CN111353060B - 基于区块链的云计算大数据图片存储方法及系统 - Google Patents

基于区块链的云计算大数据图片存储方法及系统 Download PDF

Info

Publication number
CN111353060B
CN111353060B CN202010179143.9A CN202010179143A CN111353060B CN 111353060 B CN111353060 B CN 111353060B CN 202010179143 A CN202010179143 A CN 202010179143A CN 111353060 B CN111353060 B CN 111353060B
Authority
CN
China
Prior art keywords
network
information
picture
output
trained
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.)
Expired - Fee Related
Application number
CN202010179143.9A
Other languages
English (en)
Other versions
CN111353060A (zh
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Quanmuxiangqi Technology Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010179143.9A priority Critical patent/CN111353060B/zh
Publication of CN111353060A publication Critical patent/CN111353060A/zh
Application granted granted Critical
Publication of CN111353060B publication Critical patent/CN111353060B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于区块链的云计算大数据图片存储方法及系统，所述方法包括：客户端在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中；云计算终端获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端；客户端将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端的搜索接口连接，以便用户根据索引信息通过搜索接口快速准确地找到图片。

Description

基于区块链的云计算大数据图片存储方法及系统
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种基于区块链的云计算大数据图片存储方法及系统。
背景技术
现有技术中，存储照片一般是拍摄按照时间顺序进行存储，或者按照拍摄地点进行存储。当用户需要查找某一张图片时，需要在众多的照片集中挨个挨个浏览才能找到目标图片。在大数据图片库中，图片很多，如果目标图片拍摄了很久，也没有对目标图片进行收藏标记，那么用户要找到这张目标图片，等同于大海捞针，耗费非常多的精力和时间。
因此，一种可以快速找到目标图片的大数据图片存储方法为人们所需。
发明内容
本发明的目的在于提供了一种基于区块链的云计算大数据图片存储方法及系统，用以解决现有技术中存在的上述问题。
第一方面，本发明实施例提供了一种基于区块链的云计算大数据图片存储方法，包括：
客户端在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中；
云计算终端获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端；
客户端将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端的搜索接口连接。
可选的，所述获得用户在触发存储图片的操作时的生理信息，包括：
获得用户在触发存储图片的操作时的面部图像信息和手部电信号信息；
将所述面部图像信息输入训练好的第一网络中，以训练好的第一网络的输出作为第一特征值；
将所述手部电信号信息输入训练好的第二网络中，以训练好的第二网络的输出作为第二特征值；
基于所述第一特征值和所述第二特征值获得第三特征值；
将所述面部图像信息和所述手部电信号信息输入训练好的第三网络，以训练好的第四特征值的输出作为第四特征值；
基于所述第三特征值和所述第四特征值，获得生理特征值；
从大数据库中获得与所述生理特征值对应的生理信息。
可选的，所述第一网络包括一个五层的图卷积神经网络、一个全连接层网络和一个估计层网络，图卷积神经网络的输出是全连接层网络的输入，全连接层网络的输出是估计层网络的输入，估计层网络的输出是一个估计特征数；将所述面部图像信息输入训练好的第一网络中，训练好的第一网络输出的估计特征数就是第一特征值。
可选的，所述第二网络包括一个五层的图卷积神经网络和一个记忆层网络，图卷积神经网络的输出是记忆层网络的输入，记忆层网络的输出是一个记忆特征数；将所述手部电信号信息输入训练好的第二网络中，训练好的第二网络输出的记忆特征数就是第二特征值。
可选的，所述第三网络包括第一图卷积神经网络、第二图卷积神经网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络，第一图卷积神经网络输出的第一信息和第二图卷积神经网络输出的第二信息是第一适应网络的输入，第一适应网络的第一输出是估计层网络的输入，第一适应网络的第二输出是记忆层网络的输入，估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入，第二适应网络的输出是一个特征值；将所述面部图像信息和所述手部电信号信息输入训练好的第三网络，训练好的第三网络输出的特征值就是第四特征值。
可选的，基于所述生理信息和所述图片，生成所述图片的索引信息，包括：
将所述生理信息和所述图片输入训练好的第三网络，以第三网络输出的特征值作为索引指数；
从大数据库中获得与索引指数对应的索引信息作为检索所述图片的索引信息，将所述云计算终端。
可选的，所述方法还包括，客户端采集用户的面部图像信息和手部电信号信息，将面部图像信息和手部电信号信息发送至区块链数据库和云计算终端。
第二方面，本发明实施例还提供了一种基于区块链的云计算大数据图片存储系统，所述系统包括：
客户端，用于在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中；
区块链数据库用于存储所述图片；
云计算终端，用于获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端；
客户端还用于，将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端的搜索接口连接。
可选的，客户端还用于，采集用户在在触发存储图片的操作时的面部图像信息和手部电信号信息，将面部图像信息和手部电信号信息发送至区块链数据库和云计算终端。
可选的，客户端包括摄像头和心电信号采集组件；
摄像头用于采集用户的面部图像信息；
心电信号采集组件用于与用户的手指接触以采集用户的手部电信号信息。
相较于现有技术，本发明实施例达到的有益效果是：
本发明实施例提供了一种基于区块链的云计算大数据图片存储方法及系统，所述方法包括：客户端在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中；云计算终端获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端；客户端将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端的搜索接口连接。通过采用以上方案，基于用户在触发存储图片的操作时的生理信息和想要存储的图片，生成对该图片的索引信息，并将图片和索引信息一一对应存储在图片链和索引链中，索引链与客户端的搜索接口连接，以便用户根据索引信息通过搜索接口快速准确地找到图片。
附图说明
图1是本发明实施例提供的一种基于区块链的云计算大数据图片存储方法的流程图。
图2是本发明实施例提供的第一网络的结构示意图。
图3是本发明实施例提供的第二网络的结构示意图。
图4是本发明实施例提供的第三网络的结构示意图。
图5是本发明实施例提供的一种基于区块链的云计算大数据图片存储系统的示意图。
图中标记：基于区块链的云计算大数据图片存储系统200；客户端210；云计算终端220；区块链300。
具体实施方式
下面结合附图，对本发明作详细的说明。
本发明实施例提供了一种基于区块链的云计算大数据图片存储方法，如图1所示，基于区块链的云计算大数据图片存储方法包括：
S101：客户端在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中。
其中，用户想要存储的图片是用户触发存储操作对应的图片。
S102：云计算终端获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端；
S103：客户端将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端的搜索接口连接。
通过采用以上方案，基于用户在触发存储图片的操作时的生理信息和想要存储的图片，生成对该图片的索引信息，并将图片和索引信息一一对应存储在图片链和索引链中，索引链与客户端的搜索接口连接，以便用户根据索引信息通过搜索接口快速准确地找到图片。
可选的，所述获得用户在触发存储图片的操作时的生理信息，包括：获得用户在触发存储图片的操作时的面部图像信息和手部电信号信息；将所述面部图像信息输入训练好的第一网络中，以训练好的第一网络的输出作为第一特征值；将所述手部电信号信息输入训练好的第二网络中，以训练好的第二网络的输出作为第二特征值；基于所述第一特征值和所述第二特征值获得第三特征值；将所述面部图像信息和所述手部电信号信息输入训练好的第三网络，以训练好的第四特征值的输出作为第四特征值；基于所述第三特征值和所述第四特征值，获得生理特征值；从大数据库中获得与所述生理特征值对应的生理信息。需要解释的是，大数据库中存储有多个生理信息，则从大数据库中获得与所述生理特征值对应的生理信息。
其中，如图2所示，所述第一网络包括一个五层的图卷积神经网络、一个全连接层网络和一个估计层网络，图卷积神经网络的输出是全连接层网络的输入，全连接层网络的输出是估计层网络的输入，估计层网络的输出是一个估计特征数；将所述面部图像信息输入训练好的第一网络中，训练好的第一网络输出的估计特征数就是第一特征值。五层的图卷积神经网络中，每层网络之间的层间映射函数为：
f(H)＝σ*A*H*(A*H+I)-1
其中，H通过层间映射函数f映射后，得到f(H)，五层的图卷积神经网络中，第一层树输入层，第五层是输出层，第一层的输入H指的是面部图像信息，是一个矩阵。σ是非线性激活板书，A是核矩阵，I是单位矩阵。
全连接层网络将第五层的图卷积神经网络的输出层的输出矩阵f(H)进行全连接映射，具体为：
S(f(H))＝{si，i＝0，1，2...，N}，且
Figure BDA0002411916830000051
其中，S(f(H))表示全连接层与五层的图卷积神经网络的输出层之间的映射关系，Si表示全连接层的第i个元素，∑f(H)i，j表示五层的图卷积神经网络的输出层的输出矩阵中第i行，第j列的元素f(H)i，j之和，N表示五层的图卷积神经网络的输出层的输出矩阵的对角线元素的个数。
估计层网络与全连接层网络之间的连接映射关系为：
Figure BDA0002411916830000052
其中，q表示估计层网络的输出(估计特征数)，即第一特征值。γi表示地i个协调因子，γi是0到1之间的随机数。
如图3所示，所述第二网络包括一个五层的图卷积神经网络和一个记忆层网络，图卷积神经网络的输出是记忆层网络的输入，记忆层网络的输出是一个记忆特征数；将所述手部电信号信息输入训练好的第二网络中，训练好的第二网络输出的记忆特征数就是第二特征值。
在本发明实施例中，将所述手部电信号信息输入训练好的第二网络中之前还包括将手部电信号信息转换成图像矩阵序列，然后将图像矩阵序列的手部电信号信息输入训练好的第二网络中。将手部电信号信息转换成图像矩阵序列的具体方式为：将手部电信号信息转换成手部电信号的波形图像信息，对波形图像信息进行去噪和增强处理，得到图像矩阵序列。在第二网络中，五层的图卷积神经网络的输入H就是电信号信息的图像矩阵序列。
记忆层网络将图卷积神经网络输出的矩阵图像中的波形特征，对波形特征进行低通滤波处理，然后对低通滤波处理后的波形特征进行加权求和，得到记忆特征数(第二特征值)。
在本发明实施例中，基于所述第一特征值和所述第二特征值获得第三特征值，具体按照如下公式得到：
Figure BDA0002411916830000061
其中，t表示第三特征值，p表示第二特征值。
可选的，如图4所示，所述第三网络包括第一图卷积神经网络、第二图卷积神经网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络，第一图卷积神经网络输出的第一信息和第二图卷积神经网络输出的第二信息是第一适应网络的输入，第一适应网络的第一输出是估计层网络的输入，第一适应网络的第二输出是记忆层网络的输入，估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入，第二适应网络的输出是一个特征值；将所述面部图像信息和所述手部电信号信息输入训练好的第三网络，训练好的第三网络输出的特征值就是第四特征值。
其中，第一图卷积神经网络、第二图卷积神经网络的层间映射关系满足公式：
f(H)＝σ*A*H*(A*H+I)-1
第一适应网络与第一图卷积神经网络、第二图卷积神经网络之间的映射关系满足公式：
Figure BDA0002411916830000071
W2＝f(H1)-f(H2)
其中，f(H1)表示第一图卷积神经网络的输出(第一信息)，f(H2)表示第二图卷积神经网络的输出(第二信息)。W1表示第一输出，W2表示第二输出。
第一适应网络与估计层网络之间的映射关系满足公式：
Figure BDA0002411916830000072
其中，q1表示估计层网络的输出(估计特征数)，W1i，j表示W1中的第i行第j列的元素的像素值，m表示W1中的行数，n表示W1中的列数。σ1表示W1中的元素的像素值的方差。
第一适应网络与记忆层网络之间的映射关系满足公式：
Figure BDA0002411916830000073
其中，q2表示记忆层网络的输出(记忆特征数)，W2i，j表示W2中的第i行第j列的元素的像素值，k表示W2中的行数，h表示W2中的列数。σ2表示W2中的元素的像素值的方差。
第二适应网络对估计特征数和记忆特征数进行如下公式的计算，得到第四特征值：
Figure BDA0002411916830000081
其中，g是第二适应网络的输出(第四特征值)，e是自然对数的底数。
基于所述第三特征值和所述第四特征值，获得生理特征值，具体为：
v＝|cos(t*π)+sin(g*π)|
其中，v表示生理特征值，π等于3.171592653。
其中，基于所述生理信息和所述图片，生成所述图片的索引信息，包括：
将所述生理信息和所述图片输入训练好的第三网络，以第三网络输出的特征值作为索引指数；
从大数据库中获得与索引指数对应的索引信息作为检索所述图片的索引信息，将所述云计算终端。
客户端采集用户的面部图像信息和手部电信号信息，将面部图像信息和手部电信号信息发送至区块链数据库和云计算终端。
在本发明实施例中，在客户端将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中之后，当用户需要查找照片时，所述方法还包括：
客户端获得用户的人脸图像和图片查询信息，将所述人脸图像和图片查询信息发送至云计算终端；云计算终端基于所述人脸图像和图片查询信息，将所述人脸图像和所述图片查询信息输入训练好的第四网络，以所述第四网络的输出作为所述图片查询信息的目标图片索引，将所述目标图片索引发送至所述客户端；所述客户端根据所述目标图片索引，定位到与目标图片索引对应的索引链，获得所述索引链对应的图片链，显示所述图片链中的图片。
所述第四网络包括卷积神经网络、长短时记忆网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络，卷积神经网络输出的第一信息和长短时记忆网络输出的第二信息是第一适应网络的输入，第一适应网络的第一输出是估计层网络的输入，第一适应网络的第二输出是记忆层网络的输入，估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第一适应网络的输入，第一适应网络的输出是一个特征值，将所述人脸图像和所述图片查询信息输入训练好的第四网络，训练好的第四网络输出的特征值就是目标图片索引。
其中，其中，图卷积神经网络的层间映射关系满足公式：
f(H)＝σ*A*H*(A*H+I)-1，其中，此时的H表示人脸图像。
卷积神经网络和长短时记忆网络与第一适应网络的映射关系满足公式：
Figure BDA0002411916830000091
V2＝L-f(H)
其中，f(H)表示图卷积神经网络的输出(第一信息)，L表示长短时记忆网络的输出(第二信息)。W1表示第一输出，W2表示第二输出。
在本发明的实施例中，第四网络的第一适应网络、估计层网络、记忆层网络、第二适应网络之间的映射关系与上述第三网络的第一适应网络、估计层网络、记忆层网络、第二适应网络之间的映射关系类似，具体的可以参照上述的第三网络所述内容，相应地，在第四网络中，第一适应网络与估计层网络之间的映射关系满足公式：
Figure BDA0002411916830000092
其中，q1表示估计层网络的输出，V1i，j表示V1中的第i行第j列的元素的像素值，m表示V1中的行数，n表示V1中的列数。σ1表示V1中的元素的像素值的方差。
第一适应网络与记忆层网络之间的映射关系满足公式：
Figure BDA0002411916830000093
其中，q2表示记忆层网络的输出(记忆特征数)，V2i，j表示V2中的第i行第j列的元素的像素值，k表示W2中的行数，h表示V2中的列数。σ2表示V2中的元素的像素值的方差。
作为一种可选的实施方式，所述方法还包括：所述客户端将所述图片链中的图片发送到云计算终端；云计算终端将所述人脸图像、所述图片查询信息和所述图片链中的图片输入到第五网络，第五网络输出所述图片链的图片中与图片查询信息匹配度最高的图片。
其中，第五网络包括卷积神经网络、匹配网络和第一网络，卷积神经网络的输入是所述图片链中的图片，卷积神经网络的输出与所述第一网络的第二信息进行加权求和，得到加权第二信息，加权第二信息和第一网络的第一信息作为第一适应网络的输入，以第一网络中第二适应网络的输出以及卷积神经网络的输出作为匹配网络的输入，匹配网络的输出是所述图片链的图片中与图片查询信息匹配度最高的图片。
即所述图片链中的图片作为卷积神经网络的输入，人脸图像作为图卷积神经网络的输入，图片查询信息作为长短时记忆网络的输入，上述阐述的网络计算后得到所述图片链的图片中与图片查询信息匹配度最高的图片。
本发明实施例还提供了一种基于区块链的云计算大数据图片存储系统200，用于执行上述的基于区块链的云计算大数据图片存储方法，如图5所示，基于区块链的云计算大数据图片存储系统200包括客户端210和云计算终端220，所述客户端210与云计算终端220连接，客户端210是区块链300中的节点。其中：
客户端210，用于在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中。
区块链数据库用于存储所述图片；区块链数据库在区块链300中。
云计算终端220，用于获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端210。
客户端210还用于，将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端210的搜索接口连接。
可选的，客户端210还用于，采集用户在在触发存储图片的操作时的面部图像信息和手部电信号信息，将面部图像信息和手部电信号信息发送至区块链数据库和云计算终端220。
客户端210包括摄像头和心电信号采集组件；摄像头用于采集用户的面部图像信息；心电信号采集组件用于与用户的手指接触以采集用户的手部电信号信息。

Claims (9)

1.一种基于区块链的云计算大数据图片存储方法，其特征在于，包括：
客户端在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中；
云计算终端获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端；
客户端将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端的搜索接口连接；
所述获得用户在触发存储图片的操作时的生理信息，包括：
获得用户在触发存储图片的操作时的面部图像信息和手部电信号信息；
将所述面部图像信息输入训练好的第一网络中，以训练好的第一网络的输出作为第一特征值；
将所述手部电信号信息输入训练好的第二网络中，以训练好的第二网络的输出作为第二特征值；
基于所述第一特征值和所述第二特征值获得第三特征值；
将所述面部图像信息和所述手部电信号信息输入训练好的第三网络，以训练好的第四特征值的输出作为第四特征值；
基于所述第三特征值和所述第四特征值，获得生理特征值；
从大数据库中获得与所述生理特征值对应的生理信息。
2.根据权利要求1所述的方法，其特征在于，所述第一网络包括一个五层的图卷积神经网络、一个全连接层网络和一个估计层网络，图卷积神经网络的输出是全连接层网络的输入，全连接层网络的输出是估计层网络的输入，估计层网络的输出是一个估计特征数；将所述面部图像信息输入训练好的第一网络中，训练好的第一网络输出的估计特征数就是第一特征值。
3.根据权利要求2所述的方法，其特征在于，所述第二网络包括一个五层的图卷积神经网络和一个记忆层网络，图卷积神经网络的输出是记忆层网络的输入，记忆层网络的输出是一个记忆特征数；将所述手部电信号信息输入训练好的第二网络中，训练好的第二网络输出的记忆特征数就是第二特征值。
4.根据权利要求3所述的方法，其特征在于，所述第三网络包括第一图卷积神经网络、第二图卷积神经网络、一个估计层网络、一个记忆层网络、第一适应层网络和第二适应网络，第一图卷积神经网络输出的第一信息和第二图卷积神经网络输出的第二信息是第一适应网络的输入，第一适应网络的第一输出是估计层网络的输入，第一适应网络的第二输出是记忆层网络的输入，估计层网络输出的估计特征数和记忆层网络输出的记忆特征数是第二适应网络的输入，第二适应网络的输出是一个特征值；将所述面部图像信息和所述手部电信号信息输入训练好的第三网络，训练好的第三网络输出的特征值就是第四特征值。
5.根据权利要求1所述的方法，其特征在于，基于所述生理信息和所述图片，生成所述图片的索引信息，包括：
将所述生理信息和所述图片输入训练好的第三网络，以第三网络输出的特征值作为索引指数；
从大数据库中获得与索引指数对应的索引信息作为检索所述图片的索引信息，将所述云计算终端。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括，客户端采集用户的面部图像信息和手部电信号信息，将面部图像信息和手部电信号信息发送至区块链数据库和云计算终端。
7.一种基于区块链的云计算大数据图片存储系统，其特征在于，所述系统包括：
客户端，用于在用户触发存储图片的操作时，获得用户想要存储的图片，所述图片发送至云计算终端和区块链数据库中；
区块链数据库用于存储所述图片；
云计算终端，用于获得用户在触发存储图片的操作时的生理信息；基于所述生理信息和所述图片，生成所述图片的索引信息；将所述索引信息发送至所述客户端；
客户端还用于，将所述图片和所述索引信息分别存储在一一对应的图片链和索引链中，所述索引链与客户端的搜索接口连接；
所述获得用户在触发存储图片的操作时的生理信息，包括：
获得用户在触发存储图片的操作时的面部图像信息和手部电信号信息；
将所述面部图像信息输入训练好的第一网络中，以训练好的第一网络的输出作为第一特征值；
将所述手部电信号信息输入训练好的第二网络中，以训练好的第二网络的输出作为第二特征值；
基于所述第一特征值和所述第二特征值获得第三特征值；
将所述面部图像信息和所述手部电信号信息输入训练好的第三网络，以训练好的第四特征值的输出作为第四特征值；
基于所述第三特征值和所述第四特征值，获得生理特征值；
从大数据库中获得与所述生理特征值对应的生理信息。
8.根据权利要求7所述的系统，其特征在于，客户端还用于，采集用户在在触发存储图片的操作时的面部图像信息和手部电信号信息，将面部图像信息和手部电信号信息发送至区块链数据库和云计算终端。
9.根据权利要求8所述的系统，其特征在于，客户端包括摄像头和心电信号采集组件；
摄像头用于采集用户的面部图像信息；
心电信号采集组件用于与用户的手指接触以采集用户的手部电信号信息。
CN202010179143.9A 2020-03-16 2020-03-16 基于区块链的云计算大数据图片存储方法及系统 Expired - Fee Related CN111353060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010179143.9A CN111353060B (zh) 2020-03-16 2020-03-16 基于区块链的云计算大数据图片存储方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010179143.9A CN111353060B (zh) 2020-03-16 2020-03-16 基于区块链的云计算大数据图片存储方法及系统

Publications (2)

Publication Number Publication Date
CN111353060A CN111353060A (zh) 2020-06-30
CN111353060B true CN111353060B (zh) 2020-11-06

Family

ID=71192810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010179143.9A Expired - Fee Related CN111353060B (zh) 2020-03-16 2020-03-16 基于区块链的云计算大数据图片存储方法及系统

Country Status (1)

Country Link
CN (1) CN111353060B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7730054B1 (en) * 2003-09-30 2010-06-01 Google Inc. Systems and methods for providing searchable prior history
CN104866773B (zh) * 2015-05-11 2018-04-10 酷派软件技术（深圳）有限公司 一种指纹搜索方法、装置及终端
CN105023591B (zh) * 2015-06-30 2018-03-02 广东欧珀移动通信有限公司 一种音频播放方法及系统、用户终端
RU2016138608A (ru) * 2016-09-29 2018-03-30 Мэджик Лип, Инк. Нейронная сеть для сегментации изображения глаза и оценки качества изображения
CN206470693U (zh) * 2017-01-24 2017-09-05 广州幻境科技有限公司 一种基于可穿戴设备的情绪识别系统
CN108549654B (zh) * 2018-03-09 2023-09-05 浙江昕微电子科技有限公司 一种基于图像处理的大数据分析方法
CN110569381A (zh) * 2018-05-16 2019-12-13 武汉智云星达信息技术有限公司 基于指纹二维码水印的有效智能的图像检索和定位比较的方法
CN110349311A (zh) * 2019-07-08 2019-10-18 江苏橙贝科技有限公司 一种基于区块链技术的指纹锁控制系统及方法

Also Published As

Publication number Publication date
CN111353060A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN110580482B (zh) 图像分类模型训练、图像分类、个性化推荐方法及装置
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN111027576B (zh) 基于协同显著性生成式对抗网络的协同显著性检测方法
CN111340077B (zh) 基于注意力机制的视差图获取方法和装置
CN112232325B (zh) 样本数据处理方法和装置、存储介质及电子设备
CN108229347A (zh) 用于人识别的拟吉布斯结构采样的深层置换的方法和装置
WO2017174982A1 (en) Method of matching a sketch image to a face image
JP6435049B2 (ja) 画像検索装置及び方法、撮影時刻推定装置及び方法、反復構造抽出装置及び方法、並びにプログラム
Jin et al. Dual low-rank multimodal fusion
CN111353060B (zh) 基于区块链的云计算大数据图片存储方法及系统
CN111310001B (zh) 基于区块链的云计算大数据图片查找方法及系统
CN112528978A (zh) 人脸关键点的检测方法、装置、电子设备及存储介质
CN115861393B (zh) 图像匹配方法、航天器着陆点定位方法及相关装置
Guo et al. Multi-level Fusion Based Deep Convolutional Network for Image Quality Assessment
CN115545349B (zh) 基于属性敏感交互的时序社交媒体流行度预测方法及装置
WO2019076110A1 (zh) 图像信息处理方法及装置
Song et al. Multiscale aggregation and illumination‐aware attention network for infrared and visible image fusion
CN114841887A (zh) 一种基于多层次差异学习的图像恢复质量评价方法
CN114997259A (zh) 图像聚类方法、图像聚类模型训练方法和电子设备
CN115995079A (zh) 图像语义相似度分析方法和同语义图像检索方法
CN114511810A (zh) 异常事件检测方法及装置、计算机设备、存储介质
Jin et al. HyA-GAN: remote sensing image cloud removal based on hybrid attention generation adversarial network
CN113239879A (zh) 联邦模型训练、证件检测方法、装置、设备及介质
Peng et al. Deepcamera: A unified framework for recognizing places-of-interest based on deep convnets
Jiang et al. Deep Geo-Constrained Auto-Encoder for Non-Landmark GPS Estimation

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201015

Address after: No.89, group 1, Datian village, Sanhui Town, Hechuan District, Chongqing

Applicant after: Huang Hua

Address before: No.38 Yingpan West Road, Ximen street, Kaili City, Qiandongnan Miao and Dong Autonomous Prefecture, Guizhou Province

Applicant before: Yang Xianlian

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210917

Address after: 610000 jingjusi West Street, Jinjiang District, Chengdu, Sichuan (self-made No. 12)

Patentee after: Sichuan quanmuxiangqi Technology Co.,Ltd.

Address before: 401520 No.89, group 1, Datian village, Sanhui Town, Hechuan District, Chongqing

Patentee before: Huang Hua

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201106