CN112131999A - 身份确定方法及装置、电子设备和存储介质 - Google Patents

身份确定方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112131999A
CN112131999A CN202010982668.6A CN202010982668A CN112131999A CN 112131999 A CN112131999 A CN 112131999A CN 202010982668 A CN202010982668 A CN 202010982668A CN 112131999 A CN112131999 A CN 112131999A
Authority
CN
China
Prior art keywords
server
operation log
feature
face
features
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
Application number
CN202010982668.6A
Other languages
English (en)
Other versions
CN112131999B (zh
Inventor
王康
梁维
金潇
朴元奎
陈宇恒
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.)
Zhejiang Shangtang Technology Development Co Ltd
Original Assignee
Zhejiang Shangtang Technology Development Co Ltd
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 Zhejiang Shangtang Technology Development Co Ltd filed Critical Zhejiang Shangtang Technology Development Co Ltd
Priority to CN202010982668.6A priority Critical patent/CN112131999B/zh
Publication of CN112131999A publication Critical patent/CN112131999A/zh
Application granted granted Critical
Publication of CN112131999B publication Critical patent/CN112131999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
    • G06F16/1815—Journaling file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/172—Classification, e.g. identification

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)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种身份确定方法及装置、电子设备和存储介质，该方法应用于第一服务器，第一服务器中包括未确定身份的多个第一人脸特征，包括：确定多个第一人脸特征在第一服务器中的特征操作日志，其中，特征操作日志用于在第二服务器中解析得到多个第一人脸特征，第二服务器中包括已确定身份的多个第二人脸特征；确定多个第一人脸特征在第一服务器中的聚类操作日志，其中，聚类操作日志用于在第二服务器中解析得到多个第一人脸特征对应的聚类簇；将特征操作日志和聚类操作日志发送至第二服务器；接收第二服务器返回的多个第一人脸特征对应的身份信息，其中，身份信息是第二服务器根据特征操作日志、聚类操作日志和多个第二人脸特征确定得到的。

Description

身份确定方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种身份确定方法及装置、电子设备和存储介质。
背景技术
人脸聚类技术在智能视频监测领域有着很广泛的使用场景，具体体现在人员管理、人员时空轨迹分析等。在对抓怕图进行人脸聚类后，形成聚类簇，而仅有聚类簇无法确定该类簇的真实身份，只能形成匿名档案。因此，亟需一种身份确定方法来确定抓拍图中人脸特征对应的身份信息。
发明内容
本公开提出了一种身份确定方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种身份确定方法，所述方法应用于第一服务器，所述第一服务器中包括未确定身份的多个第一人脸特征，所述方法包括：确定所述多个第一人脸特征在所述第一服务器中的特征操作日志，其中，所述特征操作日志用于在第二服务器中解析得到所述多个第一人脸特征，所述第二服务器中包括已确定身份的多个第二人脸特征；确定所述多个第一人脸特征在所述第一服务器中的聚类操作日志，其中，所述聚类操作日志用于在所述第二服务器中解析得到所述多个第一人脸特征对应的聚类簇；将所述特征操作日志和所述聚类操作日志发送至所述第二服务器；接收所述第二服务器返回的所述多个第一人脸特征对应的身份信息，其中，所述身份信息是所述第二服务器根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征确定得到的。
在一种可能的实现方式中，将所述特征操作日志和所述聚类操作日志发送至所述第二服务器，包括：根据所述特征操作日志和所述聚类操作日志对应的时间先后顺序，将所述特征操作日志和所述聚类操作日志加入到消息队列；根据所述消息队列，将所述特征操作日志和所述聚类操作日志发送到分布式存储系统进行存储，其中，对应相同所述第一人脸特征的所述特征操作日志和所述聚类操作日志对应所述分布式存储系统中的相同存储分区；根据所述分布式存储系统，将所述特征操作日志和所述聚类操作日志发送至所述第二服务器。
在一种可能的实现方式中，所述根据所述消息队列，将所述特征操作日志和所述聚类操作日志发送到分布式存储系统进行存储，包括：确定所述消息队列中的所述特征操作日志和所述聚类操作日志对应的消息标识；根据所述消息标识，利用哈希分区规则将所述特征操作日志和所述聚类操作日志发送到所述分布式存储系统进行存储。
在一种可能的实现方式中，所述方法还包括：通过深度学习算法对视频源进行解析，确定所述多个第一人脸特征。
在一种可能的实现方式中，所述确定所述多个第一人脸特征在所述第一服务器中的特征操作日志，包括：根据所述多个第一人脸特征在所述第一服务器中的操作记录，确定所述特征操作日志，其中，所述操作记录包括下述至少一种：新增特征、删除特征、构建特征索引。
在一种可能的实现方式中，所述方法还包括：针对任一所述第一人脸特征，确定所述第一人脸特征对应的标识；根据所述标识，构建所述第一人脸特征对应的特征索引。
在一种可能的实现方式中，所述方法还包括：针对任一所述第一人脸特征，对所述第一人脸特征进行加密以及二进制序列化数据处理；将数据处理后的所述第一人脸特征存储在所述第一服务器中。
在一种可能的实现方式中，确定所述多个第一人脸特征在所述第一服务器中的聚类操作日志，包括：根据所述多个第一人脸特征在所述第一服务器中的聚类操作记录，确定所述聚类操作日志，其中，所述聚类操作记录包括下述至少一种：新增聚类簇、更新聚类簇、删除聚类簇。
在一种可能的实现方式中，所述第一服务器中包括N个聚类簇，每个聚类簇中包括一个类中心人脸特征；所述方法还包括：针对任一所述第一人脸特征，利用k近邻算法，确定所述第一人脸特征对应的k个类中心人脸特征，其中，N>k>1；在所述k个类中心人脸特征中存在目标类中心人脸特征的情况下，将所述第一人脸特征分类到所述目标类中心人脸特征对应的聚类簇中，其中，所述第一人脸特征和所述目标类中心人脸特征之间的相似度大于第一阈值。
在一种可能的实现方式中，所述方法还包括：在所述k个类中心人脸特征中不存在所述目标类中心人脸特征的情况下，确定所述第一人脸特征为未分类人脸特征；利用k近邻算法和图连接算法对所述多个第一人脸特征中的所述未分类人脸特征进行聚类，确定各所述未分类人脸特征对应的聚类簇。
根据本公开的一方面，提供了一种身份确定方法，所述方法应用于第二服务器，所述第二服务器中包括已确定身份的多个第二人脸特征，所述方法包括：接收第一服务器发送的特征操作日志和聚类操作日志，其中，所述特征操作日志用于解析得到所述第一服务器中包括的未确定身份的多个第一人脸特征，所述聚类操作日志用于解析得到所述多个第一人脸特征对应的聚类簇；根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征，确定所述多个第一人脸特征对应的身份信息；将所述多个第一人脸特征对应的身份信息发送至所述第一服务器。
在一种可能的实现方式中，所述根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征，确定所述多个第一人脸特征对应的身份信息，包括：根据所述特征操作日志和所述聚类操作日志，确定各所述第一人脸特征对应的目标类中心人脸特征；针对任一所述第一人脸特征对应的所述目标类中心人脸特征，利用k近邻算法，确定所述目标类中心人脸特征对应的k个第二人脸特征；在所述k个第二人脸特征中存在目标第二人脸特征的情况下，根据所述目标第二人脸特征对应的身份信息，确定所述第一人脸特征对应的身份信息，其中，所述目标类中心人脸特征与所述目标第二人脸特征之间的相似度大于第二阈值。
根据本公开的一方面，提供了一种身份确定装置，所述装置应用于第一服务器，所述第一服务器中包括未确定身份的多个第一人脸特征，所述装置包括：第一确定模块，用于确定所述多个第一人脸特征在所述第一服务器中的特征操作日志，其中，所述特征操作日志用于在第二服务器中解析得到所述多个第一人脸特征，所述第二服务器中包括已确定身份的多个第二人脸特征；第二确定模块，用于确定所述多个第一人脸特征在所述第一服务器中的聚类操作日志，其中，所述聚类操作日志用于在所述第二服务器中解析得到所述多个第一人脸特征对应的聚类簇；发送模块，用于将所述特征操作日志和所述聚类操作日志发送至所述第二服务器；第一接收模块，用于接收所述第二服务器返回的所述多个第一人脸特征对应的身份信息，其中，所述身份信息是所述第二服务器根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征确定得到的。
在一种可能的实现方式中，所述发送模块，包括：消息队列确定子模块，用于根据所述特征操作日志和所述聚类操作日志对应的时间先后顺序，将所述特征操作日志和所述聚类操作日志加入到消息队列；第一发送子模块，用于根据所述消息队列，将所述特征操作日志和所述聚类操作日志发送到分布式存储系统进行存储，其中，对应相同所述第一人脸特征的所述特征操作日志和所述聚类操作日志对应所述分布式存储系统中的相同存储分区；第二发送子模块，还用于根据所述分布式存储系统，将所述特征操作日志和所述聚类操作日志发送至所述第二服务器。
在一种可能的实现方式中，所述第一发送子模块，包括：第一确定单元，用于确定所述消息队列中的所述特征操作日志和所述聚类操作日志对应的消息标识；发送单元，用于根据所述消息标识，利用哈希分区规则将所述特征操作日志和所述聚类操作日志发送到所述分布式存储系统进行存储。
在一种可能的实现方式中，所述装置还包括：第三确定模块，用于通过深度学习算法对视频源进行解析，确定所述多个第一人脸特征。
在一种可能的实现方式中，所述第一确定模块，具体用于：根据所述多个第一人脸特征在所述第一服务器中的操作记录，确定所述特征操作日志，其中，所述操作记录包括下述至少一种：新增特征、删除特征、构建特征索引。
在一种可能的实现方式中，所述装置还包括：第四确定模块，用于针对任一所述第一人脸特征，确定所述第一人脸特征对应的标识；索引构建模块，用于根据所述标识，构建所述第一人脸特征对应的特征索引。
在一种可能的实现方式中，所述装置还包括：数据处理模块，用于针对任一所述第一人脸特征，对所述第一人脸特征进行加密以及二进制序列化数据处理；存储模块，用于将数据处理后的所述第一人脸特征存储在所述第一服务器中。
在一种可能的实现方式中，所述第二确定模块，具体用于：根据所述多个第一人脸特征在所述第一服务器中的聚类操作记录，确定所述聚类操作日志，其中，所述聚类操作记录包括下述至少一种：新增聚类簇、更新聚类簇、删除聚类簇。
在一种可能的实现方式中，所述第一服务器中包括N个聚类簇，每个聚类簇中包括一个类中心人脸特征；所述装置还包括：第五确定模块，用于针对任一所述第一人脸特征，利用k近邻算法，确定所述第一人脸特征对应的k个类中心人脸特征，其中，N>k>1；分类模块，用于在所述k个类中心人脸特征中存在目标类中心人脸特征的情况下，将所述第一人脸特征分类到所述目标类中心人脸特征对应的聚类簇中，其中，所述第一人脸特征和所述目标类中心人脸特征之间的相似度大于第一阈值。
在一种可能的实现方式中，所述装置还包括：第六确定模块，用于在所述k个类中心人脸特征中不存在所述目标类中心人脸特征的情况下，确定所述第一人脸特征为未分类人脸特征；聚类模块，用于利用k近邻算法和图连接算法对所述多个第一人脸特征中的所述未分类人脸特征进行聚类，确定各所述未分类人脸特征对应的聚类簇。
根据本公开的一方面，提供了一种身份确定装置，所述装置应用于第二服务器，所述第二服务器中包括已确定身份的多个第二人脸特征，所述装置包括：接收模块，用于接收第一服务器发送的特征操作日志和聚类操作日志，其中，所述特征操作日志用于解析得到所述第一服务器中包括的未确定身份的多个第一人脸特征，所述聚类操作日志用于解析得到所述多个第一人脸特征对应的聚类簇；确定模块，用于根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征，确定所述多个第一人脸特征对应的身份信息；发送模块，用于将所述多个第一人脸特征对应的身份信息发送至所述第一服务器。
在一种可能的实现方式中，所述确定模块，包括：第一确定子模块，用于根据所述特征操作日志和所述聚类操作日志，确定各所述第一人脸特征对应的目标类中心人脸特征；第二确定子模块，用于针对任一所述第一人脸特征对应的所述目标类中心人脸特征，利用k近邻算法，确定所述目标类中心人脸特征对应的k个第二人脸特征；第三确定子模块，用于在所述k个第二人脸特征中存在目标第二人脸特征的情况下，根据所述目标第二人脸特征对应的身份信息，确定所述第一人脸特征对应的身份信息，其中，所述目标类中心人脸特征与所述目标第二人脸特征之间的相似度大于第二阈值。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，第一服务器中包括未确定身份的多个第一人脸特征，确定多个第一人脸特征在第一服务器中的特征操作日志，其中，特征操作日志用于在第二服务器中解析得到多个第一人脸特征，第二服务器中包括已确定身份的多个第二人脸特征；确定多个第一人脸特征在第一服务器中的聚类操作日志，其中，聚类操作日志用于在第二服务器中解析得到多个第一人脸特征对应的聚类簇；将特征操作日志和聚类操作日志发送至第二服务器；接收第二服务器返回的多个第一人脸特征对应的身份信息，其中，身份信息是第二服务器根据特征操作日志、聚类操作日志和多个第二人脸特征确定得到的。通过特征操作日志和聚类操作日志来实现跨服务器数据互通，进而可以实现跨服务器对未确定身份的人脸特征进行身份确定。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种身份确定方法的流程图；
图2示出根据本公开实施例的一种身份确定方法的示意图；
图3示出根据本公开实施例的一种身份确定方法的流程图；
图4示出根据本公开实施例的一种身份确定装置的框图；
图5示出根据本公开实施例的一种身份确定装置的框图；
图6示出根据本公开实施例的一种电子设备的框图；
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种身份确定方法的流程图。该身份确定方法应用于第一服务器，第一服务器中包括未确定身份的多个第一人脸特征。例如，第一服务器可以为存储有图像采集设备(例如，摄像头)抓拍得到的视频源的服务器，根据视频源，可以得到未确定身份的多个第一人脸特征。如图1所示，该方法可以包括：
在步骤S11中，确定多个第一人脸特征在第一服务器中的特征操作日志，其中，特征操作日志用于在第二服务器中解析得到多个第一人脸特征，第二服务器中包括已确定身份的多个第二人脸特征。
在步骤S12中，确定多个第一人脸特征在第一服务器中的聚类操作日志，其中，聚类操作日志用于在第二服务器中解析得到多个第一人脸特征对应的聚类簇。
在步骤S13中，将特征操作日志和聚类操作日志发送至第二服务器。
在步骤S14中，接收第二服务器返回的多个第一人脸特征对应的身份信息，其中，身份信息是第二服务器根据特征操作日志、聚类操作日志和多个第二人脸特征确定得到的。
根据本公开实施例，通过特征操作日志和聚类操作日志来实现跨服务器数据互通，进而可以实现跨服务器对未确定身份的人脸特征进行身份确定。
在一种可能的实现方式中，还包括：通过深度学习算法对视频源进行解析，确定多个第一人脸特征。
通过在预设地理位置设置图像采集设备(例如，摄像头)可以采集得到视频源，视频源中包括抓拍得到的人脸图像，利用深度学习算法对视频源进行解析，使用预先训练好的模型对视频源中的人脸图像进行图像处理，得到人脸图像对应的人脸特征。其中，人脸特征可以为一个N维向量。
图2示出本公开实施例的一种身份确定方法的示意图。如图2所示，第一服务器中的视频解析模块对视频源进行解析，得到多个第一人脸特征。
在一种可能的实现方式中，还包括：确定各第一人脸特征的时空信息。
由于视频源中包括抓拍得到的人脸图像对应的抓拍时间和抓拍地点，因此，可以根据视频源，确定各个人脸图像对应的人脸特征的时空信息(包括抓拍时间和抓拍地点)。
在一种可能的实现方式中，还包括：针对任一第一人脸特征，对第一人脸特征进行加密以及二进制序列化数据处理；将数据处理后的第一人脸特征存储在第一服务器中。
在一种可能的实现方式中，还包括：针对任一第一人脸特征，确定第一人脸特征对应的标识；根据标识，构建第一人脸特征对应的特征索引。
仍以上述图2为例，如图2所示，视频解析模块得到的多个第一人脸特征输入到第一服务器中的时空库。在时空库中，针对输入的任一第一人脸特征，对第一人脸特征进行正则化，并对正则化后的第一人脸特征进行加密，以及对加密后的第一人脸特征进行二进制序列化数据处理后进行存储，以完成时空库的数据写入。
在时空库完成数据写入之后，针对写入的任一第一人脸特征，确定第一人脸特征对应的标识(唯一ID)，进而根据第一人脸特征对应的唯一ID，构建第一人脸特征对应的特征索引，以加速后续的特征检索速度。例如，用户通过图形处理器(GPU)输入包含ID的特征检索请求后，GPU在时空库中检索得到该ID对应的第一人脸特征，并将检索得到的第一人脸特征返回给用户。
在一种可能的实现方式中，确定多个第一人脸特征在第一服务器中的特征操作日志，包括：根据多个第一人脸特征在第一服务器中的操作记录，确定特征操作日志，其中，操作记录包括下述至少一种：新增特征、删除特征、构建特征索引。
根据多个第一人脸特征在时空库中的特征操作，例如，新增特征、删除特征、构建特征索引等特征操作，确定多个第一人脸特征对应的特征操作日志(特征oplog)，以及将特征操作日志发送到消息队列中。其中，根据消息队列中的特征操作日志可以解析恢复得到时空库中的多个第一人脸特征。
在一种可能的实现方式中，第一服务器中包括N个聚类簇，每个聚类簇中包括一个类中心人脸特征；还包括：针对任一第一人脸特征，利用k近邻算法，确定第一人脸特征对应的k个类中心人脸特征，其中，N>k>1；在k个类中心人脸特征中存在目标类中心人脸特征的情况下，将第一人脸特征分类到目标类中心人脸特征对应的聚类簇中，其中，第一人脸特征和目标类中心人脸特征之间的相似度大于第一阈值。
仍以上述图2为例，如图2所示，第一服务器中的聚类模块解析特征oplog恢复得到多个第一人脸特征。针对任一第一人脸特征，利用k近邻算法，确定第一人脸特征与聚类模块中包括的N个聚类簇中每个聚类簇对应的类中心人脸特征之间的相似度，并确定相似度由高到低排列的前k个类中心人脸特征作为第一人脸特征对应的k近邻。判断第一人脸特征对应的k近邻(k个类中心人脸特征)中是否包括相似度阈值大于第一阈值的目标类中心人脸特征，在k近邻中存在目标类中心人脸特征的情况下，将第一人脸特征分类到目标类中心人脸特征对应的聚类簇中，以实现该聚类簇的更新。例如，在k近邻中存在一个目标类中心人脸特征的情况下，将第一人脸特征分类到该一个目标类中心人脸特征对应的聚类簇中；在k近邻中存在多个目标类中心人脸特征的情况下，将第一人脸特征分类到多个目标类中心人脸特征中相似度最高的目标类中心人脸特征对应的聚类簇中。其中，第一阈值的具体取值大小可以根据实际情况确定，本公开对此不做具体限定。
在一种可能的实现方式中，还包括：在k个类中心人脸特征中不存在目标类中心人脸特征的情况下，确定第一人脸特征为未分类人脸特征；利用k近邻算法和图连接算法对多个第一人脸特征中的未分类人脸特征进行聚类，确定各未分类人脸特征对应的聚类簇。
在第一人脸图像对应的k近邻中不存在目标类中心人脸特征的情况下，确定该第一人脸图像为未分类人脸特征，即该第一人脸特征无法分类到聚类模块中N个聚类簇中的任一个。针对多个第一人脸特征中的所有未分类人脸特征，利用k近邻算法和图连接算法进行聚类，确定各未分类人脸特征对应的聚类簇，以及将聚类得到的新增聚类簇存储在聚类模块中。
在一种可能的实现方式中，确定多个第一人脸特征在第一服务器中的聚类操作日志，包括：根据多个第一人脸特征在第一服务器中的聚类操作记录，确定聚类操作日志，其中，聚类操作记录包括下述至少一种：新增聚类簇、更新聚类簇、删除聚类簇。
根据多个第一人脸特征在第一服务器中的聚类操作，例如，新增聚类簇、更新聚类簇、删除聚类簇等聚类操作，确定多个第一人脸特征对应的聚类操作日志(聚类oplog)，以及将聚类操作日志发送到消息队列中。其中，根据消息队列中的聚类操作日志可以解析恢复得到聚类模块中的多个第一人脸特征对应的聚类簇。
在一种可能的实现方式中，由于第一服务器中的聚类簇中包括的人脸特征均来自于时空库，因此，可以根据各聚类簇中包括的各人脸特征对应的特征索引，为各聚类簇构建聚类簇索引，便于后续基于聚类簇索引查询各聚类簇，进而得到该聚类簇对应的各人脸特征，以及得到各人脸特征对应的身份信息。当聚类簇发生更新之后，可以进一步根据更新后聚类簇中包括的各人脸特征对应的特征索引，更新聚类簇对应的聚类簇索引。
在一种可能的实现方式中，将特征操作日志和聚类操作日志发送至第二服务器，包括：根据特征操作日志和聚类操作日志对应的时间先后顺序，将特征操作日志和聚类操作日志加入到消息队列；根据消息队列，将特征操作日志和聚类操作日志发送到分布式存储系统进行存储，其中，对应相同第一人脸特征的特征操作日志和聚类操作日志对应分布式存储系统中的相同存储分区；根据分布式存储系统，将特征操作日志和聚类操作日志发送至第二服务器。
针对任一第一人脸特征，首先根据第一人脸特征在第一服务器中的操作记录生成特征oplog，进而根据特征oplog进行聚类操作生成聚类oplog。也就是说，在第一服务器中，对于同一第一人脸特征，特征oplog和聚类oplog的是有时间先后顺序的。根据特征oplog和聚类oplog对应的时间先后顺序，将特征oplog和聚类oplog加入到消息队列中。例如，对于同一第一人脸特征，将生成时间在前的特征oplog先加入消息队列，再将生成时间在后的聚类oplog加入消息队列。
仍以上述图2为例，如图2所示，第一服务器中的数据迁移模块根据消息队列，将多个第一人脸特征对应的特征oplog和聚类oplog发送到分布式存储系统(例如，第一服务器中的文件存储模块)进行存储。
在一种可能的实现方式中，根据消息队列，将特征操作日志和聚类操作日志发送到分布式存储系统进行存储，包括：确定消息队列中的特征操作日志和聚类操作日志对应的消息标识；根据消息标识，利用哈希分区规则将特征操作日志和聚类操作日志发送到分布式存储系统进行存储。
为了提高数据写入读取并发度，分布式存储系统中包括多个存储分区。为了保证特征oplog和聚类oplog的时间顺序性，为消息队列中的特征oplog和聚类oplog确定消息标识，进而根据消息标识，利用哈希分区规则将特征oplog和聚类oplog发送到分布式存储系统进行存储，从而可以实现相同第一人脸特征对应的特征oplog和聚类oplog存储在相同的存储分区内。进而再根据分布式存储系统，将特征oplog和聚类oplog发送至第二服务器，以使得第二服务器根据特征oplog和聚类oplog确定多个第一人脸特征对应的身份信息，并将确定得到的身份信息返回至第一服务器。
在本公开实施例中，第一服务器中包括未确定身份的多个第一人脸特征，确定多个第一人脸特征在第一服务器中的特征操作日志，其中，特征操作日志用于在第二服务器中解析得到多个第一人脸特征，第二服务器中包括已确定身份的多个第二人脸特征；确定多个第一人脸特征在第一服务器中的聚类操作日志，其中，聚类操作日志用于在第二服务器中解析得到多个第一人脸特征对应的聚类簇；将特征操作日志和聚类操作日志发送至第二服务器；接收第二服务器返回的多个第一人脸特征对应的身份信息，其中，身份信息是第二服务器根据特征操作日志、聚类操作日志和多个第二人脸特征确定得到的。通过特征操作日志和聚类操作日志来实现跨服务器数据互通，进而可以实现跨服务器对未确定身份的人脸特征进行身份确定。
图3示出根据本公开实施例的一种身份确定方法的流程图。该身份确定方法应用于第二服务器，第二服务器中包括已确定身份的多个第二人脸特征。例如，第二服务器可以为公安部门存储用户身份信息的服务器。如图2所示，该方法可以包括：
在步骤S31中，接收第一服务器发送的特征操作日志和聚类操作日志，其中，特征操作日志用于解析得到第一服务器中包括的未确定身份的多个第一人脸特征，聚类操作日志用于解析得到多个第一人脸特征对应的聚类簇。
在步骤S32中，根据特征操作日志、聚类操作日志和多个第二人脸特征，确定多个第一人脸特征对应的身份信息。
在步骤S33中，将多个第一人脸特征对应的身份信息发送至第一服务器。
通过特征oplog和聚类oplog来实现跨服务器数据互通，进而可以实现跨服务器对未确定身份的人脸特征进行身份确定。
在一种可能的实现方式中，根据特征操作日志、聚类操作日志和多个第二人脸特征，确定多个第一人脸特征对应的身份信息，包括：根据特征操作日志和聚类操作日志，确定各第一人脸特征对应的目标类中心人脸特征；针对任一第一人脸特征对应的目标类中心人脸特征，利用k近邻算法，确定目标类中心人脸特征对应的k个第二人脸特征；在k个第二人脸特征中存在目标第二人脸特征的情况下，根据目标第二人脸特征对应的身份信息，确定第一人脸特征对应的身份信息，其中，目标类中心人脸特征与目标第二人脸特征之间的相似度大于第二阈值。
第二服务器通过解析特征oplog和聚类oplog恢复得到第一服务器中的多个第一人脸特征以及多个第一人脸特征对应的聚类簇，进而可以确定各第一人脸特征对应的目标类中心人脸特征，其中，针对任一第一人脸特征，该第一人脸特征对应的目标类中心人脸特征为该第一人脸特征对应的聚类簇的类中心人脸特征。
针对任一第一人脸特征对应的目标类中心人脸特征，利用k近邻算法，确定目标类中心人脸特征与第二服务器中各第二人脸特征之间的相似度。例如，第二服务器中存储有在公安部门有备案的N个身份信息以及对应的N个第二人脸特征，第二服务器根据从第一服务器接收到的特征操作日志和聚类簇操作日志，根据特征操作日志确定需要进行身份确认的第一人脸特征，以及根据聚类簇操作日志确定第一人脸特征对应的目标类中心人脸特征。第二服务器将该目标类中心人脸特征与N个人脸特征进行1：N的比对，确定目标类中心人脸特征与各第二人脸特征之间的相似度。第二服务器确定目标类中心人脸特征与各第二人脸特征之间的相似度之后，将相似度由高到低排列的前k个第二人脸特征确定为目标类中心人脸特征对应的k近邻，进而判断目标类中心人脸特征对应的k近邻(k个第二人脸特征)中是否包括相似度阈值大于第二阈值的目标第二人脸特征，以及在k近邻中存在目标第二人脸特征的情况下，将目标第二人脸特征对应的身份信息确定为目标类中心人脸特征对应的第一人脸特征的身份信息。第二服务器将确定得到的身份信息发送至第一服务器，以使得第一服务器实现对第一人脸特征的身份确认。其中，第二阈值的具体取值大小可以根据实际情况确定，本公开对此不做具体限定。
第二服务器确定多个第一人脸特征对应的身份信息后，将多个第一人脸特征对应的身份信息发送至第一服务器，从而实现跨服务器对未确定身份的人脸特征进行身份确定。
本公开实施例中，接收第一服务器发送的特征操作日志和聚类操作日志，其中，特征操作日志用于解析得到第一服务器中包括的未确定身份的多个第一人脸特征，聚类操作日志用于解析得到多个第一人脸特征对应的聚类簇；根据特征操作日志、聚类操作日志和多个第二人脸特征，确定多个第一人脸特征对应的身份信息；将多个第一人脸特征对应的身份信息发送至第一服务器。通过特征操作日志和聚类操作日志来实现跨服务器数据互通，进而可以实现跨服务器对未确定身份的人脸特征进行身份确定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了身份确定装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种身份确定方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的身份确定装置的框图。该装置应用于第一服务器，第一服务器中包括未确定身份的多个第一人脸特征。如图4所示，装置40包括：
第一确定模块41，用于确定多个第一人脸特征在第一服务器中的特征操作日志，其中，特征操作日志用于在第二服务器中解析得到多个第一人脸特征，第二服务器中包括已确定身份的多个第二人脸特征；
第二确定模块42，用于确定多个第一人脸特征在第一服务器中的聚类操作日志，其中，聚类操作日志用于在第二服务器中解析得到多个第一人脸特征对应的聚类簇；
发送模块43，用于将特征操作日志和聚类操作日志发送至第二服务器；
第一接收模块44，用于接收第二服务器返回的多个第一人脸特征对应的身份信息，其中，身份信息是第二服务器根据特征操作日志、聚类操作日志和多个第二人脸特征确定得到的。
在一种可能的实现方式中，发送模块43，包括：
消息队列确定子模块，用于根据特征操作日志和聚类操作日志对应的时间先后顺序，将特征操作日志和聚类操作日志加入到消息队列；
第一发送子模块，用于根据消息队列，将特征操作日志和聚类操作日志发送到分布式存储系统进行存储，其中，对应相同第一人脸特征的特征操作日志和聚类操作日志对应分布式存储系统中的相同存储分区；
第二发送子模块，还用于根据分布式存储系统，将特征操作日志和聚类操作日志发送至第二服务器。
在一种可能的实现方式中，第一发送子模块，包括：
第一确定单元，用于确定消息队列中的特征操作日志和聚类操作日志对应的消息标识；
发送单元，用于根据消息标识，利用哈希分区规则将特征操作日志和聚类操作日志发送到分布式存储系统进行存储。
在一种可能的实现方式中，装置40还包括：
第三确定模块，用于通过深度学习算法对视频源进行解析，确定多个第一人脸特征。
在一种可能的实现方式中，第一确定模块41，具体用于：
根据多个第一人脸特征在第一服务器中的操作记录，确定特征操作日志，其中，操作记录包括下述至少一种：新增特征、删除特征、构建特征索引。
在一种可能的实现方式中，装置40还包括：
第四确定模块，用于针对任一第一人脸特征，确定第一人脸特征对应的标识；
索引构建模块，用于根据标识，构建第一人脸特征对应的特征索引。
在一种可能的实现方式中，装置40还包括：
数据处理模块，用于针对任一第一人脸特征，对第一人脸特征进行加密以及二进制序列化数据处理；
存储模块，用于将数据处理后的第一人脸特征存储在第一服务器中。
在一种可能的实现方式中，第二确定模块42，具体用于：
根据多个第一人脸特征在第一服务器中的聚类操作记录，确定聚类操作日志，其中，聚类操作记录包括下述至少一种：新增聚类簇、更新聚类簇、删除聚类簇。
在一种可能的实现方式中，第一服务器中包括N个聚类簇，每个聚类簇中包括一个类中心人脸特征；
装置40还包括：
第五确定模块，用于针对任一第一人脸特征，利用k近邻算法，确定第一人脸特征对应的k个类中心人脸特征，其中，N>k>1；
分类模块，用于在k个类中心人脸特征中存在目标类中心人脸特征的情况下，将第一人脸特征分类到目标类中心人脸特征对应的聚类簇中，其中，第一人脸特征和目标类中心人脸特征之间的相似度大于第一阈值。
在一种可能的实现方式中，装置40还包括：
第六确定模块，用于在k个类中心人脸特征中不存在目标类中心人脸特征的情况下，确定第一人脸特征为未分类人脸特征；
聚类模块，用于利用k近邻算法和图连接算法对多个第一人脸特征中的未分类人脸特征进行聚类，确定各未分类人脸特征对应的聚类簇。
图5示出根据本公开实施例的身份确定装置的框图。该装置应用于第二服务器，第二服务器中包括已确定身份的多个第二人脸特征。如图5所示，装置50包括：
接收模块51，用于接收第一服务器发送的特征操作日志和聚类操作日志，其中，特征操作日志用于解析得到第一服务器中包括的未确定身份的多个第一人脸特征，聚类操作日志用于解析得到多个第一人脸特征对应的聚类簇；
确定模块52，用于根据特征操作日志、聚类操作日志和多个第二人脸特征，确定多个第一人脸特征对应的身份信息；
发送模块53，用于将多个第一人脸特征对应的身份信息发送至所述第一服务器。
在一种可能的实现方式中，确定模块52，包括：
第一确定子模块，用于根据特征操作日志和聚类操作日志，确定各第一人脸特征对应的目标类中心人脸特征；
第二确定子模块，用于针对任一第一人脸特征对应的目标类中心人脸特征，利用k近邻算法，确定目标类中心人脸特征对应的k个第二人脸特征；
第三确定子模块，用于在k个第二人脸特征中存在目标第二人脸特征的情况下，根据目标第二人脸特征对应的身份信息，确定第一人脸特征对应的身份信息，其中，目标类中心人脸特征与目标第二人脸特征之间的相似度大于第二阈值。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的身份确定方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的身份确定方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备的框图。如图6所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备的框图。如图7所示，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (16)

1.一种身份确定方法，其特征在于，所述方法应用于第一服务器，所述第一服务器中包括未确定身份的多个第一人脸特征，所述方法包括：
确定所述多个第一人脸特征在所述第一服务器中的特征操作日志，其中，所述特征操作日志用于在第二服务器中解析得到所述多个第一人脸特征，所述第二服务器中包括已确定身份的多个第二人脸特征；
确定所述多个第一人脸特征在所述第一服务器中的聚类操作日志，其中，所述聚类操作日志用于在所述第二服务器中解析得到所述多个第一人脸特征对应的聚类簇；
将所述特征操作日志和所述聚类操作日志发送至所述第二服务器；
接收所述第二服务器返回的所述多个第一人脸特征对应的身份信息，其中，所述身份信息是所述第二服务器根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征确定得到的。
2.根据权利要求1所述的方法，其特征在于，将所述特征操作日志和所述聚类操作日志发送至所述第二服务器，包括：
根据所述特征操作日志和所述聚类操作日志对应的时间先后顺序，将所述特征操作日志和所述聚类操作日志加入到消息队列；
根据所述消息队列，将所述特征操作日志和所述聚类操作日志发送到分布式存储系统进行存储，其中，对应相同所述第一人脸特征的所述特征操作日志和所述聚类操作日志对应所述分布式存储系统中的相同存储分区；
根据所述分布式存储系统，将所述特征操作日志和所述聚类操作日志发送至所述第二服务器。
3.根据权利要求2所述的方法，其特征在于，所述根据所述消息队列，将所述特征操作日志和所述聚类操作日志发送到分布式存储系统进行存储，包括：
确定所述消息队列中的所述特征操作日志和所述聚类操作日志对应的消息标识；
根据所述消息标识，利用哈希分区规则将所述特征操作日志和所述聚类操作日志发送到所述分布式存储系统进行存储。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
通过深度学习算法对视频源进行解析，确定所述多个第一人脸特征。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述确定所述多个第一人脸特征在所述第一服务器中的特征操作日志，包括：
根据所述多个第一人脸特征在所述第一服务器中的操作记录，确定所述特征操作日志，其中，所述操作记录包括下述至少一种：新增特征、删除特征、构建特征索引。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：
针对任一所述第一人脸特征，确定所述第一人脸特征对应的标识；
根据所述标识，构建所述第一人脸特征对应的特征索引。
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
针对任一所述第一人脸特征，对所述第一人脸特征进行加密以及二进制序列化数据处理；
将数据处理后的所述第一人脸特征存储在所述第一服务器中。
8.根据权利要求1至7中任一项所述的方法，其特征在于，确定所述多个第一人脸特征在所述第一服务器中的聚类操作日志，包括：
根据所述多个第一人脸特征在所述第一服务器中的聚类操作记录，确定所述聚类操作日志，其中，所述聚类操作记录包括下述至少一种：新增聚类簇、更新聚类簇、删除聚类簇。
9.根据权利要求8所述的方法，其特征在于，所述第一服务器中包括N个聚类簇，每个聚类簇中包括一个类中心人脸特征；
所述方法还包括：
针对任一所述第一人脸特征，利用k近邻算法，确定所述第一人脸特征对应的k个类中心人脸特征，其中，N>k>1；
在所述k个类中心人脸特征中存在目标类中心人脸特征的情况下，将所述第一人脸特征分类到所述目标类中心人脸特征对应的聚类簇中，其中，所述第一人脸特征和所述目标类中心人脸特征之间的相似度大于第一阈值。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
在所述k个类中心人脸特征中不存在所述目标类中心人脸特征的情况下，确定所述第一人脸特征为未分类人脸特征；
利用k近邻算法和图连接算法对所述多个第一人脸特征中的所述未分类人脸特征进行聚类，确定各所述未分类人脸特征对应的聚类簇。
11.一种身份确定方法，其特征在于，所述方法应用于第二服务器，所述第二服务器中包括已确定身份的多个第二人脸特征，所述方法包括：
接收第一服务器发送的特征操作日志和聚类操作日志，其中，所述特征操作日志用于解析得到所述第一服务器中包括的未确定身份的多个第一人脸特征，所述聚类操作日志用于解析得到所述多个第一人脸特征对应的聚类簇；
根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征，确定所述多个第一人脸特征对应的身份信息；
将所述多个第一人脸特征对应的身份信息发送至所述第一服务器。
12.根据权利要求11所述的方法，其特征在于，所述根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征，确定所述多个第一人脸特征对应的身份信息，包括：
根据所述特征操作日志和所述聚类操作日志，确定各所述第一人脸特征对应的目标类中心人脸特征；
针对任一所述第一人脸特征对应的所述目标类中心人脸特征，利用k近邻算法，确定所述目标类中心人脸特征对应的k个第二人脸特征；
在所述k个第二人脸特征中存在目标第二人脸特征的情况下，根据所述目标第二人脸特征对应的身份信息，确定所述第一人脸特征对应的身份信息，其中，所述目标类中心人脸特征与所述目标第二人脸特征之间的相似度大于第二阈值。
13.一种身份确定装置，其特征在于，所述装置应用于第一服务器，所述第一服务器中包括未确定身份的多个第一人脸特征，所述装置包括：
第一确定模块，用于确定所述多个第一人脸特征在所述第一服务器中的特征操作日志，其中，所述特征操作日志用于在第二服务器中解析得到所述多个第一人脸特征，所述第二服务器中包括已确定身份的多个第二人脸特征；
第二确定模块，用于确定所述多个第一人脸特征在所述第一服务器中的聚类操作日志，其中，所述聚类操作日志用于在所述第二服务器中解析得到所述多个第一人脸特征对应的聚类簇；
发送模块，用于将所述特征操作日志和所述聚类操作日志发送至所述第二服务器；
接收模块，用于接收所述第二服务器返回的所述多个第一人脸特征对应的身份信息，其中，所述身份信息是所述第二服务器根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征确定得到的。
14.一种身份确定装置，其特征在于，所述装置应用于第二服务器，所述第二服务器中包括已确定身份的多个第二人脸特征，所述装置包括：
接收模块，用于接收第一服务器发送的特征操作日志和聚类操作日志，其中，所述特征操作日志用于解析得到所述第一服务器中包括的未确定身份的多个第一人脸特征，所述聚类操作日志用于解析得到所述多个第一人脸特征对应的聚类簇；
确定模块，用于根据所述特征操作日志、所述聚类操作日志和所述多个第二人脸特征，确定所述多个第一人脸特征对应的身份信息；
发送模块，用于将所述多个第一人脸特征对应的身份信息发送至所述第一服务器。
15.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至12中任意一项所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
CN202010982668.6A 2020-09-17 2020-09-17 身份确定方法及装置、电子设备和存储介质 Active CN112131999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010982668.6A CN112131999B (zh) 2020-09-17 2020-09-17 身份确定方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010982668.6A CN112131999B (zh) 2020-09-17 2020-09-17 身份确定方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112131999A true CN112131999A (zh) 2020-12-25
CN112131999B CN112131999B (zh) 2023-11-28

Family

ID=73841787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010982668.6A Active CN112131999B (zh) 2020-09-17 2020-09-17 身份确定方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112131999B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022198996A1 (zh) * 2021-03-26 2022-09-29 北京市商汤科技开发有限公司 数据更新方法及装置、系统、设备、存储介质和程序

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160246536A1 (en) * 2015-02-23 2016-08-25 International Business Machines Corporation Handling failure of a command to add a record to a log
CN107679559A (zh) * 2017-09-15 2018-02-09 广东欧珀移动通信有限公司 图像处理方法、装置、计算机可读存储介质和移动终端
WO2019051795A1 (zh) * 2017-09-15 2019-03-21 广东欧珀移动通信有限公司 图像处理方法、装置、终端、服务器和计算机可读存储介质
CN109726674A (zh) * 2018-12-28 2019-05-07 上海依图网络科技有限公司 一种人脸识别方法及装置
CN110569777A (zh) * 2019-08-30 2019-12-13 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
WO2020155627A1 (zh) * 2019-01-31 2020-08-06 北京市商汤科技开发有限公司 人脸图像识别方法、装置、电子设备及存储介质
CN111625671A (zh) * 2020-05-25 2020-09-04 深圳市商汤科技有限公司 数据处理方法及装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160246536A1 (en) * 2015-02-23 2016-08-25 International Business Machines Corporation Handling failure of a command to add a record to a log
CN107679559A (zh) * 2017-09-15 2018-02-09 广东欧珀移动通信有限公司 图像处理方法、装置、计算机可读存储介质和移动终端
WO2019051795A1 (zh) * 2017-09-15 2019-03-21 广东欧珀移动通信有限公司 图像处理方法、装置、终端、服务器和计算机可读存储介质
CN109726674A (zh) * 2018-12-28 2019-05-07 上海依图网络科技有限公司 一种人脸识别方法及装置
WO2020155627A1 (zh) * 2019-01-31 2020-08-06 北京市商汤科技开发有限公司 人脸图像识别方法、装置、电子设备及存储介质
CN110569777A (zh) * 2019-08-30 2019-12-13 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111625671A (zh) * 2020-05-25 2020-09-04 深圳市商汤科技有限公司 数据处理方法及装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张艳;罗文华;: "面向服务器登录日志的入侵检测聚类算法分析比较研究", 警察技术, no. 02 *
王宇飞;刘丹;吴嘉生;: "基于OSGi的分布式系统集中日志管理方案", 计算机系统应用, no. 06 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022198996A1 (zh) * 2021-03-26 2022-09-29 北京市商汤科技开发有限公司 数据更新方法及装置、系统、设备、存储介质和程序

Also Published As

Publication number Publication date
CN112131999B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
US11120078B2 (en) Method and device for video processing, electronic device, and storage medium
JP7171884B2 (ja) 歩行者認識方法及び装置
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN112101238A (zh) 聚类方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN110942036B (zh) 人员识别方法及装置、电子设备和存储介质
CN110781957A (zh) 图像处理方法及装置、电子设备和存储介质
US20210279508A1 (en) Image processing method, apparatus and storage medium
CN109101542B (zh) 图像识别结果输出方法及装置、电子设备和存储介质
CN111259967A (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN114546460A (zh) 固件升级方法及装置、电子设备和存储介质
CN111814627B (zh) 人员检测方法及装置、电子设备和存储介质
CN111625671A (zh) 数据处理方法及装置、电子设备及存储介质
CN112131999B (zh) 身份确定方法及装置、电子设备和存储介质
CN110955800A (zh) 视频检索方法及装置
CN110781975B (zh) 图像处理方法及装置、电子设备和存储介质
CN111651627A (zh) 数据处理方法及装置、电子设备和存储介质
CN111062407A (zh) 图像处理方法及装置、电子设备和存储介质
CN114648649A (zh) 人脸匹配方法及装置、电子设备和存储介质
CN114356529A (zh) 图像处理方法及装置、电子设备和存储介质
CN112949568A (zh) 人脸和人体匹配的方法及装置、电子设备和存储介质
CN111814630A (zh) 行为分析方法及装置、电子设备和存储介质
CN111814631A (zh) 人员检测方法及装置、电子设备和存储介质
CN110717425A (zh) 案件关联方法及装置、电子设备和存储介质
CN110765943A (zh) 网络训练、识别方法及装置、电子设备和存储介质

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