CN110378092B - 身份识别系统及客户端、服务器和方法 - Google Patents
身份识别系统及客户端、服务器和方法 Download PDFInfo
- Publication number
- CN110378092B CN110378092B CN201910682371.5A CN201910682371A CN110378092B CN 110378092 B CN110378092 B CN 110378092B CN 201910682371 A CN201910682371 A CN 201910682371A CN 110378092 B CN110378092 B CN 110378092B
- Authority
- CN
- China
- Prior art keywords
- utilized
- image
- server
- client
- identity
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开一种身份识别系统及客户端、服务器和方法,客户端包括:图像采集模块,获得待利用图像;特征提取模块,利用客户端本地存储的特征提取模型对待利用图像进行图像特征提取,确定待利用图像特征;确定模块,利用待利用图像特征及已建立的标签对应关系,确定待利用图像特征对应的推测身份标签;获得模块,获得待利用图像特征对应的标定身份标签;第一发送模块,将待利用图像特征、推测身份标签和标定身份标签作为训练数据,发送至服务器;更新模块,根据服务器发送的特征提取模型,替换更新客户端本地存储的特征提取模型,以在一定程度上实现对人员隐私的保护,降低泄露人员隐私的风险。
Description
技术领域
本发明涉及图像识别技术领域,具体而言,涉及一种身份识别系统及客户端、服务器和方法。
背景技术
随着科技的进步,基于图像的人脸识别在人的身份鉴定、金融以及安保系统等领域已有广泛的应用。
通过调研关于身份识别技术的理论与产品现状,我们可以发现,现有技术中基于图像的身份识别模型在身份的训练和推断时,往往需要将用户的原始图像数据发送至位于服务侧的设备进行处理,例如,利用图像传感器采集各种包含人脸和/或人体的样本图像数据,进而将样本图像数据上传至为用户提供服务的终端设备、服务器或云平台进行用于身份认证的神经网络模型的训练,进而将训练好的模型固化至终端设备、服务器、云平台或图像传感器产品中,从而形成最终的用于身份认证的产品供用户使用,例如:固化有训练好的身份认证模型的图像传感器产品,或连接有图像传感器的终端设备、服务器或云平台产品。
上述方式存在如下问题:为用户提供服务一侧的终端设备、服务器或云平台接收了大量包含人脸和/或人体的样本图像数据,容易造成用户隐私泄露,给用户带来心理负担;并且用户只能使用出厂时训练好的某一模型,无法完全符合使用场景、目标对象的变化,如果试图适应所有可能的场景和对象,将需要大量样本,整个产品在出厂前的神经网络训练时间将大大增加,且成本较高。
发明内容
本发明提供了一种身份识别系统及客户端、服务器和方法,以在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险。具体的技术方案如下:
一方面,本发明实施例提供了一种身份识别系统中的客户端,所述身份识别系统还包括服务器,所述服务器,被配置为获得并存储客户端发送的训练数据,并若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至所述客户端;所述客户端包括:
图像采集模块,被配置为获得待利用图像,其中,所述待利用图像为针对待利用人员采集的图像;
特征提取模块,被配置为利用客户端本地存储的特征提取模型对所述待利用图像进行图像特征提取,确定所述待利用图像对应的待利用图像特征;
确定模块,被配置为利用所述待利用图像特征以及已建立的标签对应关系,确定所述待利用图像特征对应的推测身份标签,其中,所述标签对应关系包括:历史图像特征与身份标签的对应关系;
获得模块,被配置为获得所述待利用图像特征对应的待利用人员的标定身份标签;
第一发送模块,被配置为将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据,发送至所述服务器;
更新模块,被配置为根据所述服务器发送的特征提取模型,对所述客户端本地存储的特征提取模型进行替换更新。
可选的,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
可选的,所述确定模块包括:
相似度计算单元,被配置为将所述待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得所述待利用图像特征与每一历史图像特征之间的相似度;
确定单元,被配置为将所述标签对应关系中的、与所述待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为所述待利用图像特征对应的推测身份标签。
可选的,所述第一发送模块包括:
第一损失值计算单元,被配置为利用预设损失值算法以及所述待利用图像特征对应的所述推测身份标签和所述标定身份标签,计算所述待利用图像特征对应的损失值;
发送单元,被配置为将所述待利用图像特征及其对应的所述推测身份标签、所述标定身份标签和所述损失值作为训练数据,发送至所述服务器。
可选的,所述获得模块包括:
信息输出单元,被配置为输出用于询问所述待利用人员的标定身份标签的询问信息;
获得单元,被配置为获得所述待利用人员输入的标定身份标签,作为所述待利用图像特征对应的待利用人员的标定身份标签。
可选的,所述第一发送模块,还被配置为发送模型获取指令至所述服务器,以使得所述服务器响应于所述模型获取指令,将所述新的特征提取模型发送至所述客户端。
另一方面,本发明实施例提供了一种身份识别系统中的服务器,所述身份识别系统还包括至少一个客户端,所述客户端,被配置为利用其本地存储的特征提取模型,对所获得的待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征,并获得所述待利用图像特征对应的推测身份标签以及标定身份标签,将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据,发送至所述服务器;所述客户端还被配置为根据所述服务器发送的特征提取模型,对其本地存储的特征提取模型进行替换更新;所述服务器包括:
获得存储模块,被配置为获得所述客户端发送的训练数据,并存储;
参数调整模块,被配置为若检测到当前所获得的待利用图像特征的数量超过预设阈值,利用当前所获得的每一训练数据,调整所述服务器本地存储的特征提取模型的参数,得到新的特征提取模型;
第二发送模块,被配置为将新的特征提取模型发送至所述客户端。
可选的,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
可选的,所述参数调整模块包括:
第二损失值计算单元,被配置为针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,计算该待利用图像特征对应的损失值;
参数调整单元,被配置为利用每一待利用图像特征对应的损失值,调整所述服务器本地存储的特征提取模型的参数。
可选的,所述训练数据还包括待利用图像特征对应的损失值,其中,所述待利用图像特征对应的损失值为:所述客户端利用预设损失值算法以及该训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定的该待利用图像特征对应的损失值;
所述参数调整模块,被具体配置为利用当前所获得的每一训练数据包括的待利用图像特征对应的损失值,调整所述服务器本地存储的特征提取模型的参数。
可选的,所述第二发送模块被具体配置为:
接收所述客户端发送的模型获取指令,并响应于所述模型获取指令,将新的特征提取模型发送至所述客户端。
另一方面,本发明实施例提供了一种身份识别系统,包括:如上述所述的任一项所述的客户端,以及如上述所述的任一项所述的服务器。
另一方面,本发明实施例提供了一种身份识别方法,应用于身份识别系统的客户端,所述身份识别系统还包括服务器,所述服务器,被配置为获得并存储客户端发送的训练数据;若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至所述客户端;所述方法包括:
获得待利用图像,其中,所述待利用图像为针对待利用人员采集的图像;
利用客户端本地存储的特征提取模型对所述待利用图像进行图像特征提取,确定所述待利用图像对应的待利用图像特征;
利用所述待利用图像特征以及已建立的标签对应关系,确定所述待利用图像特征对应的推测身份标签,其中,所述标签对应关系包括:历史图像特征与身份标签的对应关系;
获得所述待利用图像特征对应的待利用人员的标定身份标签;
将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据发送至服务器;
根据所述服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
可选的,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
可选的,所述利用所述待利用图像特征以及已建立的标签对应关系,确定所述待利用图像特征对应的推测身份标签的步骤,包括:
将所述待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得所述待利用图像特征与每一历史图像特征之间的相似度;
将所述标签对应关系中的、与所述待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为所述待利用图像特征对应的推测身份标签。
可选的,所述将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据发送至服务器的步骤,包括:
利用预设损失值算法以及所述待利用图像特征对应的所述推测身份标签和所述标定身份标签,计算所述待利用图像特征对应的损失值;
将所述待利用图像特征及其对应的所述推测身份标签、所述标定身份标签和所述损失值作为训练数据发送至所述服务器,以使得所述服务器利用所获得的每一训练数据包括的待利用图像特征对应的损失值,调整所述服务器本地存储的特征提取模型的参数。
可选的,所述获得所述待利用图像特征对应的待利用人员的标定身份标签的步骤,包括:
输出用于询问所述待利用人员的标定身份标签的询问信息;并获得所述待利用人员输入的标定身份标签,作为所述待利用图像特征对应的待利用人员的标定身份标签。
可选的,在所述根据所述服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新的步骤之前,所述方法还包括:
发送模型获取指令至所述服务器,以使得所述服务器响应于所述模型获取指令,将所述新的特征提取模型发送至所述客户端。
另一方面,本发明实施例提供了一种身份识别方法,应用于身份识别系统的服务器,所述身份识别系统还包括客户端,所述客户端,被配置为利用客户端本地存储的特征提取模型对所获得的待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征,并获得所述待利用图像特征对应的推测身份标签以及标定身份标签,将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据,发送至所述服务器;所述客户端还被配置为根据所述服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新;所述方法包括:
获得并存储所述客户端发送的训练数据;
若检测到当前所获得的待利用图像特征的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型;
将新的特征提取模型发送至所述客户端。
可选的,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
可选的,所述利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型的步骤,包括:
针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定该待利用图像特征对应的损失值;
利用每一待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型。
可选的,所述训练数据还包括待利用图像特征对应的损失值,其中,所述待利用图像特征对应的损失值为:所述客户端利用预设损失值算法以及该训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定的该待利用图像特征对应的损失值;
所述利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型的步骤,包括:
针对当前所获得的每一训练数据,利用该训练数据包括的待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型。
可选的,所述将新的特征提取模型发送至所述客户端的步骤,包括:
接收所述客户端发送的模型获取指令;
响应于所述模型获取指令,将新的特征提取模型发送至所述客户端。
由上述内容可知,本发明实施例提供的一种身份识别系统及客户端、服务器和方法,其中,身份识别系统包括服务器和客户端,服务器,被配置为获得并存储客户端发送的训练数据,并若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端;客户端包括:图像采集模块,被配置为获得待利用图像,其中,待利用图像为针对待利用人员采集的图像;特征提取模块,被配置为利用客户端本地存储的特征提取模型对待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征;确定模块,被配置为利用待利用图像特征以及已建立的标签对应关系,确定待利用图像特征对应的推测身份标签,其中,标签对应关系包括:历史图像特征与身份标签的对应关系;获得模块,被配置为获得待利用图像特征对应的待利用人员的标定身份标签;第一发送模块,被配置为将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据,发送至服务器;更新模块,被配置为根据服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
应用本发明实施例,身份识别系统中的客户端可以实现对待利用图像的图像特征的提取,进而,将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据,发送至服务器,实现客户端直接完成图像的采集以及图像特征的提取,进而将不包含待利用人员的面部以及身形等个人隐私信息的待利用图像特征,而非包含待利用人员的面部以及身形等个人隐私信息的图像,发送至服务器,且该待利用图像特征无法逆向获得包含待利用人员的面部以及身形等个人隐私信息的待利用图像,在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险,并且服务器若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据调整存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端,进而,客户端可以对存储的特征提取模型进行更新替换,实现对客户端与服务器的计算能力的分配,实现对客户端存储的特征提取模型的实时更新。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括:
1、身份识别系统中的客户端可以实现对待利用图像的图像特征的提取,进而,将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据,发送至服务器,实现客户端直接完成图像的采集以及图像特征的提取,进而将不包含待利用人员的面部以及身形等个人隐私信息的待利用图像特征,而非包含待利用人员的面部以及身形等个人隐私信息的图像,发送至服务器,且该待利用图像特征无法逆向获得包含待利用人员的面部以及身形等个人隐私信息的待利用图像,在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险,并且服务器若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据调整存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端,进而,客户端可以对存储的特征提取模型进行更新替换,实现对客户端存储的特征提取模型的实时更新。
2、身份识别系统中的服务器利用客户端发送的、包含待利用图像特征及其对应的推测身份标签和标定身份标签的训练数据,对本地存储的特征提取模型的参数进行调整,进而分发给各客户端,即服务器可以仅调整特征提取模型的参数并分发调整后的特征提取模型即可,在一定程度上降低了服务器的计算量,且无需存储包含人员的隐私的图像,在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。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。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为本发明实施例提供的身份识别系统中的客户端的一种结构示意图;
图2为本发明实施例提供的身份识别系统中的服务器的一种结构示意图;
图3为本发明实施例提供的身份识别系统的一种结构示意图;
图4为本发明实施例提供的身份识别系统中客户端与服务器之间的信息交互流程的一种示意图;
图5为本发明实施例提供的身份识别方法的一种流程示意图;
图6为本发明实施例提供的另一种身份识别方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付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。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明提供了一种身份识别系统及客户端、服务器和方法,以在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险。下面对本发明实施例进行详细说明。
第一方面,图1为本发明实施例提供的身份识别系统中的客户端的一种结构示意图。身份识别系统还可以包括服务器,服务器,被配置为获得并存储客户端发送的训练数据,并若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端;客户端包括:
图像采集模块110,被配置为获得待利用图像,其中,待利用图像为针对待利用人员采集的图像;
特征提取模块120,被配置为利用客户端本地存储的特征提取模型对待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征;
确定模块130,被配置为利用待利用图像特征以及已建立的标签对应关系,确定待利用图像特征对应的推测身份标签,其中,标签对应关系包括:历史图像特征与身份标签的对应关系;
获得模块140,被配置为获得待利用图像特征对应的待利用人员的标定身份标签;
第一发送模块150,被配置为将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据,发送至服务器;
更新模块160,被配置为根据服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
本发明实施例中,该客户端可以是智能摄像头以及智能照相机等设备,也可以是手机以及平板电脑等设置有摄像头的移动终端,这都是可以的。该身份识别系统中可以包括一个或多个客户端,以及一个或多个服务器,这都是可以的。其中,该身份识别系统中的不同客户端可以获得针对不同监控场景采集的图像和/或不同其他图像数据源发送的图像。
该身份识别系统中的服务器可以设置成主备设备形式的服务器结构,服务器之间的数据可共享,在作为主设备的服务器正常工作时,该作为备设备的服务器可以同步作为主设备的服务器的数据,不进行计算;当作为主设备的服务器不能正常工作时,该作为备设备中的一个服务器可以被配置为主设备,执行相应地特征提取模型的参数的调整等操作。或者,该身份识别系统中的服务器可设置成分布式的服务器结构,举例而言,后续提到的获得存储模块、参数调整模块以及第二发送模块可以分别设置于不同的服务器内。
上述其他图像数据源可以包括其他可以采集图像的非上述客户端的设备。
其中,图像采集模块110可以实时获得针对所对应监控场景采集的图像或其他图像数据源发送的图像,并在确定图像中包含待利用人员时,将该包含待利用人员的图像作为待利用图像,并发送至特征提取模块120。特征提取模块130获得待利用图像之后,利用客户端本地存储的特征提取模型对待利用图像进行特征提取,确定待利用图像对应的图像特征,作为待利用图像特征,进而将待利用图像特征分别发送至确定模块140以及第一发送模块150。确定模块130接收待利用图像特征之后,可以利用待利用图像特征与已建立的标签对应关系中的历史图像特征进行匹配,进而将标签对应关系中与待利用图像特征匹配成功的历史图像特征对应的身份标签,确定为待利用图像特征对应的推测身份标签,进而将待利用图像特征对应的推测身份标签发送至第一发送模块150。
在确定模块130将待利用图像特征对应的推测身份标签发送至第一发送模块150后,获得模块140可以获得待利用图像特征对应的待利用人员的标定身份标签并发送至第一发送模块150,其中,该标定身份标签可以为该待利用人员的真实的身份标签。第一发送模块150获得上述待利用图像特征及其对应的推测身份标签和标定身份标签之后,将上述三者作为训练数据发送至服务器。
服务器获得包含待利用图像特征及其对应的推测身份标签和标定身份标签的训练数据,并统计当前所获得的训练数据的数量,检测当前所获得的训练数据的数量是否超过预设阈值,若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端。
客户端的更新模块160获得服务器发送的特征提取模型,并根据服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
上述身份标签可以为:所对应人员的名字、身份证号以及在公司内的工号等在指定范围内可以唯一表征人员的身份的信息。该待利用图像为了可以为包含该待利用人员的指定部位的图像,也可以为包含该待利用人员的整个身体的图像,这都是可以的,该指定部位可以待利用人员的面部或指定手指。
在一种实现方式中,上述当前所获得的训练数据包括:服务器从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。其中,该当前时刻可以指服务器在检测到当前所获得的训练数据的数量超过预设阈值的时刻,或服务器获得使得服务器当前所获得的训练数据的数量超过预设阈值的训练数据的时刻。
一种情况,上述特征提取模型可以是基于深度学习的特征提取模型等。上述已建立的标签对应关系可以存储于服务器的预设存储区域,确定模块130获得待利用图像特征之后,可以向服务器请求获得该客户端可访问的标签对应关系,服务器对客户端进行验证之后,可以将预设存储区域存储的该客户端可访问的标签对应关系,反馈给客户端的确定模块130。上述标签对应关系中的身份标签可以是每一历史图像特征对应的标定身份标签。后续的,可以将上述待利用图像特征及其对应的标定身份标签,添加至上述已建立的标签对应关系中。
该标签对应关系可以以数据表的形式或文本的形式进行存储,本发明实施例并不对该标签对应关系的存储形式进行限定。
在客户端利用特征提取模型提取图像特征并确定图像特征对应的推测身份标签的初始阶段中,该已建立的标签对应关系中包括的历史图像特征,可以是:利用该特征提取模型或其他特征提取模型对图像进行图像特征提取所得到的图像特征,已建立的标签对应关系中包括的每一历史图像特征对应的身份标签,可以为:每一历史图像特征对应的人员的标定身份标签,即真实身份标签。该其他特征提取模型可以指除上述特征提取模型外的任一类型的特征提取模型。
其中,服务器的预设存储区域可以存储有表征每一客户端的访问权限的信息,例如:可以存储有每一客户端所关联用户的用户标识之间的对应关系,以及用户标识与可访问的标签对应关系之间的对应关系。
本发明实施例中,可以通过客户端和服务器配合实现对用于身份识别的特征提取模型的训练,即特征提取模型的参数的调整,具体的,通过客户端提取待利用图像的待利用图像特征,并确定待利用图像特征对应的推测身份标签以及标定身份标签,进而,将上述三者作为训练数据发送至服务器,服务器基于训练数据调整其本地存储的特征提取模型的参数,实现对特征提取模型的训练以及更新。并可以直接通过客户端实现身份识别。
应用本发明实施例,身份识别系统中的客户端可以实现对待利用图像的图像特征的提取,进而,将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据,发送至服务器,实现客户端直接完成图像的采集以及图像特征的提取,进而将不包含待利用人员的面部以及身形等个人隐私信息的待利用图像特征,而非包含待利用人员的面部以及身形等个人隐私信息的图像,发送至服务器,且该待利用图像特征无法逆向获得包含待利用人员的面部以及身形等个人隐私信息的待利用图像,在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险,并且服务器若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据调整存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端,进而,客户端可以对客户端本地存储的特征提取模型进行更新替换,实现对客户端与服务器的计算能力的分配,并实现对客户端存储的特征提取模型的实时更新,可以保持特征提取模型所提取的特征的准确性,进而保证客户端所推测的推测身份标签的准确性。
并且,本发明实施例中,身份识别系统可以实现边利用当前的特征提取模型进行身份识别,边利用身份识别结果,重新训练当前的特征提取模型,即调整当前的特征提取模型的参数,实现对特征提取模型的边使用边训练,始终保持特征提取模型对图像特征提取的准确性,在一定程度上避免出现由于所采集的包含人员的图像中,人员的穿着打扮发生变化时,对人员身份识别出现差错的情况。
在本发明的一种实现方式中,该确定模块130可以包括:
相似度计算单元,被配置为将待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得待利用图像特征与每一历史图像特征之间的相似度;
确定单元,被配置为将标签对应关系中的、与待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为待利用图像特征对应的推测身份标签。
该相似度计算单元可以利用预先设置的相似度计算算法,对待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得待利用图像特征与每一历史图像特征之间的相似度,并发送至确定单元;确定单元获得待利用图像特征与每一历史图像特征之间的相似度之后,将标签对应关系中的、与待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为待利用图像特征对应的推测身份标签。
其中,上述预先设置的相似度计算算法可以是:直方图匹配算法、基于特征点的图像相似度计算算法以及SSIM(Structural Similarity Index,结构相似性)算法等等,本发明实施例并不对上述预先设置的相似度计算算法的具体类型进行限定,凡是可以计算图像之间的相似度的算法均可以应用于本发明实施例中。
在本发明的另一实施例中,第一发送模块150包括:
第一损失值计算单元,被配置为利用预设损失值算法以及待利用图像特征对应的所述推测身份标签和所述标定身份标签,计算待利用图像特征对应的损失值;
发送单元,被配置为将待利用图像特征及其对应的推测身份标签、标定身份标签和损失值作为训练数据,发送至服务器。
本发明实施例中,客户端不仅可以提取待利用图像的待利用图像特征,客户端的第一损失值计算单元还可以利用预设损失值算法以及待利用图像特征对应的推测身份标签和标定身份标签,计算出待利用图像特征对应的损失值;进而发送单元将待利用图像特征及其对应的推测身份标签、标定身份标签和损失值作为训练数据,发送至服务器,以充分利用客户端的计算能力,在一定程度上降低服务器的计算压力。其中,上述预设损失值算法可以为基于smooth L1 loss(平滑的1范数损失)函数的损失值算法、基于wing loss(机翼损失)函数的损失值算法以及基于KL loss(KL散度损失)函数的损失值算法等。
在本发明的另一实施例中,获得模块140包括:
信息输出单元,被配置为输出用于询问待利用人员的标定身份标签的询问信息;
获得单元,被配置为获得待利用人员输入的标定身份标签,作为待利用图像特征对应的待利用人员的标定身份标签。
一种实现方式中,客户端可以包含显示器件,信息输出单元可以输出用于询问待利用人员的标定身份标签的询问信息至显示器件,该显示器件显示包含该询问信息的显示界面,其中,该显示界面中还可以包括供待利用人员输入标定身份标签的标签输入窗口。若待利用人员在标签输入窗口中输入标定身份标签之后,获得单元获得待利用人员输入的标定身份标签,作为待利用图像特征对应的待利用人员的标定身份标签。
另一种情况中,为了提供更人性化的用户体验功能,该显示界面还可以显示有供待利用人员放弃输入标定身份标签的按键,客户端检测到放弃输入标定身份标签的按键被点击后,可以认为待利用人员放弃输入标定身份标签,此时可以结束本次身份识别流程。
另一种实现方式中,客户端可以包括扬声器器件和麦克风器件,信息输出单元可以输出用于询问待利用人员的标定身份标签的询问信息至扬声器器件,扬声器器件播放该询问信息;待利用人员听到该询问信息之后,可以通过麦克风器件输入标定身份标签,进而,获得单元获得通过麦克风器件输入标定身份标签;或者,通过麦克风器件输入放弃输入标定身份标签的指示,进而,获得单元获得该放弃输入标定身份标签的指示之后,可以结束本次身份识别流程。
在本发明的一实施例中,服务器在得到新的特征提取模型之后,可以直接将新的特征提取模型推送给所关联的各个客户端,进而,客户端根据服务器发送的特征提取模型,对第一存储模块存储的特征提取模型进行替换更新。
在本发明的另一实施例中,第一发送模块150,还被配置为发送模型获取指令至服务器,以使得服务器响应于模型获取指令,将新的特征提取模型发送至客户端。
本发明实施例中,服务器在得到新的特征提取模型之后,可以将新的特征提取模型存储于预设的存储区域中,而非将新的特征提取模型直接推送给所关联的各个客户端。客户端的第一发送模块150可以发送模型获取指令至服务器,服务器响应于模型获取指令,将新的特征提取模型发送至客户端。可以理解的,该模型获取指令可以携带该客户端的客户端标识,进而,使得服务器可以将新的特征提取模型发送至该客户端标识对应的客户端。
在本发明的另一实施例中,第一发送模块150,还被配置为在确定模块130确定出待利用图像特征对应的推测身份标签之后,发送推测身份标签至所绑定的控制系统,以使得该所绑定的控制系统基于该推测身份标签,执行相应的控制操作。举例而言,上述控制系统为门控系统,门控系统获得上述推测身份标签之后,可以将该推测身份标签与所存储的身份标签进行匹配,若所存储的身份标签中包括与推测身份标签匹配的身份标签,门控系统发送开锁指令至所关联的门锁,以控制门锁开锁;若所存储的身份标签中不包括与推测身份标签匹配的身份标签,则不发送开锁指令至所关联的门锁。
第二方面,相应于上述身份识别系统中的客户端,本发明实施例还提供了一种身份识别系统中的服务器,如图2所示,为该服务器的一种结构示意。其中,身份识别系统还包括至少一个客户端,每一客户端,被配置为执行上述第一方面所述的具体操作,服务器可以包括:
获得存储模块210,被配置为获得客户端发送的训练数据,并存储;
参数调整模块220,被配置为若检测到当前所获得的待利用图像特征的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型;
第二发送模块230,被配置为将新的特征提取模型发送至客户端。
其中,该服务器可以为云端服务器。
本发明实施例中,该客户端可以是智能摄像头以及智能照相机等设备,也可以是手机以及平板电脑等设置有摄像头的移动终端,这都是可以的。该身份识别系统中可以包括一个或多个客户端,以及一个或多个服务器,这都是可以的。该身份识别系统中的服务器可以设置成主备设备形式的服务器结构,服务器之间的数据可共享,在作为主设备的服务器正常工作时,该作为备设备的服务器可以同步作为主设备的服务器的数据,不进行计算;当作为主设备的服务器不能正常工作时,该作为备设备中的一个服务器可以被配置为主设备,执行相应地特征提取模型的参数的调整等操作。或者,该身份识别系统中的服务器可设置成分布式的服务器结构,上述获得存储模块210、参数调整模块220以及第二发送模块230可以分别设置于不同的服务器内。
其中,服务器的获得存储模块210可以获得所关联的任一客户端发送的训练数据,进行存储以及并发送至参数调整模块220。参数调整模块220,获得训练数据后,统计当前所获得的训练数据的数量,检测当前所获得的训练数据的数量是否超过预设阈值,若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至第二发送模块230,该第二发送模块230将新的特征提取模型发送至客户端,客户端的更新模块对客户端本地存储的特征提取模型进行替换更新。
该当前所获得的训练数据包括:服务器从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。该当前时刻可以指服务器在检测到当前所获得的训练数据的数量超过预设阈值的时刻,或服务器获得使得服务器当前所获得的训练数据的数量超过预设阈值的训练数据的时刻。
一种情况中,参数调整模块220可以利用预先设置的参数优化算法以及当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,该预先设置的参数优化算法可以为梯度下降法。
本发明实施例中,可以通过客户端和服务器实现对用于身份识别的特征提取模型的训练,即特征提取模型的参数的调整,具体的,通过客户端提取待利用图像的待利用图像特征,并确定待利用图像特征对应的推测身份标签以及标定身份标签,进而,将上述三者作为训练数据发送至服务器,服务器基于训练数据调整其本地特征提取模型的参数,实现对特征提取模型的训练以及更新。并可以直接通过客户端实现身份识别。
应用本发明实施例,身份识别系统中的服务器利用客户端发送的、包含待利用图像特征及其对应的推测身份标签和标定身份标签的训练数据,对本地存储的特征提取模型的参数进行调整,进而分发给各客户端,即服务器可以仅调整特征提取模型的参数并分发调整后的特征提取模型即可,在一定程度上降低了服务器的计算量,且无需存储包含人员的隐私的图像,在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险。
在本发明的一实施例中,参数调整模块220包括:
第二损失值计算单元,被配置为针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,计算该待利用图像特征对应的损失值;
参数调整单元,被配置为利用每一待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数。
若训练数据中仅包括待利用图像特征及其对应的推测身份标签和标定身份标签,服务器的第二损失值计算单元可以针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,计算该待利用图像特征对应的损失值。进而参数调整单元利用每一待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数。其中,参数调整单元可以首先利用每一待利用图像特征对应的损失值,计算得到一个目标损失值,进而利用该目标损失值以及预先设置的参数优化算法,调整服务器本地存储的特征提取模型的参数。其中,该预先设置的参数优化算法可以为梯度下降法。
一种情况,上述利用每一待利用图像特征对应的损失值,计算得到一个目标损失值的过程,可以是:计算所有的当前所获得的待利用图像特征对应的损失值的平均值,将该平均值作为目标损失值。或者,可以是:将每一待利用图像特征对应的损失值及损失值对应的预设权重值的乘积的和,作为目标损失值。
上述利用该目标损失值以及预先设置的参数优化算法,调整服务器本地存储的特征提取模型的参数的过程,可以是:利用目标损失值对损失函数求偏导,得到求偏导之后的结果,并基于该求偏导之后的结果调整服务器本地存储的特征提取模型的参数。
在本发明的另一实施例中,训练数据还可以包括待利用图像特征对应的损失值,其中,待利用图像特征对应的损失值为:客户端利用预设损失值算法以及该训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定的该待利用图像特征对应的损失值;
参数调整模块220,被具体配置为利用当前所获得的每一训练数据包括的待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数。
若训练数据中还包括待利用图像特征对应的损失值,参数调整模块220可以直接利用每一当前所获得的每一训练数据包括的待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数。其中,具体的调整过程可以参见上述调整过程,在此不再赘述。
在本发明的另一实施例中,第二发送模块230被具体配置为:
接收客户端发送的模型获取指令,并响应于模型获取指令,将新的特征提取模型发送至客户端。
本发明实施例中,服务器在得到新的特征提取模型之后,可以将新的特征提取模型存储于预设的存储区域中,直至第二发送模块230接收客户端发送的模型获取指令之后,响应于模型获取指令,将新的特征提取模型发送至客户端。其中,该模型获取指令可以携带该客户端的客户端标识,进而,服务器的第二发送模块230可以将新的特征提取模型发送至该客户端标识对应的客户端。
第三方面,本发明实施例还提供了一种身份识别系统,如图3所示,为身份识别系统的一种结构示意图。该身份识别系统包括:客户端310和服务器320。其中,该客户端310的具体结构可以参见图1所示结构,具体功能可以参见第一方面;该服务器的具体结构可以参见图2所示结构,具体功能可以参见第二方面。
如图4所示为本发明实施例提供的身份识别系统的客户端与服务器之间的信息交互流程的一种示意图,其中,以身份识别系统包括一个客户端和一个服务器为例进行说明,如图4所示,身份识别系统的客户端310获得待利用图像,其中,待利用图像为针对待利用人员采集的图像;利用客户端本地存储的特征提取模型对待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征;利用待利用图像特征以及已建立的标签对应关系,确定待利用图像特征对应的推测身份标签,其中,标签对应关系包括:历史图像特征与身份标签的对应关系;输出用于询问待利用人员的标定身份标签的询问信息;并获得待利用人员输入的标定身份标签,作为待利用图像特征对应的待利用人员的标定身份标签;将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据发送至服务器320。服务器320获得并存储客户端发送的训练数据;若检测到当前所获得的待利用图像特征的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型;将新的特征提取模型发送至客户端310。客户端310根据服务器320发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
第四方面,本发明实施例还提供了一种身份识别方法,应用于身份识别系统的客户端,该身份识别系统还包括服务器,服务器,被配置为获得并存储客户端发送的训练数据;若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端;如图5所示,所述方法可以包括:
S501:获得待利用图像。
其中,待利用图像为针对待利用人员采集的图像。
S502:利用客户端本地存储的特征提取模型对待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征。
S503:利用待利用图像特征以及已建立的标签对应关系,确定待利用图像特征对应的推测身份标签。
其中,标签对应关系包括:历史图像特征与身份标签的对应关系。
S504:获得待利用图像特征对应的待利用人员的标定身份标签。
S505:将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据发送至服务器;
S506:根据服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
本发明实施例中,该客户端可以是智能摄像头以及智能照相机等设备,也可以是手机以及平板电脑等设置有摄像头的移动终端,这都是可以的。该身份识别系统中可以包括一个或多个客户端,以及一个或多个服务器,这都是可以的。其中,该身份识别系统中的不同客户端可以获得针对不同监控场景采集的图像和/或不同其他图像数据源发送的图像。
该身份识别系统中的服务器可以设置成主备设备形式的服务器结构,服务器之间的数据可共享,在作为主设备的服务器正常工作时,该作为备设备的服务器可以同步作为主设备的服务器的数据,不进行计算;当作为主设备的服务器不能正常工作时,该作为备设备中的一个服务器可以被配置为主设备,执行相应地特征提取模型的参数的调整等操作。或者,该身份识别系统中的服务器可设置成分布式的服务器结构。
上述其他图像数据源可以包括其他可以采集图像的非上述客户端的设备。
客户端可以获得针对所对应监控场景采集的图像或其他图像数据源发送的图像,并在确定图像中包含待利用人员时,将该包含待利用人员的图像作为待利用图像,进而利用客户端本地存储的特征提取模型对待利用图像进行特征提取,确定待利用图像对应的图像特征,作为待利用图像特征;利用待利用图像特征与已建立的标签对应关系中的历史图像特征进行匹配,进而将标签对应关系中与待利用图像特征匹配成功的历史图像特征对应的身份标签,确定为待利用图像特征对应的推测身份标签;获得待利用图像特征对应的待利用人员的标定身份标签,其中,该标定身份标签可以为该待利用人员的真实的身份标签,进而将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据发送至服务器。
服务器获得包含待利用图像特征及其对应的推测身份标签和标定身份标签的训练数据,并统计当前所获得的训练数据的数量,检测当前所获得的训练数据的数量是否超过预设阈值,若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端。
客户端得服务器发送的特征提取模型,并根据服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
其中,上述身份标签可以为:所对应人员的名字、身份证号以及在公司内的工号等在指定范围内可以唯一表征人员的身份的信息。该待利用图像为了可以为包含该待利用人员的指定部位的图像,也可以为包含该待利用人员的整个身体的图像,这都是可以的,该指定部位可以待利用人员的面部或指定手指。
在一种实现方式中,当前所获得的训练数据包括:服务器从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。该当前时刻可以指服务器在检测到当前所获得的训练数据的数量超过预设阈值的时刻,或服务器获得使得服务器当前所获得的训练数据的数量超过预设阈值的训练数据的时刻。
一种情况,上述特征提取模型可以是基于深度学习的特征提取模型等。上述已建立的标签对应关系可以存储于服务器的预设存储区域,客户端获得待利用图像特征之后,可以向服务器请求获得该客户端可访问的标签对应关系,服务器对客户端进行验证之后,可以将预设存储区域存储的该客户端可访问的标签对应关系,反馈给客户端。其中,上述标签对应关系中的身份标签可以是每一历史图像特征对应的标定身份标签。该标签对应关系可以以数据表的形式或文本的形式进行存储,本发明实施例并不对该标签对应关系的存储形式进行限定。
其中,服务器的预设存储区域可以存储有表征每一客户端的访问权限的信息,例如:可以存储有每一客户端所关联用户的用户标识之间的对应关系,以及用户标识与可访问的标签对应关系之间的对应关系。
应用本发明实施例,身份识别系统中的客户端可以实现对待利用图像的图像特征的提取,进而,将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据,发送至服务器,实现客户端直接完成图像的采集以及图像特征的提取,进而将不包含待利用人员的面部以及身形等个人隐私信息的待利用图像特征,而非包含待利用人员的面部以及身形等个人隐私信息的图像,发送至服务器,且该待利用图像特征无法逆向获得包含待利用人员的面部以及身形等个人隐私信息的待利用图像,在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险,并且服务器若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据调整存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端,进而,客户端可以对存储的特征提取模型进行更新替换,实现对客户端与服务器的计算能力的分配,实现对客户端存储的特征提取模型的实时更新。
在本发明的另一实施例中,S503,可以包括:
将待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得待利用图像特征与每一历史图像特征之间的相似度;
将标签对应关系中的、与待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为待利用图像特征对应的推测身份标签。
本实施例中,客户端可以利用预先设置的相似度计算算法,对待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得待利用图像特征与每一历史图像特征之间的相似度,将标签对应关系中的、与待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为待利用图像特征对应的推测身份标签。
其中,上述预先设置的相似度计算算法可以是:直方图匹配算法、基于特征点的图像相似度计算算法以及SSIM(Structural Similarity Index,结构相似性)算法等等,本发明实施例并不对上述预先设置的相似度计算算法的具体类型进行限定,凡是可以计算图像之间的相似度的算法均可以应用于本发明实施例中。
在本发明的另一实施例中,S506,可以包括:
利用预设损失值算法以及待利用图像特征对应的推测身份标签和标定身份标签,计算待利用图像特征对应的损失值;
将待利用图像特征及其对应的推测身份标签、标定身份标签和损失值作为训练数据发送至服务器,以使得服务器利用所获得的每一训练数据包括的待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数。
本发明实施例中,客户端不仅可以提取待利用图像的待利用图像特征,客户端还可以利用预设损失值算法以及待利用图像特征对应的推测身份标签和标定身份标签,计算出待利用图像特征对应的损失值;进而将待利用图像特征及其对应的推测身份标签、标定身份标签和损失值作为训练数据,发送至服务器,以充分利用客户端的计算能力,在一定程度上降低服务器的计算压力。
其中,上述预设损失值算法可以为基于smooth L1 loss(平滑的1范数损失)函数的损失值算法、基于wing loss(机翼损失)函数的损失值算法以及基于KL loss(即KL散度损失)函数的损失值算法等。
在本发明的另一实施例中,S504,可以包括:
输出用于询问待利用人员的标定身份标签的询问信息;并获得待利用人员输入的标定身份标签,作为待利用图像特征对应的待利用人员的标定身份标签。
一种实现方式中,客户端可以包含显示器件,客户端可以通过显示器件显示用于询问待利用人员的标定身份标签的询问信息,其中,该显示界面中还可以包括供待利用人员输入标定身份标签的标签输入窗口。若待利用人员在标签输入窗口中输入标定身份标签之后,客户端获得待利用人员输入的标定身份标签,作为待利用图像特征对应的待利用人员的标定身份标签。
另一种情况中,为了提供更人性化的用户体验功能,该显示界面还可以显示有供待利用人员放弃输入标定身份标签的按键,客户端检测到放弃输入标定身份标签的按键被点击后,可以认为待利用人员放弃输入标定身份标签,此时可以结束本次身份识别流程。
另一种实现方式中,客户端可以包括扬声器器件和麦克风器件,客户端通过扬声器器件播放用于询问待利用人员的标定身份标签的询问信息;待利用人员听到该询问信息之后,可以通过麦克风器件输入标定身份标签,进而,客户端通过麦克风器件获得输入标定身份标签;或者,通过麦克风器件获得输入放弃输入标定身份标签的指示,进而,客户端获得该放弃输入标定身份标签的指示之后,可以结束本次身份识别流程。
在本发明的一实施例中,服务器在得到新的特征提取模型之后,可以直接将新的特征提取模型推送给所关联的各个客户端,进而,客户端根据服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
在本发明的另一实施例中,在所述S506之前,所述方法还可以包括:
发送模型获取指令至服务器,以使得服务器响应于模型获取指令,将新的特征提取模型发送至客户端。
本发明实施例中,服务器在得到新的特征提取模型之后,可以将新的特征提取模型存储于预设的存储区域中,而非将新的特征提取模型直接推送给所关联的各个客户端。客户端可以发送模型获取指令至服务器,服务器响应于模型获取指令,将新的特征提取模型发送至客户端。可以理解的,该模型获取指令可以携带该客户端的客户端标识,进而,使得服务器可以将新的特征提取模型发送至该客户端标识对应的客户端。
在本发明的另一实施例中客户端确定出待利用图像特征对应的推测身份标签之后,发送推测身份标签至所绑定的控制系统,以使得该所绑定的控制系统基于该推测身份标签,执行相应的控制操作。举例而言,上述控制系统为门控系统,门控系统获得上述推测身份标签之后,可以将该推测身份标签与所存储的身份标签进行匹配,若所存储的身份标签中包括与推测身份标签匹配的身份标签,门控系统发送开锁指令至所关联的门锁,以控制门锁开锁;若所存储的身份标签中不包括与推测身份标签匹配的身份标签,则不发送开锁指令至所关联的门锁。
第五方面,本发明实施例还提供了一种身份识别方法,应用于身份识别系统的服务器,身份识别系统还包括客户端,客户端,被配置为利用客户端本地存储的特征提取模型对所获得的待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征,并获得待利用图像特征对应的推测身份标签以及标定身份标签,将待利用图像特征及其对应的推测身份标签和标定身份标签作为训练数据,发送至服务器;客户端还被配置为根据服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新;如图6所示,所述方法可以包括:
S601:获得并存储客户端发送的训练数据;
S602:若检测到当前所获得的待利用图像特征的数量超过预设阈值,利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型;
S603:将新的特征提取模型发送至客户端。
本发明实施例中,该客户端可以是智能摄像头以及智能照相机等设备,也可以是手机以及平板电脑等设置有摄像头的移动终端,这都是可以的。该身份识别系统中可以包括一个或多个客户端,以及一个或多个服务器,这都是可以的。该身份识别系统中的服务器可以设置成主备设备形式的服务器结构,服务器之间的数据可共享,在作为主设备的服务器正常工作时,该作为备设备的服务器可以同步作为主设备的服务器的数据,不进行计算;当作为主设备的服务器不能正常工作时,该作为备设备中的一个服务器可以被配置为主设备,执行相应地特征提取模型的参数的调整等操作。或者,该身份识别系统中的服务器可设置成分布式的服务器结构。
服务器可以获得并存储所关联的任一客户端发送的训练数据,并统计当前所获得的训练数据的数量,检测当前所获得的训练数据的数量是否超过预设阈值,若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据,调整本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至客户端,客户端对其本地存储的特征提取模型进行替换更新。
其中,当前所获得的训练数据包括:服务器从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。该当前时刻可以指服务器在检测到当前所获得的训练数据的数量超过预设阈值的时刻,或服务器获得使得服务器当前所获得的训练数据的数量超过预设阈值的训练数据的时刻。
一种情况中,服务器可以利用预先设置的参数优化算法以及当前所获得的每一训练数据,调整存储的特征提取模型的参数,得到新的特征提取模型,该预先设置的参数优化算法可以为梯度下降法。
应用本发明实施例,身份识别系统中的服务器利用客户端发送的、包含待利用图像特征及其对应的推测身份标签和标定身份标签的训练数据,对本地存储的特征提取模型的参数进行调整,进而分发给各客户端,即服务器可以仅调整特征提取模型的参数并分发调整后的特征提取模型即可,在一定程度上降低了服务器的计算量,且无需存储包含人员的隐私的图像,在一定程度上实现对人员的隐私的保护,降低泄露人员的隐私的风险。
在本发明的另一实施例中,S602,可以包括:
针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定该待利用图像特征对应的损失值;
利用每一待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型。
若训练数据中仅包括待利用图像特征及其对应的推测身份标签和标定身份标签,服务器可以针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,计算该待利用图像特征对应的损失值。进而利用每一待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数。其中,服务器可以首先利用每一待利用图像特征对应的损失值,计算得到一个目标损失值,进而利用该目标损失值以及预先设置的参数优化算法,调整服务器本地存储的特征提取模型的参数。其中,该预先设置的参数优化算法可以为梯度下降法。
一种情况,上述利用每一待利用图像特征对应的损失值,计算得到一个目标损失值的过程,可以是:计算所有的当前所获得的待利用图像特征对应的损失值的平均值,将该平均值作为目标损失值。或者,可以是:将每一待利用图像特征对应的损失值及损失值对应的预设权重值的乘积的和,作为目标损失值。
在本发明的另一实施例中,训练数据还包括待利用图像特征对应的损失值,其中,待利用图像特征对应的损失值为:客户端利用预设损失值算法以及该训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定的该待利用图像特征对应的损失值;
S602,可以包括:
针对当前所获得的每一训练数据,利用该训练数据包括的待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型。
若训练数据中还包括待利用图像特征对应的损失值,服务器可以直接利用每一当前所获得的每一训练数据包括的待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数。其中,具体的调整过程可以参见上述调整过程,在此不再赘述。
在本发明的另一实施例中,S603,可以包括:
接收客户端发送的模型获取指令;
响应于模型获取指令,将新的特征提取模型发送至客户端。
本发明实施例中,服务器在得到新的特征提取模型之后,可以将新的特征提取模型存储于预设的存储区域中,直至接收客户端发送的模型获取指令之后,响应于模型获取指令,将新的特征提取模型发送至客户端。其中,该模型获取指令可以携带该客户端的客户端标识,进而,服务器可以将新的特征提取模型发送至该客户端标识对应的客户端。
上述装置、系统实施例与方法实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例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。
最后应说明的是:以上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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分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实施例技术方案的精神和范围。
Claims (23)
1.一种身份识别系统中的客户端,其特征在于,所述身份识别系统还包括服务器,所述服务器,被配置为获得并存储客户端发送的训练数据,并若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据及损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至所述客户端,其中,所述损失值为:利用预设损失值算法以及训练数据中待利用图像特征对应的推测身份标签和标定身份标签计算所得的;所述客户端包括:
图像采集模块,被配置为获得待利用图像,其中,所述待利用图像为针对待利用人员采集的图像;
特征提取模块,被配置为利用客户端本地存储的特征提取模型对所述待利用图像进行图像特征提取,确定所述待利用图像对应的待利用图像特征;
确定模块,被配置为向服务器请求获得该客户端可访问的标签对应关系,并获得服务器对客户端进行验证之后所反馈的该客户端可访问的标签对应关系;利用所述待利用图像特征以及已建立的标签对应关系,确定所述待利用图像特征对应的推测身份标签,其中,所述标签对应关系包括:历史图像特征与身份标签的对应关系;
获得模块,被配置为获得所述待利用图像特征对应的待利用人员的标定身份标签;
第一发送模块,被配置为将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据,发送至所述服务器;
更新模块,被配置为根据所述服务器发送的特征提取模型,对所述客户端本地存储的特征提取模型进行替换更新。
2.如权利要求1所述的客户端,其特征在于,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
3.如权利要求1所述的客户端,其特征在于,所述确定模块包括:
相似度计算单元,被配置为将所述待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得所述待利用图像特征与每一历史图像特征之间的相似度;
确定单元,被配置为将所述标签对应关系中的、与所述待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为所述待利用图像特征对应的推测身份标签。
4.如权利要求1所述的客户端,其特征在于,所述第一发送模块包括:
第一损失值计算单元,被配置为利用预设损失值算法以及所述待利用图像特征对应的所述推测身份标签和所述标定身份标签,计算所述待利用图像特征对应的损失值;
发送单元,被配置为将所述待利用图像特征及其对应的所述推测身份标签、所述标定身份标签和所述损失值作为训练数据,发送至所述服务器。
5.如权利要求1-4任一项所述的客户端,其特征在于,所述获得模块包括:
信息输出单元,被配置为输出用于询问所述待利用人员的标定身份标签的询问信息;
获得单元,被配置为获得所述待利用人员输入的标定身份标签,作为所述待利用图像特征对应的待利用人员的标定身份标签。
6.如权利要求1-4任一项所述的客户端,其特征在于,所述第一发送模块,还被配置为发送模型获取指令至所述服务器,以使得所述服务器响应于所述模型获取指令,将所述新的特征提取模型发送至所述客户端。
7.一种身份识别系统中的服务器,其特征在于,所述身份识别系统还包括至少一个客户端,所述客户端,被配置为利用其本地存储的特征提取模型,对所获得的待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征,并获得所述待利用图像特征对应的推测身份标签以及标定身份标签,将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据,发送至所述服务器;所述客户端还被配置为根据所述服务器发送的特征提取模型,对其本地存储的特征提取模型进行替换更新,其中,所述利用图像特征对应的推测身份标签为:基于服务器对所述客户端进行验证之后所反馈的该客户端可访问的标签对应关系确定的标签;所述服务器包括:
获得存储模块,被配置为获得所述客户端发送的训练数据,并存储;
参数调整模块,被配置为若检测到当前所获得的待利用图像特征的数量超过预设阈值,利用当前所获得的每一训练数据及损失值,调整所述服务器本地存储的特征提取模型的参数,得到新的特征提取模型,其中,所述损失值为:利用预设损失值算法以及训练数据中待利用图像特征对应的推测身份标签和标定身份标签计算所得的;
第二发送模块,被配置为将新的特征提取模型发送至所述客户端。
8.如权利要求7所述的服务器,其特征在于,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
9.如权利要求7所述的服务器,其特征在于,所述参数调整模块包括:
第二损失值计算单元,被配置为针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,计算该待利用图像特征对应的损失值;
参数调整单元,被配置为利用每一待利用图像特征对应的损失值,调整所述服务器本地存储的特征提取模型的参数。
10.如权利要求7-9任一项所述的服务器,其特征在于,所述训练数据还包括待利用图像特征对应的损失值,其中,所述待利用图像特征对应的损失值为:所述客户端利用预设损失值算法以及该训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定的该待利用图像特征对应的损失值;
所述参数调整模块,被具体配置为利用当前所获得的每一训练数据包括的待利用图像特征对应的损失值,调整所述服务器本地存储的特征提取模型的参数。
11.如权利要求7-9任一项所述的服务器,其特征在于,所述第二发送模块被具体配置为:
接收所述客户端发送的模型获取指令,并响应于所述模型获取指令,将新的特征提取模型发送至所述客户端。
12.一种身份识别系统,其特征在于,包括:如权利要求1-6任一项所述的客户端,以及如权利要求7-11任一项所述的服务器。
13.一种身份识别方法,其特征在于,应用于身份识别系统的客户端,所述身份识别系统还包括服务器,所述服务器,被配置为获得并存储客户端发送的训练数据;若检测到当前所获得的训练数据的数量超过预设阈值,利用当前所获得的每一训练数据及损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,并将新的特征提取模型发送至所述客户端,其中,所述损失值为:利用预设损失值算法以及训练数据中待利用图像特征对应的推测身份标签和标定身份标签计算所得的;所述方法包括:
获得待利用图像,其中,所述待利用图像为针对待利用人员采集的图像;
利用客户端本地存储的特征提取模型对所述待利用图像进行图像特征提取,确定所述待利用图像对应的待利用图像特征;
向服务器请求获得该客户端可访问的标签对应关系,并获得服务器对客户端进行验证之后所反馈的该客户端可访问的标签对应关系;利用所述待利用图像特征以及已建立的标签对应关系,确定所述待利用图像特征对应的推测身份标签,其中,所述标签对应关系包括:历史图像特征与身份标签的对应关系;
获得所述待利用图像特征对应的待利用人员的标定身份标签;
将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据发送至服务器;
根据所述服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新。
14.如权利要求13所述的方法,其特征在于,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
15.如权利要求13所述的方法,其特征在于,所述利用所述待利用图像特征以及已建立的标签对应关系,确定所述待利用图像特征对应的推测身份标签的步骤,包括:
将所述待利用图像特征与已建立的标签对应关系中的每一历史图像特征进行相似度计算,获得所述待利用图像特征与每一历史图像特征之间的相似度;
将所述标签对应关系中的、与所述待利用图像特征相似度最大的历史图像特征对应的身份标签,确定为所述待利用图像特征对应的推测身份标签。
16.如权利要求13所述的方法,其特征在于,所述将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据发送至服务器的步骤,包括:
利用预设损失值算法以及所述待利用图像特征对应的所述推测身份标签和所述标定身份标签,计算所述待利用图像特征对应的损失值;
将所述待利用图像特征及其对应的所述推测身份标签、所述标定身份标签和所述损失值作为训练数据发送至所述服务器,以使得所述服务器利用所获得的每一训练数据包括的待利用图像特征对应的损失值,调整所述服务器本地存储的特征提取模型的参数。
17.如权利要求13-16任一项所述的方法,其特征在于,所述获得所述待利用图像特征对应的待利用人员的标定身份标签的步骤,包括:
输出用于询问所述待利用人员的标定身份标签的询问信息;并获得所述待利用人员输入的标定身份标签,作为所述待利用图像特征对应的待利用人员的标定身份标签。
18.如权利要求13-16任一项所述的方法,其特征在于,在所述根据所述服务器发送的特征提取模型,对本地存储的特征提取模型进行替换更新的步骤之前,所述方法还包括:
发送模型获取指令至所述服务器,以使得所述服务器响应于所述模型获取指令,将所述新的特征提取模型发送至所述客户端。
19.一种身份识别方法,其特征在于,应用于身份识别系统的服务器,所述身份识别系统还包括客户端,所述客户端,被配置为利用客户端本地存储的特征提取模型对所获得的待利用图像进行图像特征提取,确定待利用图像对应的待利用图像特征,并获得所述待利用图像特征对应的推测身份标签以及标定身份标签,将所述待利用图像特征及其对应的所述推测身份标签和所述标定身份标签作为训练数据,发送至所述服务器;所述客户端还被配置为根据所述服务器发送的特征提取模型,对客户端本地存储的特征提取模型进行替换更新,其中,所述利用图像特征对应的推测身份标签为:基于服务器对所述客户端进行验证之后所反馈的该客户端可访问的标签对应关系确定的标签;所述方法包括:
获得并存储所述客户端发送的训练数据;
若检测到当前所获得的待利用图像特征的数量超过预设阈值,利用当前所获得的每一训练数据及损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型,其中,所述损失值为:利用预设损失值算法以及训练数据待利用图像特征对应的推测身份标签和标定身份标签计算所得的;
将新的特征提取模型发送至所述客户端。
20.如权利要求19所述的方法,其特征在于,所述当前所获得的训练数据包括:从上次调整完成服务器本地存储的特征提取模型的参数的时刻到当前时刻所获得的所有训练数据。
21.如权利要求19所述的方法,其特征在于,所述利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型的步骤,包括:
针对当前所获得的每一训练数据,利用预设损失值算法以及训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定该待利用图像特征对应的损失值;
利用每一待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型。
22.如权利要求19-21任一项所述的方法,其特征在于,所述训练数据还包括待利用图像特征对应的损失值,其中,所述待利用图像特征对应的损失值为:所述客户端利用预设损失值算法以及该训练数据包括的待利用图像特征对应的推测身份标签和标定身份标签,确定的该待利用图像特征对应的损失值;
所述利用当前所获得的每一训练数据,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型的步骤,包括:
针对当前所获得的每一训练数据,利用该训练数据包括的待利用图像特征对应的损失值,调整服务器本地存储的特征提取模型的参数,得到新的特征提取模型。
23.如权利要求19-21任一项所述的方法,其特征在于,所述将新的特征提取模型发送至所述客户端的步骤,包括:
接收所述客户端发送的模型获取指令;
响应于所述模型获取指令,将新的特征提取模型发送至所述客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682371.5A CN110378092B (zh) | 2019-07-26 | 2019-07-26 | 身份识别系统及客户端、服务器和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682371.5A CN110378092B (zh) | 2019-07-26 | 2019-07-26 | 身份识别系统及客户端、服务器和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378092A CN110378092A (zh) | 2019-10-25 |
CN110378092B true CN110378092B (zh) | 2020-12-04 |
Family
ID=68256442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682371.5A Active CN110378092B (zh) | 2019-07-26 | 2019-07-26 | 身份识别系统及客户端、服务器和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378092B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929711B (zh) * | 2019-11-15 | 2022-05-31 | 智慧视通(杭州)科技发展有限公司 | 运用于固定场景关于身份信息和形体信息自动关联的方法 |
CN111064797B (zh) * | 2019-12-20 | 2023-01-10 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
CN111260880A (zh) * | 2020-01-13 | 2020-06-09 | 成都安联云防保安服务有限公司 | 一种校园用人脸识别安全隐患报警装置 |
CN111325322A (zh) * | 2020-02-12 | 2020-06-23 | 深圳壹账通智能科技有限公司 | 基于隐私保护的深度学习方法、系统、服务器及存储介质 |
CN111666441A (zh) * | 2020-04-24 | 2020-09-15 | 北京旷视科技有限公司 | 确定人员身份类型的方法、装置和电子系统 |
CN114419712A (zh) * | 2020-05-14 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 保护个人数据隐私的特征提取方法、模型训练方法及硬件 |
CN112118366A (zh) * | 2020-07-31 | 2020-12-22 | 中标慧安信息技术股份有限公司 | 一种人脸图片数据的传输方法及装置 |
CN112801134A (zh) * | 2020-12-30 | 2021-05-14 | 杭州趣链科技有限公司 | 基于区块链和图像的手势识别模型训练与分发方法与装置 |
CN112784478A (zh) * | 2021-01-07 | 2021-05-11 | 李琳琳 | 一种智能门铃ai场景自学习训练建模方法及系统 |
CN113113097A (zh) * | 2021-03-30 | 2021-07-13 | 深圳市冠标科技发展有限公司 | 医疗设备、医疗数据归档方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295574A (zh) * | 2016-08-12 | 2017-01-04 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN107844784A (zh) * | 2017-12-08 | 2018-03-27 | 广东美的智能机器人有限公司 | 人脸识别方法、装置、计算机设备和可读存储介质 |
CN109145717A (zh) * | 2018-06-30 | 2019-01-04 | 东南大学 | 一种在线学习的人脸识别方法 |
CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
CN109711358A (zh) * | 2018-12-28 | 2019-05-03 | 四川远鉴科技有限公司 | 神经网络训练方法、人脸识别方法及系统和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915498B (zh) * | 2015-06-08 | 2018-02-23 | 广东工业大学 | 基于模型识别与等效简化的高速平台运动参数自整定方法 |
CN108121962B (zh) * | 2017-12-21 | 2022-05-17 | 苏州大学 | 基于非负自适应特征提取的人脸识别方法、装置及设备 |
CN108520202B (zh) * | 2018-03-15 | 2020-06-19 | 华南理工大学 | 基于变分球面投影的对抗鲁棒性图像特征提取方法 |
CN108319937A (zh) * | 2018-03-28 | 2018-07-24 | 北京市商汤科技开发有限公司 | 人脸检测方法及装置 |
CN109214263A (zh) * | 2018-06-30 | 2019-01-15 | 东南大学 | 一种基于特征复用的人脸识别方法 |
-
2019
- 2019-07-26 CN CN201910682371.5A patent/CN110378092B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295574A (zh) * | 2016-08-12 | 2017-01-04 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN109426858A (zh) * | 2017-08-29 | 2019-03-05 | 京东方科技集团股份有限公司 | 神经网络、训练方法、图像处理方法及图像处理装置 |
CN107844784A (zh) * | 2017-12-08 | 2018-03-27 | 广东美的智能机器人有限公司 | 人脸识别方法、装置、计算机设备和可读存储介质 |
CN109145717A (zh) * | 2018-06-30 | 2019-01-04 | 东南大学 | 一种在线学习的人脸识别方法 |
CN109711358A (zh) * | 2018-12-28 | 2019-05-03 | 四川远鉴科技有限公司 | 神经网络训练方法、人脸识别方法及系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110378092A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378092B (zh) | 身份识别系统及客户端、服务器和方法 | |
CN106204948B (zh) | 储物柜管理方法及储物柜管理装置 | |
CN110458154B (zh) | 人脸识别方法、装置和计算机可读存储介质 | |
CN111125512B (zh) | 业务推荐处理方法、装置及系统 | |
CN110825765B (zh) | 一种人脸识别的方法和装置 | |
CN109492536B (zh) | 一种基于5g架构的人脸识别方法及系统 | |
US20170032182A1 (en) | System for adaptive real-time facial recognition using fixed video and still cameras | |
CN110008821B (zh) | 一种预测人像底图更新的方法和设备 | |
CN110969644B (zh) | 人员轨迹追踪方法、装置及系统 | |
CN108885698A (zh) | 人脸识别方法、装置和服务器 | |
CN103902872A (zh) | 基于虹膜识别的密码管理系统及方法 | |
CN111626210B (zh) | 人员着装检测方法、处理终端、及存储介质 | |
KR101713891B1 (ko) | 부분 얼굴 인식을 이용한 사용자 인증 시스템 및 방법 | |
CN108257178A (zh) | 用于定位目标人体的位置的方法和装置 | |
CN111325322A (zh) | 基于隐私保护的深度学习方法、系统、服务器及存储介质 | |
CN109829072A (zh) | 构建图谱方法及相关装置 | |
CN111553327B (zh) | 一种服饰识别方法、装置、设备和介质 | |
CN113221086A (zh) | 离线人脸认证方法、装置、电子设备及存储介质 | |
CN110737728B (zh) | 基于大数据分析技术的项目域主题分析系统 | |
CN110992500A (zh) | 考勤方法、装置及存储介质、服务器 | |
CN108683901B (zh) | 一种数据处理方法、mec服务器及计算机可读存储介质 | |
CN113128526A (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
KR20200028569A (ko) | 화장품 정보 추천 방법 | |
CN111695544A (zh) | 基于人群检测模型的信息发送方法、装置和计算机设备 | |
EP3629228A1 (en) | Image processing for determining relationships between tracked objects |
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 |