或
在获得所述目标算法标识对应的特征数据之前利用所述多种算法对所述原数据进行特征提取。
在本申请实施例中,由于预先就利用每种算法对原数据进行了提取,那么数据接收端在请求特征数据时,数据分发端便可以将已经利用目标算法处理得到特征数据快速反馈给数据接收端,使得数据接收端能够在请求之后短时间内获得特征数据;且对已经提取好的特征数据,在接收端对该特征数据不断的有需求时,可以重复发送给接收端使用从而也降低了对分发端的性能需求。
结合第一方面,在第二种可能的实现方式中,在利用所述目标算法对原数据进行特征提取而获得所述特征数据之前,所述方法还包括:
根据所述数据请求中携带的用于标识原数据种类的数据标识,从存储的数据中选择与所述数据标识匹配的所述原数据。
在本申请实施例中,不同数据接收端只对自己所要使用的原数据有使用权限,而对其他的原数据没有使用权限,如果数据分发端只针对统一的原数据进行特征提取得到特征数据,再下发特征数据到数据应用端,就会使数据应用端获得自己没有权限查看、使用的特征数据,而根据数据请求中包含的数据标识,从存储的数据中选择与所述数据标识匹配的所述原数据能够使数据接收端只获得对自己有权限使用的原数据进行特征提取得到的特征数据。同时,由于存储的数据包含不同数据类型的原数据,数据量比较大,获取全部该存储的数据会比较慢,故可以根据数据类型从存储的数据中仅获取接收端需要的原数据,这样就实现了对所需数据的快速获取。
结合第一方面,在第三种可能的实现方式中,所述数据分发端与第一业务系统交互,在获得所述目标算法标识对应的特征数据之前,所述方法还包括:
从所述数据分发端自身、或从与所述数据分发端交互的第一业务系统或其它设备获得所述原数据或所述多种待选特征数据。
在本申请实施例中,由于数据分发端在需要处理时才从数据分发端自身、或从与数据分发端交互的第一业务系统或其它设备获得并处理原数据或多种待选特征数据,故以这种需要处理才获取并处理的方式能够实现合理利用数据分发端的处理性能,避免数据分发端的性能浪费。
结合第一方面、或结合第一种或第三种可能的实现方式中任一种可能的实现方式,在第三种可能的实现方式中,
所述特征数据为人像特征。
在本申请实施例中,由于特征数据为人像特征,故使得方法可以在人像识别领域进行应用,故实现该领域在特征数据共享的过程中可以根据实际需求从实时提取或预先提取、实时匹配中选择更为适合方式来进行处理。
结合第一方面、或结合第一种或第三种可能的实现方式中任一种可能的实现方式,在第四种可能的实现方式中,
所述数据分发端与对应的多个数据接收端连接。
在本申请实施例中,由于一个数据分发端可被多个数据接收端共享,故节约了设备数量,降低了成本。
结合第一方面、或结合第一种或第三种可能的实现方式中任一种可能的实现方式,在第五种可能的实现方式中,
所述数据分发端为设置在省厅或部局的设备,所述数据接收端为设置在地市公安局的设备。
在本申请实施例中,数据分发端和数据接收端可以应用到公安系统,在特征数据共享的过程中,上级公安系统能够针对性的下发与下级公安系统数据权限、算法模型匹配的特征数据,并可以根据实际需求选择对原数据进行实时提取还是预先提取、实时匹配。
第二方面,本申请实施例提供了一种特征数据共享方法,应用于数据分发端,所述方法包括:
接收数据接收端发送的携带有目标算法标识和用于标识原数据种类的数据标识的数据请求;
获得所述目标算法标识对应的特征数据;
将所述特征数据发送至所述数据接收端;
所述获得目标算法标识对应的特征数据包括:从多种待选特征数据中选择出与所述目标算法标识和所述数据标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种,所述存储的数据为所有可选的原数据。
在本申请实施例中,由于数据分发端可以根据数据接收端所需要的目标算法标识和数据标识来选择对应的特征数据,故实现了选择出的特征数据是更具有针对性的数据,能够更好的满足数据接收端需求。
第三方面,本申请实施例提供了一种特征数据共享方法,应用于数据接收端,所述方法包括:
向数据分发端发送携带有目标算法标识的数据请求,所述数据请求用于从所述数据分发端获得所述目标算法标识对应的特征数据;
接收所述数据分发端发送的所述特征数据。
结合第三方面,在第一种可能的实现方式中,在接收所述数据分发端发送的所述特征数据之后,所述方法还包括:
将所述特征数据发送至需要使用所述特征数据的第二业务系统。
本申请实施例中,由于数据分发端还能够将发送至需要使用特征数据的第二业务系统,使得第二业务系统在接收到与其搭载算法一致的特征数据后可直接使用该特征数据,例如使用该特征数据应用于对象比对,故扩展了方案的适用场景,提高了方案在实际应用中的价值。
第四方面,本申请实施例提供了一种特征数据共享方法,应用于数据分发端和数据接收端,所述方法包括:
所述数据接收端向所述数据分发端发送携带有目标算法标识的数据请求
所述数据分发端接收所述数据请求;
所述数据分发端获得所述目标算法标识对应的特征数据;
所述数据分发端将所述特征数据发送至所述数据接收端;
所述数据接收端接收所述数据分发端发送的所述特征数据;
所述获得目标算法标识对应的特征数据包括:从多种算法中确定出与所述目标算法标识对应的目标算法,利用所述目标算法对原数据进行特征提取而获得所述特征数据;或,
所述获得目标算法标识对应的特征数据包括:根据目标算法标识从存储的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种。
第五方面,本申请实施例提供了一种特征数据共享方法,应用于数据分发端和数据接收端,所述方法包括:
所述数据接收端向所述数据分发端携带有目标算法标识和用于标识原数据种类的数据标识的数据请求;
所述数据分发端接收所述数据请求;
所述数据分发端获得所述目标算法标识对应的特征数据;
所述数据分发端将所述特征数据发送至所述数据接收端;
所述数据接收端接收所述数据分发端发送的所述特征数据;
所述获得目标算法标识对应的特征数据包括:从多种待选特征数据中选择出与所述目标算法标识和所述数据标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种,所述存储的数据为所有可选的原数据。
第六方面,本申请实施例提供了一种特征数据共享装置,应用于数据分发端,所述装置包括:
请求接收模块,用于接收数据接收端发送的携带有目标算法标识的数据请求;
特征数据获得模块,用于获得所述目标算法标识对应的特征数据;
特征数据发送模块,用于将所述特征数据发送至所述数据接收端;
其中,所述特征数据获得模块,还用于从多种算法中确定出与所述目标算法标识对应的目标算法,利用所述目标算法对原数据进行特征提取而获得所述特征数据;或还用于根据目标算法标识从存储的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种。
第七方面,本申请实施例提供了一种特征数据共享装置,应用于数据分发端,所述装置包括:
请求接收模块,用于接收数据接收端发送的携带有目标算法标识和用于标识原数据种类的数据标识的数据请求;
特征数据获得模块,用于获得所述目标算法标识对应的特征数据;
特征数据发送模块,用于将所述特征数据发送至所述数据接收端;
其中,所述特征数据获得模块,还用于从多种待选特征数据中选择出与所述目标算法标识和所述数据标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种,所述存储的数据为所有可选的原数据。
第八方面,本申请实施例提供了一种特征数据共享装置,应用于数据接收端,所述装置包括:
请求发送模块,用于向数据分发端发送携带有目标算法标识的数据请求,所述数据请求用于从所述数据分发端获得所述目标算法标识对应的特征数据;
特征数据接收模块,用于接收所述数据分发端发送的所述特征数据。
第九方面,本申请实施例提供了一种特征数据共享系统,包括;数据分发端,以及与所述数据分发端连接的数据接收端;
所述数据分发端,用于执行如第一方面,或第一方面的任一种可能的实现方式所述的特征数据共享方法;
所述数据接收端,用于执行第二方面,或第二方面的第一种可能的实现方式所述的特征数据共享方法。
第十方面,本申请实施例提供了一种处理端,所述处理端包括:处理器,存储器通信接口,总线系统和/或其它形式的连接机构;
所述处理器、所述通信接口和所述存储器通过所述总线系统和/或其它形式的连接机构连接;
所述存储器,用于存储程序;
所述处理器,用于通过调用存储在所述存储器中的所述程序以执行如第一方面,第一方面的任一种可能的实现方式,第二方面,第三方面,第三方面的第一种可能的实现方式,第四方面或第五方面所述的特征数据共享方法。
第十一方面,本申请实施例提供了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计算机程序,所述计算机程序被计算机运行时执行如第一方面,或第一方面的任一种可能的实现方式所述的特征数据共享方法;或者执行第二方面,或第二方面的第一种可能的实现方式所述的特征数据共享方法。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例提供的一种特征数据共享系统的结构框图;
图2示出了本申请实施例提供的一种中特征数据共享系统的处理端的结构框图;
图3示出了本申请实施例提供的一种特征数据共享方法的方法流程图;
图4示出了本申请实施例提供的一种特征数据共享装置的第一结构框图;
图5示出了本申请实施例提供的一种特征数据共享装置的第二结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
请参阅图1,本申请一些实施例提供了一种特征数据共享系统10,该特征数据共享系统10可以包括:数据分发端11和数据接收端12,其中,数据分发端11可以通过网络例如局域网或互联网与数据接收端12实现通信连接。
数据分发端11和数据接收端12都可以是终端或者服务器。其中,终端可以是手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA) 或销售终端(Point ofSales,POS)等。服务器可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器可以是分布式系统)。而在一些实施例中,服务器可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(communitycloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。
如图2所示,数据分发端11和数据接收端12都可以从被当作处理端 20,即数据分发端11和数据接收端12虽然所对应的业务和实现的功能可以不同,但数据分发端11和数据接收端12在硬件结构上可以相同或相似,那么为避免赘述,下面将以处理端20的物理结构为例来进行说明。
处理端20可以包括连接到网络的通信接口21、用于执行程序指令的一个或多个处理器22、总线系统和/或其它形式的连接机构连接23、和由不同形式的存储介质构成的存储器24,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。处理端20还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口25。
为了便于说明,本实施例中仅描述了一个处理器。然而,应当注意,本申请中的处理端20还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,处理端中的一个处理器执行步骤A,另一个处理器执行步骤B,或者这两个处理器共同执行步骤A和B。
本实施例中,针对不同的应用场景,数据分发端11可以分别袛属于不同的公司、企业、单位或个人,例如,数据分发端11可以为袛属并设置在省厅或部局的设备。
本实施例中,也针对不同的应用场景,数据接收端12可以有多个,即一个数据分发端11可以通过网络与多个数据接收端12通信连接,以实现多个数据接收端12可以共享一个数据分发端11,故节约了设备数量,降低了成本。也针对不同的应用场景,多个数据接收端12可以分别袛属于不同的公司、企业、单位或个人,例如,多个数据接收端可以为分别袛属并设置在各地市公安局的设备。当然,同一公司、企业、单位或个人根据业务需求量也可以拥有不只一个数据接收端12。
而由于不同的公司、企业、单位或个人所涉及的业务并不一定相同,故每个公司、企业、单位或个人所使用的数据接收端12上设置的算法可以与其它公司、企业、单位或个人所使用的数据接收端12上设置的算法不相同。例如,A企业的业务主要涉及交通方面的图像识别,那么A企业所使用的数据接收端X上设置的可以是用于交通方面的图像识别的算法AA;而B企业的业务主要涉及室内场景的对象监控识别,那么B企业所使用的数据接收端Y上设置的可以是用于对象监控识别的算法BB;然则算法AA 和算法BB则可以是完全不同类型的两种算法。有些情况下,虽然A企业和B企业业务类型相同如均涉及人脸识别领域,使用人脸特征提取算法,但使用了不同的算法版本AA和BB。
为便于数据分发端11与多个数据接收端12的交互,针对不用应用场景的多个数据接收端12,数据分发端11可以针对每个数据接收端12上的算法均设置一种匹配的算法,从而在数据分发端11上设置多种算法,针对这点,本实施例将在后续予以详细地说明。
需要说明的是,数据分发端11与每个数据接收端12的交互流程可以大致相同,故为便于描述并理解本方案,本实施例以数据分发端11与多个数据接收端12中的某一个数据接收端12交互为例来对本实施的方案进行说明。
请参阅图3,本申请的一些实施例提供了一种特征数据共享方法,该特征数据共享方法可以由数据分发端和数据接收端配合进行执行,可选地,该特征数据共享方法可以包括:步骤S100、步骤S200、步骤S300、步骤 S400和步骤S500。
步骤S100:所述数据接收端向所述数据分发端发送携带有目标算法标识的数据请求。
步骤S200:所述数据分发端接收所述数据请求。
步骤S300:所述数据分发端获得所述目标算法标识对应的特征数据。
步骤S400:所述数据分发端将所述特征数据发送至所述数据接收端。
步骤S500:所述数据接收端接收所述数据分发端发送的所述特征数据。
下面将对本实施例的步骤进行详细地说明。
数据分发端可以与第一业务系统交互,其中,根据数据分发端的设备性能和第一业务系统的资源占用情况,在数据分发端的设备性能很强大或者第一业务系统的运行并不会太占用资源的情况下,该第一业务系统可以运行在数据分发端上,这样数据分发端便可以自然而然的与第一业务系统进行交互。或者,在数据分发端的设备性能很一般或者第一业务系统的运行会比较占用资源的情况下,该第一业务系统可以运行在独立于数据分发端外的第一外部设备上,这样数据分发端便需要通过与第一外部设备的通信而实现与第一业务系统的交互。
本实施例中,第一业务系统上应用的业务涉及的可以是需要保密的原数据,例如原数据可以是人像图像,而这些人像可以是受到公安部门监控的人,但也不限于人像,例如还可以是载具等,故这些数据是不能外泄的。这些涉密的数据可以存储在第一业务系统的中数据库中,而数据库则根据第一业务系统所运行的设备不同而设置在数据分发端或第一外部设备上。
也于本实施例中,数据接收端可以与第二业务系统交互,也根据数据接收端的设备性能和第二业务系统的资源占用情况,在数据接收端的设备性能很强大或者第二业务系统的运行并不会太占用资源的情况下,该第二业务系统也可以运行在数据接收端上,这样数据接收端便可以自然而然的与第二业务系统进行交互。或者,在数据接收端的设备性能很一般或者第二业务系统的运行会比较占用资源的情况下,该第二业务系统可以运行在独立于数据接收端外的第二外部设备上,这样数据接收端便需要通过与第二外部设备的通信而实现与第二业务系统的交互。
也在本实施例中,第一业务系统所属的公司、企业、单位或个人往往需要与第二业务系统所属的公司、企业、单位或个人进行合作,以实现利用第二业务系统来对第一业务系统中涉密的数据进行处理。例如,第一业务系统是省厅或部局所使用的系统,而第二业务系统则可以是地市局所使用的系统,那么省厅或部局可以需要与地市公安局配合,将该地市公安局监控到的对象与省厅或部局数据库中存储的对象数据进行匹配,以判断是否监控到了省厅或部局所关注的人、载具等。
第二业务系统采集到的数据的量往往很大,例如,该地市公安局控到了成千上万张人像的图像。若将第二业务系统所采集到的数据通过发送给第一业务系统,由第一业务系统对该数据进行处理,那么第一业务系统则会获得第一业务系统对接的多个第二业务系统发送的所有数据,这样第一业务系统在处理这些大量的数据时则会有非常大负担。因此,在这种情况下,第二业务系统便可以主动去向第一业务系统请求数据,以便第二业务系统基于从第一业务系统请求到的数据在第二业务系统对自己采集的数据进行处理。这样,数据接收端便可以执行步骤S100。
步骤S100:所述数据接收端向所述数据分发端发送携带有目标算法标识的数据请求。
数据接收端通过与第二业务系统的交互例如访问第二业务系统而获知第二业务系统当前需要获得第一业务系统上的数据。例如,第二业务系统刚展开与第一业务系统的合作,那么第二业务系统便需要获得第一业务系统上与合作相关的数据,但并不限定于此场景;例如,第二业务系统获知到第一业务系统上的数据更新,那么第二业务系统也需要获得这些更新的数据。第二业务系统可以生成需要获得数据的数据获取请求,或者第二业务系统将自身的状态标记为成需要获得数据的数据请求状态。
相应的,数据接收端便可以获取到第二业务系统的数据获取请求或检测到第二业务系统处于该数据请求状态,这样,数据接收端便可以去第一业务系统请求第二业务系统需要获取的数据。
本实施例中,在第二业务系统生成的数据获取请求或处于的数据请求状态中,携带了第二业务系统所使用的目标算法的目标算法标识,或不仅携带了目标算法标识,还而且携带了第二业务系统需要获取的数据的数据标识。其中,目标算法标识可以是目标算法的算法版本号,而数据标识则可以表示出:第二业务系统需要获取的数据是针对哪一种类型例如是人、动物还是物体,第二业务系统需要获取的数据的时间范围,以及第二业务系统需要获取的数据的地域范围等。这样,数据接收端便可以相应的获得该目标算法标识,或同时获得目标算法标识和数据标识。
基于此,数据接收端便可以生成携带有目标算法的目标算法标识或同时携带有目标算法标识和数据标识的数据请求,并将该数据请求实时通过与数据分发端连接的通信链路发送给数据分发端,或检测与数据分发端通信的通信链路的当前状态,在当前状态适当时将数据请求发送给数据分发端。
需要说明的是,在一些情况下,根据第二业务系统的需求,例如第二业务系统的需要的是通用或默认的原数据,但需要使用特定的算法,故数据接收端可以生成仅携带目标算法标识而不携带数据标识的数据请求,并发送至数据分发端。而在另一些情况下,例如第二业务系统需要特定类型的原数据和特定类型的算法,那么数据接收端则可以生成同时携带数据标识和目标算法标识的数据请求,并发送至数据分发端。
步骤S200:所述数据分发端接收所述数据请求。
相应的,数据分发端通过与数据接收端连接的通信链路,便可以接收该数据接收端发送的数据请求。
这样,数据分发端基于接收的数据请求便可以执行步骤S300。
步骤S300:所述数据分发端获得所述目标算法标识对应的特征数据。
于本实施例中,作为获得目标算法标识对应的特征数据的一种方式,从多种算法中确定出与所述目标算法标识对应的目标算法,可以利用目标算法对原数据进行特征提取而获得特征数据。在这种方式中,数据分发端预先并未对原数据进行处理,而可以基于确定出的该目标算法实时的去处理原数据,从而实时的获得特征数据。
本实施例中,数据分发端中预先设置了多种用于特征提取的算法,并可以将多种算法存储在数据分发端的数据库中。可以理解到的是,一般情况下,多种算法所占据的存储空间并不会太大,通常情况可以在数据分发端的存储介质中建立数据库来存储该多种算法;当然,针对应用场景的不同,若多种算法所占据的存储空间很大,则可以将多种算法存储在数据分发端以外的存储设备中。
需要说明的是,多种算法中包含了多个数据接收端的各种算法,例如,若针对图像处理,那么多种算法可以包括:CNN算法(Convolutional Neural Networks,卷积神经网络)、R-CNN算法(RegionConvolutional Neural Networks,区域卷积神经网络)、Faster-RCNN算法 (FasterRegionConvolutional Neural Networks,快速区域卷积神经网络)、RFCN算法(Object Detection via Region-based Fully Convolutional Networks,区域全卷积网络)、SSD算法(Single Shot MultiBox Detector,目标物检测)、RetinaNet算法、RefineDet算法和YOLOv2算法等,但并不限定于此,例如,各种算法也可以同一图像处理算法的不同版本。
首先,数据分发端可以确定出原数据和目标算法。
数据分发端可以确定出原数据。数据请求中可以包含目标算法标识,或同时包含目标算法标识和数据标识。当数据请求中包含目标算法标识而不包含数据标识时,特征提取的对象可以是通用或默认的原数据。当数据请求中同时包含目标算法标识和数据标识时,特征提取的对象是特定类型的原数据。数据分发端可以基于数据请求中的数据标识,从所有存储的数据中确定出满足该数据标识的原数据。所有可选的原数据称为存储的数据,数据标识用于标识所需要的原数据是存储的数据中的哪一种。例如,数据标识为表示:获得包含的对象为载具的图像,以及图像采集时间为2018年 1月1日至2018年3月1日,以及图像采集的地区是A市的A1街道,根据上述标识即可从存储的数据中选择出所需的原数据。
当数据请求中包含目标算法标识时,特征提取的对象为通用或默认的原数据,原数据可以存储在第一业务系统,也可以存储在数据分发端。若原数据存储在第一业务系统,数据分发端接收到数据请求后可以通知第一业务系统,第一业务系统将原数据发送给数据分发端。
当数据请求中同时包含目标算法标识和数据标识时,特征提取的对象为与数据标识匹配的原数据,需要从存储的数据中进行选择。存储的数据可以存储在第一业务系统,也可以存储在数据分发端。
若存储的数据存储在第一业务系统上,可以由第一业务系统根据数据标识从存储的数据中选择出与数据标识匹配的原数据,把该匹配的原数据发送给数据分发端,也可以由第一业务系统将存储的数据发送给数据分发端,数据分发端根据数据标识从存储的数据中选择出与数据标识匹配的原数据。
若存储的数据原本就存储在数据分发端,则可以由数据分发端根据数据标识从存储的数据中选择出与数据标识匹配的原数据。在第一业务系统或数据分发端试图根据数据标识从存储的数据中选择出与数据标识匹配的原数据时,可以预先设置每个数据接收端的访问权限,当试图利用数据标识从存储的数据中选择出匹配该数据标识的原数据时,判断该数据标识是否处于该数据接收端的访问权限内,若是,则选择出与数据标识匹配的原数据。例如,存储的数据位于第一业务系统,第一业务系统中可以预先设置数据接收端的访问权限,便可以根据数据标识判断数据接收端是否有权访问A市的A1街道的相关原数据。若是,则可确定出满足采集时间点在 2018年1月1日至2018年3月1日内,以及满足采集地点是A市的A1街道的所有包含载具的图像作为原数据,并将该原数据在数据分发端进行特征提取后将特征数据发送给数据接收端。基于这种方式,能够有效提升数据访问的安全性,即数据接收端获取的是对其需要的且在其使用权限以内的原数据进行特征提取获得的特征数据。权限以外的原数据所对应的特征数据,数据接收端则无法获取到。此外,只发送目标算法标识和数据标识对应的特征数据能够减少数据传输量,有效提升数据传输效率。
数据分发端可以确定出目标算法。数据分发端中可以预先存储每种算法的算法标识,以便后续可以通过算法标识的匹配来找到对应的算法。这样,数据分发端在接收数据请求后,便可以获取到该数据请求中携带的目标算法标识,并将该目标算法标识与多种算法的多个算法标识匹配,获得与该目标算法标识匹配的一个算法标识,从而确定出目标算法。数据分发端基于该匹配的算法标识,便可以确定出该匹配的算法标识对应的一种算法为目标算法标识对应的目标算法。
需要说明的是,确定原数据的步骤也不限于本实施例所例举说明的情况,根据实际选择需求,数据分发端可以选择在确定目标算法之前、之后或同时来获得原数据。若数据请求中携带的是数据类型,而并未携带目标算法标识,那么数据分发端基于数据类型确定出原数据后,数据分发端可以利用默认的算法对该原数据进行处理,或者利用数据分发端上所有的算法依次对该原数据进行处理,从而获得特征数据。
接着,数据分发端可以利用确定出的目标算法对确定出的原数据进行特征提取。
于本实施例中,作为获得特征数据的另一种方式,根据目标算法标识从存储在所述数据分发端的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的。数据分发端可以预先(例如在接收到来自数据接收端的数据请求之前)利用多种算法对原数据进行特征提取获得多种待选特征数据,而基于目标算法标识便可以直接从多种待选特征数据中获得与目标算法标识对应的特征数据。
首先需要对原数据进行特征提取获得多种待选特征数据。
当数据请求中包含目标算法标识时,特征提取的对象为通用或默认的原数据,多种待选特征数据为利用多种算法对原数据进行特征提取而获得的,多种待选特征数据中包含算法标识。
数据分发端在接收数据请求后,便可以获取到该数据请求中携带的目标算法标识,将该目标算法标识与多种待选特征数据中包含的多个算法标识匹配,获得与该目标算法标识匹配的一个算法标识,从而选择出与目标算法标识对应的特征数据。其中,原数据可以存储在第一业务系统,或可以存储在与数据分发端建立交互关系的其它设备上,或者也可以存储在数据分发端自身。
若原数据存储在第一业务系统/其它设备,可由第一业务系统/其它设备使用多种算法进行特征提取得到多种待选特征数据,把提取后的多种待选特征数据发送给数据分发端。也可由第一业务系统/其它设备把原数据发送给数据分发端,由数据分发端使用多种算法进行特征提取得到多种待选特征数据,还可由第一业务系统/其它设备将原数据发送给存储有多个算法的设备,由该设备进行特征提取得到多种待选特征数据,把提取后的多种待选特征数据发送给数据分发端。若原数据存储在数据分发端,可由数据分发端使用多种算法进行特征提取得到多种待选特征数据。
当数据请求中同时包含目标算法标识和数据标识时,特征提取的对象为所有的原数据,也即存储的数据,多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的,多种待选特征数据中不仅可以包含算法标识,还包含数据标识。这样,由于数据分发端可以根据数据接收端所需要的目标算法标识和数据标识来选择对应的特征数据,故实现了选择出的特征数据是更具有针对性的数据,能够更好的满足数据接收端需求。
详细地,数据分发端在接收数据请求后,便可以获取到该数据请求中携带的目标算法标识和数据标识,将该目标算法标识和数据标识与多种待选特征数据中包含的多个算法标识和数据标识的组合匹配,获得与该目标算法标识和数据标识匹配的一个算法标识和数据标识,从而选择出对应的特征数据。存储的数据可以存储在第一业务系统/其它设备,也可以存储在数据分发端。
若存储数据存储在第一业务系统,可由第一业务系统使用多种算法进行特征提取得到多种待选特征数据,把提取后的多种待选特征数据发送给数据分发端。或者也可由第一业务系统把存储数据发送给数据分发端,由数据分发端使用多种算法进行特征提取得到多种待选特征数据。或者还可由第一业务系统/其它设备将存储的数据发送给存储有多个算法的设备,由该设备进行特征提取得到多种待选特征数据,把提取后的多种待选特征数据发送给数据分发端。
若存储数据存储在数据分发端,则由数据分发端使用多种算法对存储数据进行特征提取得到多种待选特征数据。
接着,当接收到数据请求后,根据数据请求从数据分发端存储的多种待选特征数据中选择出与目标算法标识对应的特征数据,或与目标算法标识和数据标识对应的特征数据。
于本实施例中,由于无需进行实时的特征提取,分发端能够对接收端的数据请求进行实时响应,且降低了对分发端的计算能力的需求;同时,对已经提取好的特征数据,在接收端对该特征数据有重复需求时,可以重复发送给接收端使用,减少了重复计算。
实际应用中,可以根据实际需求的不同而从以上两种方式中选择合适的方式来获得特征数据,提高了实际应用中的灵活性。可以理解到的是,数据分发端获得特征数据后,便可以继续执行步骤S400。
步骤S400:所述数据分发端将所述特征数据发送至所述数据接收端。
数据分发端也通过与数据接收端连接的通信链路,数据接收端便可以将该特征数据实时的发送给数据接收端,或者,也是待该通信链路的状态合适再把特征数据发送给数据接收端。
步骤S500:所述数据接收端接收所述数据分发端发送的所述特征数据。
相应的,数据接收端便可以接收数据分发端发送的该特征数据,以及数据接收端则可以再将该特征数据传输给第二业务系统,以便第二业务系统可以对利用该特征数据进行相应的业务处理。例如,在原数据为人像的图像、特征数据为人像特征的情况下,第二业务系统可以利用比对算法将该特征数据与第二业务系统采集并利用目标算法处理得到的特征数据进行匹配,从而实现人像识别。
请参阅图4,本申请的一些实施例提供了一种特征数据共享装置100,该特征数据共享装置100可以数据分发端,该特征数据共享装置100可以包括:
请求接收模块110,用于接收数据接收端发送的携带有目标算法标识的数据请求。
特征数据获得模块120,用于获得所述目标算法标识对应的特征数据。
特征数据发送模块130,用于将所述特征数据发送至所述数据接收端。
其中,所述特征数据获得模块120,还用于从多种算法中确定出与所述目标算法标识对应的目标算法,利用所述目标算法对原数据进行特征提取而获得所述特征数据;或还用于根据目标算法标识从存储的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的;
或者,所述特征数据获得模块120,还用于从多种待选特征数据中选择出与所述目标算法标识和所述数据标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的,所述存储的数据为所有可选的原数据;
所述目标算法是所述多种算法中的一种。
请参阅图5,本申请的一些实施例提供了一种特征数据共享装置200,该特征数据共享装置200可以数据接收端,该特征数据共享装置200可以包括:
请求发送模块210,用于向数据分发端发送携带有目标算法标识的数据请求,所述数据请求用于从所述数据分发端获得所述目标算法标识对应的特征数据。
特征数据接收模块220,用于接收所述数据分发端发送的所述特征数据。
需要说明的是,由于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。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质,该计算机可读存储介质上存储有程序代码,该程序代码被计算机运行时执行上述任一实施方式的特征数据共享方法的步骤。
详细地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的程序代码被运行时,能够执行上述施例的特征数据共享方法的步骤,以实现源端可以满足实际需求,提升其实际中的适用性。
本申请实施例所提供的特征数据共享方法的程序代码产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
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,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本申请实施例提供了一种特征数据共享方法、装置、系统、处理端及存储介质。方法应用于数据分发端,方法包括:接收数据接收端发送的携带有目标算法标识的数据请求;获得目标算法标识对应的特征数据;将特征数据发送至数据接收端。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种特征数据共享方法,其特征在于,应用于数据分发端,所述方法包括:
接收数据接收端发送的携带有目标算法标识的数据请求;
获得所述目标算法标识对应的特征数据;
将所述特征数据发送至所述数据接收端;
所述获得目标算法标识对应的特征数据包括:从多种算法中确定出与所述目标算法标识对应的目标算法,利用所述目标算法对原数据进行特征提取而获得所述特征数据;或,
所述获得目标算法标识对应的特征数据包括:根据目标算法标识从存储的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种。
2.根据权利要求1所述特征数据共享方法,其特征在于,利用多种算法对所述原数据进行特征提取包括:
在接收所述数据接收端发送的携带有所述目标算法标识的数据请求之前利用多种算法对所述原数据进行特征提取;或
在获得所述目标算法标识对应的特征数据之前利用所述多种算法对所述原数据进行特征提取。
3.根据权利要求1所述的特征数据共享方法,其特征在于,在利用所述目标算法对原数据进行特征提取而获得所述特征数据之前,所述方法还包括:
根据所述数据请求中携带的用于标识原数据种类的数据标识,从存储的数据中选择与所述数据标识匹配的所述原数据。
4.根据权利要求1所述特征数据共享方法,其特征在于,在获得所述目标算法标识对应的特征数据之前,所述方法还包括:
从所述数据分发端自身、或从与所述数据分发端交互的第一业务系统或其它设备获得所述原数据或所述多种待选特征数据。
5.根据权利要求1-4任一权项所述特征数据共享方法,其特征在于,
所述特征数据为人像特征。
6.根据权利要求1-4任一权项所述特征数据共享方法,其特征在于,
所述数据分发端与对应的多个数据接收端连接。
7.根据权利要求1-4任一权项所述特征数据共享方法,其特征在于,
所述数据分发端为设置在省厅或部局的设备,所述数据接收端为设置在地市公安局的设备。
8.一种特征数据共享方法,其特征在于,应用于数据分发端,所述方法包括:
接收数据接收端发送的携带有目标算法标识和用于标识原数据种类的数据标识的数据请求;
获得所述目标算法标识对应的特征数据;
将所述特征数据发送至所述数据接收端;
所述获得目标算法标识对应的特征数据包括:从多种待选特征数据中选择出与所述目标算法标识和所述数据标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种,所述存储的数据为所有可选的原数据。
9.一种特征数据共享方法,其特征在于,应用于数据接收端,所述方法包括:
向数据分发端发送携带有目标算法标识的数据请求,所述数据请求用于从所述数据分发端获得所述目标算法标识对应的特征数据;
接收所述数据分发端发送的所述特征数据。
10.根据权利要求9所述的特征数据共享方法,其特征在于,在接收所述数据分发端发送的所述特征数据之后,所述方法还包括:
将所述特征数据发送至需要使用所述特征数据的第二业务系统。
11.一种特征数据共享方法,其特征在于,应用于数据分发端和数据接收端,所述方法包括:
所述数据接收端向所述数据分发端发送携带有目标算法标识的数据请求;
所述数据分发端接收所述数据请求;
所述数据分发端获得所述目标算法标识对应的特征数据;
所述数据分发端将所述特征数据发送至所述数据接收端;
所述数据接收端接收所述数据分发端发送的所述特征数据;
所述获得目标算法标识对应的特征数据包括:从多种算法中确定出与所述目标算法标识对应的目标算法,利用所述目标算法对原数据进行特征提取而获得所述特征数据;或,
所述获得目标算法标识对应的特征数据包括:根据目标算法标识从存储的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种。
12.一种特征数据共享方法,其特征在于,应用于数据分发端和数据接收端,所述方法包括:
所述数据接收端向所述数据分发端携带有目标算法标识和用于标识原数据种类的数据标识的数据请求;
所述数据分发端接收所述数据请求;
所述数据分发端获得所述目标算法标识对应的特征数据;
所述数据分发端将所述特征数据发送至所述数据接收端;
所述数据接收端接收所述数据分发端发送的所述特征数据;
所述获得目标算法标识对应的特征数据包括:从多种待选特征数据中选择出与所述目标算法标识和所述数据标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种,所述存储的数据为所有可选的原数据。
13.一种特征数据共享装置,其特征在于,应用于数据分发端,所述装置包括:
请求接收模块,用于接收数据接收端发送的携带有目标算法标识的数据请求;
特征数据获得模块,用于获得所述目标算法标识对应的特征数据;
特征数据发送模块,用于将所述特征数据发送至所述数据接收端;
其中,所述特征数据获得模块,还用于从多种算法中确定出与所述目标算法标识对应的目标算法,利用所述目标算法对原数据进行特征提取而获得所述特征数据;或还用于根据目标算法标识从存储的多种待选特征数据中选择出与所述目标算法标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对所述原数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种。
14.一种特征数据共享装置,其特征在于,应用于数据分发端,所述装置包括:
请求接收模块,用于接收数据接收端发送的携带有目标算法标识和用于标识原数据种类的数据标识的数据请求;
特征数据获得模块,用于获得所述目标算法标识对应的特征数据;
特征数据发送模块,用于将所述特征数据发送至所述数据接收端;
其中,所述特征数据获得模块,还用于从多种待选特征数据中选择出与所述目标算法标识和所述数据标识对应的所述特征数据,所述多种待选特征数据为利用多种算法对存储的数据进行特征提取而获得的;
所述目标算法是所述多种算法中的一种,所述存储的数据为所有可选的原数据。
15.一种特征数据共享装置,其特征在于,应用于数据接收端,所述装置包括:
请求发送模块,用于向数据分发端发送携带有目标算法标识的数据请求,所述数据请求用于从所述数据分发端获得所述目标算法标识对应的特征数据;
特征数据接收模块,用于接收所述数据分发端发送的所述特征数据。
16.一种特征数据共享系统,其特征在于,包括;数据分发端,以及与所述数据分发端连接的数据接收端;
所述数据分发端,用于执行如权利要求1-8任一权项所述的特征数据共享方法;
所述数据接收端,用于执行如权利要求9或10所述的特征数据共享方法。
17.一种处理端,其特征在于,所述处理端包括:处理器,存储器,通信接口,总线系统和/或其它形式的连接机构;
所述处理器、所述通信接口和所述存储器通过所述总线系统和/或其它形式的连接机构连接;
所述存储器,用于存储程序;
所述处理器,用于通过调用存储在所述存储器中的所述程序以执行如权利要求1-12任一权项所述的特征数据共享方法。
18.一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计算机程序,所述计算机程序被计算机运行时执行如权利要求1-8任一权项或执行如权利要求9或10所述的特征数据共享方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084084.4A CN109948430A (zh) | 2019-01-28 | 2019-01-28 | 特征数据共享方法、装置、系统、处理端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084084.4A CN109948430A (zh) | 2019-01-28 | 2019-01-28 | 特征数据共享方法、装置、系统、处理端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948430A true CN109948430A (zh) | 2019-06-28 |
Family
ID=67006564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910084084.4A Pending CN109948430A (zh) | 2019-01-28 | 2019-01-28 | 特征数据共享方法、装置、系统、处理端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948430A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101132277A (zh) * | 2006-08-26 | 2008-02-27 | 华为技术有限公司 | 一种生物认证方法 |
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
CN101685459A (zh) * | 2008-09-28 | 2010-03-31 | 华为技术有限公司 | 一种多媒体搜索的方法和装置 |
US20120020535A1 (en) * | 2010-07-22 | 2012-01-26 | Igentx | Unique, repeatable, and compact biometric identifier |
CN104881667A (zh) * | 2014-02-28 | 2015-09-02 | 阿里巴巴集团控股有限公司 | 一种特征信息的提取方法及装置 |
CN108764350A (zh) * | 2018-05-30 | 2018-11-06 | 苏州科达科技股份有限公司 | 目标识别方法、装置及电子设备 |
CN108924109A (zh) * | 2018-06-21 | 2018-11-30 | 北京旷视科技有限公司 | 数据传输方法、装置及处理设备 |
-
2019
- 2019-01-28 CN CN201910084084.4A patent/CN109948430A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101132277A (zh) * | 2006-08-26 | 2008-02-27 | 华为技术有限公司 | 一种生物认证方法 |
CN101685459A (zh) * | 2008-09-28 | 2010-03-31 | 华为技术有限公司 | 一种多媒体搜索的方法和装置 |
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
US20120020535A1 (en) * | 2010-07-22 | 2012-01-26 | Igentx | Unique, repeatable, and compact biometric identifier |
CN104881667A (zh) * | 2014-02-28 | 2015-09-02 | 阿里巴巴集团控股有限公司 | 一种特征信息的提取方法及装置 |
CN108764350A (zh) * | 2018-05-30 | 2018-11-06 | 苏州科达科技股份有限公司 | 目标识别方法、装置及电子设备 |
CN108924109A (zh) * | 2018-06-21 | 2018-11-30 | 北京旷视科技有限公司 | 数据传输方法、装置及处理设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104954322B (zh) | 一种账号的绑定处理方法、装置及系统 | |
CN109034800A (zh) | 一种隐私交易方法、系统及设备 | |
CN107871232A (zh) | 一种客户拜访计划的生成方法及其终端 | |
CN109600798A (zh) | 一种网络切片中多域资源分配方法及装置 | |
CN109213792A (zh) | 数据处理的方法、服务端、客户端、装置及可读存储介质 | |
CN109639643A (zh) | 基于区块链的客户经理信息共享方法、电子装置及可读存储介质 | |
CN109462508A (zh) | 节点部署方法、装置和存储介质 | |
CN113392158A (zh) | 业务数据处理方法、装置及数据中台 | |
CN106940880A (zh) | 一种美颜处理方法、装置和终端设备 | |
CN115914392A (zh) | 算力网络资源调度方法及系统 | |
CN112769943A (zh) | 一种业务处理的方法及装置 | |
CN106161519A (zh) | 一种信息获取方法和装置 | |
US11431800B2 (en) | Systems and methods for recording an indeterministic transaction on a distributed ledger network | |
US7133913B2 (en) | Information routing | |
CN110365508A (zh) | 虚拟网络功能实例化的方法和网络功能虚拟化编排器 | |
Faticanti et al. | Locality-aware deployment of application microservices for multi-domain fog computing | |
CN112399388B (zh) | 一种实现边缘计算的方法、装置和系统 | |
CN106469091B (zh) | 用于分配可用区的方法和装置 | |
CN105610698B (zh) | 事件结果的处理方法和装置 | |
CN109948430A (zh) | 特征数据共享方法、装置、系统、处理端及存储介质 | |
CN106452816B (zh) | 一种信息处理方法、服务器及客户端 | |
CN106469166B (zh) | 一种信息处理方法及装置 | |
US20080301218A1 (en) | Strategies for Compressing Information Using Bloom Filters | |
CN110457539A (zh) | 名单数据处理方法、装置、电子终端及存储介质 | |
CN106875175A (zh) | 一种便于支付主体扩展的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |