CN112215250B - 一种提高数据特征比对效率的方法、装置 - Google Patents
一种提高数据特征比对效率的方法、装置 Download PDFInfo
- Publication number
- CN112215250B CN112215250B CN201910630043.0A CN201910630043A CN112215250B CN 112215250 B CN112215250 B CN 112215250B CN 201910630043 A CN201910630043 A CN 201910630043A CN 112215250 B CN112215250 B CN 112215250B
- Authority
- CN
- China
- Prior art keywords
- sub
- template library
- data
- sample
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种提高数据特征比对效率的方法，该方法包括，获取当前待识别目标特征数据、以及该数据所关联的时间信息；根据该数据所关联的时间信息，确定所述时间信息对应的子模板库，将所述当前待识别目标特征数据与所述子模板库中样本进行比对，其中，所述子模板库包括，至少根据样本所关联的时间信息获得的基于时间序列分割聚类的样本集合。从而使得比对的样本数大幅降低，提高了比对的效率，缩短了比对时间，在同样性能指标下，减少了相似度的计算量，减低了硬件开销，获得了更好的设备响应性能。
Description
技术领域
本发明涉及特征识别领域，特别地，涉及一种提高数据特征比对效率的方法。
背景技术
随着AI技术的发展，现有的特征识别大多采用了深度学习算法，具体来说，通过大量的附带标签的特征数据样本去训练算法，当算法性能指标(拒真率、误识率、建模时间等)满足要求时，将通过训练算法所获得的特征数据样本集合作为特征数据库(即模板库)予以保存；在识别过程中，需要将待识别的目标数据特征通过训练后的深度学习算法与模板库中的数据进行遍历比对，得到N个相似度值，最后将相似度值最高、且大于设定的相似度阈值的特征数据作为识别结果。
以基于人脸识别的考勤机为例，考勤机摄像头实时抓拍图片，并基于抓拍的图片进行人脸建模，建模成功则获得当前人脸的特征向量，将当前人脸的特征向量与考勤机内的N张人脸图片特征向量数据库(即模板库)进行遍历比对，并得出N个相似度值，最后将相似度值最高且大于设定的相似度阈值的那张人脸图片作为结果返回，从而完成1：N比对流程。
在现有技术中，对特征数据比对深度学习算法的优化主要集中在人脸建模算法优化、相似度比较算法优化等方面，虽然这些优化提高了拒真率、误识率、建模时间等性能指标，但随着特征数据的容量越来越大，1：N比对耗时并没有得到显著的提升，在同样性能处理器上(如GPU或者CPU)，所表现出的性能就越差，识别的响应性能也越差。
发明内容
本发明提供了一种提高数据特征比对效率的方法，以优化识别过程中的数据特征比对效率，提高响应性能。
本发明提供的一种提高数据特征比对效率的方法，该方法包括，
获取当前待识别目标特征数据、以及该数据所关联的时间信息；
根据该数据所关联的时间信息，确定所述时间信息对应的子模板库，
将所述当前待识别目标特征数据与所述子模板库中样本进行比对，
其中，所述子模板库包括，至少根据样本所关联的时间信息获得的基于时间序列分割聚类的样本集合。
较佳地，所述子模板库基于包括N个样本集合的模板库，通过基于时间序列分割聚类的无监督深度学习算法，获得该子模板库包括的样本集合，其中，N为自然数，且随着时间的推移而增加。
较佳地，所述基于包括N个样本集合的模板库，通过基于时间序列分割聚类的无监督深度学习算法，获得该子模板库包括的样本集合包括：
确定子模板库的数量，
获取当前待识别目标特征数据，将其作为样本增加至所述模板库中，
对于所述模板库中任一样本，
构建当前样本的第一特征向量，该第一特征向量至少包括当前样本的特征信息向量、以及当前样本关联的时间信息向量；
至少提取第一特征向量中的时间向量，
通过基于时间序列分割聚类的无监督深度学习算法，根据时间信息向量，对所述第一特征向量进行聚类，得到当前聚类结果，对当前聚类结果进行训练，直至当前聚类结果收敛，得到当前样本所归属的子模板库；
对于模板库中的下一样本，返回执行所述构建当前样本的第一特征向量的步骤，直至模板库中所有样本处理完毕，得到各个以时间信息为聚类中心的子模板库。
较佳地，所述将所述当前待识别目标特征数据与所述子模板库中样本进行比对，包括，
将所述当前待识别目标特征数据与所述时间信息对应的子模板库中的各个样本分别进行比对，获得与每个样本的相似度计算结果；
判断获得的每个样本相似度计算结果中是否存在相似度计算结果大于设定的相似度阈值，如果是，则输出比对结果；否则，将当前待识别目标特征数据与所述时间信息相邻时间对应的子模板库中各个的样本进行相似度计算。
较佳地，，所述确定子模板库的数量包括，根据待识别目标特征数据、和/或样本集中样本的时间特性，确定子模板库的数量K，其中K大于等于1，
所述直至模板库中所有样本处理完毕，得到各个以时间信息为聚类中心的子模板库之后，还包括，将所述各个子模板库按照时间顺序进行排序，并按大小数值分配序号，得到各个子模板库对应的序号。
较佳地，所述将当前待识别目标特征数据与所述时间信息相邻时间对应的子模板库中各个的样本进行相似度计算包括，
根据当前待识别目标特征数据对应的子模板库序号，按照时间顺序，分别得到小于该子模板库序号的第一相邻序号、和大于该子模板库序号的第二相邻序号，
判断所述相邻序号中的任一序号是否存在，如果存在，则将当前待识别目标特征数据与所述相邻序号对应的子模板库中的各个样本分别进行比对，获得与每个样本的相似度计算结果。
较佳地，所述当前聚类结果不收敛时，则将当前样本设置归属于临时子模板库；
所述相邻序号中的任一序号都不存在时，则将当前待识别目标特征数据与所述临时子模板库中的各个样本进行比对。
较佳地，所述待识别目标特征数据包括具有生物特征信息的图像数据的特征向量，所述数据所关联的时间信息包括数据被获取的当前时间，所述样本所关联的时间信息包括样本的历史时间信息；
所述临时子模板库中的样本在该样本累计的历史时间信息到达设定的阈值时触发和/或者定期触发执行所述构建当前样本的第一特征向量的步骤。
本发明还提供一种可提高数据特征比对效率的电子设备，包括存储器和处理器，其中，存储器用于存储指令和用于进行数据特征比对的子模板库，所述指令在由处理器执行时使得处理器执行以上任一所述提高数据特征比对效率的方法步骤。
本发明还提供一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现以上任一所述数据存储方法的步骤。
本发明根据各个样本关联的时间信息，获得根据样本所关联的时间信息获得的基于时间序列分割聚类的样本集合，将所述样本集合形成子模板库；当对待识别目标特征数据进行比对时，根据该待识别目标特征数据关联的时间信息确定其对应的子模板库，将待识别目标特征数据与子模板库中的样本进行比对。本发明通过时间信息的样本聚类，从而使得比对的样本数大幅降低，提高了比对的效率，缩短了比对时间，在同样性能指标下，减少了相似度的计算量，减低了硬件开销，获得了更好的设备响应性能。
附图说明
图1为构建基于时间序列分割聚类的子模板库的一种流程示意图。
图2示出了基于考勤数据得到的以时间向量、年龄向量的2维聚类结果的一种示意图。
图3为基于K个子模板库的待识别目标特征数据在识别过程中进行比对的一种流程示意图。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。
申请人通过分析发现，现有技术中相似度计算的效率低下，其主要原因是每次比对都要进行N次相似度计算，N越大，相似度计算工作量越大，基于此，本发明将用于进行比对的模板库根据时间序列进行分割，即，将模板库根据时间段分割成K个子模板库，其中，N为模板库中的样本总数，K大于等于1；当进行比对时，优先与当前时间段对应的子模板库进行相似度计算。
以下以基于人脸识别的考勤机为实施例来进行说明，所应理解的是，本发明的技术方案不限于人脸识别，对于基于任何特征数据进行分类识别的应用均可适用。
对于具有时间性关联的待识别目标特征数据，具有时间上的延续性，例如，从考勤角度而言，每一位员工的作息习惯、通勤方式、上班时间具有一惯性，员工通过考勤机的时刻大概率会落在同一个时间段，这样，每个特定时间段考勤机所采集到的人脸数据是趋于收敛的，譬如一名员工的日常安排是这样：每天早上7:00起床，7:40乘坐公交，8:30到达公司，8:35通过考勤机，18:30下班，18:35通过考勤机，那么，这样员工的通过考勤机的时间段大概率是在8:35左右和18:35左右。
基于此，可以针对1：N人脸比对算法进行优化。通常情况下，考勤机每采集到一张人脸图片，需要进行N次相似度计算，才能返回比对结果，为了减少相似度计算工作量，可以将人脸模板库根据时间序列进行分割，即，将人脸模板库根据时间段分割成K个子模板库，其中K大于等于1；当进行比对时，当前人脸优先与当前时间段对应的子模板库进行相似度计算，如果有人脸比对相似度值高于设定的相似度阈值，则结束计算，返回结果，否则，将当前人脸与当前时间段离得较近的下一个子模板库进行比对，以此类推，直到比对成功。
参见图1所示，图1为构建基于时间序列分割聚类的子模板库的一种流程示意图。其中，以具有n个样本的样本集{x(1),x(2),…,x(n)}为例。
步骤101，根据待识别目标特征数据和/或样本集中样本的时间特性，确定子模板库的数量K，例如，根据考勤的时间分布确定子模板库的数量；
步骤102，获取当前任一特征数据，并将其作为当前样本，为不便于样本数据的管理，可以将当前样本增加至模板库中；
构建至少包括时间信息、特征信息的第一特征向量，得到当前样本x(i)，其中，x(i)∈Rm,Rm为m维特征向量；
以基于人脸识别的考勤为例，基于获取的人脸图像进行建模，获得人脸特征向量，并构建至少包括时间向量的m维第一特征向量，所述时间向量包括有时间戳的时间信息，根据历史考勤时间记录获得，该第一特征向量还可以包括包含年龄信息的年龄向量、和/或岗位信息的岗位向量等，m取决于包含信息所构成的向量数量，例如，构建的4维第一特征向量x(i)包括人脸特征向量、时间向量、年龄向量、以及岗位向量，其中x(i)∈R4,R4为4维人脸特征向量
步骤103，至少提取第一特征向量中的时间向量，通过基于时间序列分割聚类的无监督深度学习算法，根据时间向量对第一特征向量进行聚类，得到当前聚类结果；
进行无监督学习，不断训练，优化当前聚类结果直至收敛，以使得聚类中心更准确，从而获得当前样本的聚类结果，即，获得当前样本所归属的子模板库。
例如，根据每日的考勤情况进行无监督学习，返回执行步骤103。
对于下一特征数据，返回执行步骤102～103，直至样本集中{x(1),x(2),…,x(n)}的各个样本都划分到相应的各个子模板库中，得到K个子模板库；由此，得到各个子模板库当前分别包含的样本，其中，各个子模板库对应不同的时间段。
上述步骤102-103处理过程中，每获取待识别目标数据都可将其作为样本进行无监督深度学习，例如，考勤机每刷一次脸，则可将该脸的图像数据作为样本；由于无监督深度学习算法是无限持续的，这样，样本数n将随着时间的推移而增大，子模板库中的样本是实时动态更新的。
步骤104，为便于在对比过程的使用，将K个子模板库所对应的不同时间段按照时间顺序进行排序，并大小数值分配序号，得到各个子模板库对应的序号。
在实际应用中，模板库会因新增的样本无时间数据而难以收敛于一聚类中心，例如，考勤机中，因新员工入职而录入的样本尚未形成有考勤记录，从而难以获得该样本的聚类结果。对于无时间数据的新增样本，可以暂设置归属于临时子模板库；对于临时子模板库中的样本，可累计各个样本的历史考勤时间记录，当累计的历史考勤时间记录的数量到达设定的阈值后，触发执行步骤102～103，通过步骤102～103获得样本对应的子模板库。或者，定期触发执行步骤102～103，以便将临时子模板库中的样本增加到其对应的子模板库中。
参见图2所示，图2示出了基于考勤数据得到的以时间向量、年龄向量的2维聚类结果的一种示意图，其中，横坐标表示的时时间，纵坐标表示的是年龄，从示意图可以看出，年龄在30-50岁之间的集中在7：12～8：24之间进行考勤(聚类中心1)，年龄在20-30岁之间的集中在9点之间进行考勤(聚类中心2)。
参见图3所示，图3为基于K个子模板库的待识别目标特征数据在识别过程中进行比对的一种流程示意图。
步骤301，获取当前待识别目标特征数据、以及获取该数据的当前时间段；
对于基于人脸识别的考勤，则通过图像获取装置获取当前人脸图像，并获取拍摄当前人脸图像的当前时间段，基于人脸图像进行建模，得到当前人脸特征向量。
步骤302，将当前待识别目标特征数据的特征向量与当前时间段对应的子模板库k中的各个样本进行相似度计算；
具体而言，将当前人脸特征向量与当前时间段对应的子模板库k中的各个样本进行比对，获得与每个样本的相似度计算结果；
步骤303，判断获得的每个样本相似度计算结果中是否存在相似度计算结果大于设定的相似度阈值，如果是，则返回比对结果，否则，将当前待识别目标特征数据的特征向量与当前时间段相邻时间段对应的子模板库中各个的样本进行相似度计算。
其中，所述将当前待识别目标特征数据的特征向量与当前时间段相邻时间段对应的子模板库中各个的样本进行相似度计算，可以按照如下步骤进行：
步骤304，设置当前子模板库序号k分别为k-1和k+1，这样，对于按照时间顺序排序的各个子模板库，分别得到序号(时间段)小于当前序号(当前时间段)的第一相邻序号(时间段)对应的第一子模板库、和序号(时间段)大于当前序号(当前时间段)的第二相邻序号(时间段)对应的第二子模板库；
分别判断k-1值是否为0、且k+1是否大于K，如果不是，则将当前待识别目标特征数据的特征向量分别与第一子模板库、第二子模板库中的各个样本进行比对，获得与每个样本的相似度计算结果，返回执行步骤303，否则，执行步骤305；
步骤305，将当前待识别目标特征数据的特征向量与临时子模板库中的各个样本进行比对，返回执行步骤303。
本发明将待识别目标特征数据的特征向量与其对应时间段的子模板库中的样本进行比对，使得比对的样本数大幅降低，提高了比对的效率，缩短了比对时间，在同样性能指标下，减少了相似度的计算量，减低了硬件开销，获得了更好的设备响应性能。对于应用于生物特征信息比对的门禁系统、考勤系统等，提高了系统效率和用户体验。
本发明还提供一种可提高数据特征比对效率的电子设备，包括且不限于考勤机、门禁控制设备、具有门禁控制的考勤机、通行拦阻控制设备(例如闸机)等，所述电子设备可以是基于生物特征信息的比对，包括且不限于人脸、虹膜、指纹或其任一的组合，所述电子设备包括存储器和处理器，其中，存储器用于存储指令和用于进行数据特征比对的子模板库，所述指令在由处理器执行时使得处理器执行上述提高数据特征比对效率的方法步骤。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取当前待识别目标特征数据、以及该数据所关联的时间信息；
根据该数据所关联的时间信息，确定所述时间信息对应的子模板库，
将所述当前待识别目标特征数据与所述子模板库中样本进行比对，
其中，所述子模板库包括，至少根据样本所关联的时间信息获得的基于时间序列分割聚类的样本集合。
对于装置/网络侧设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (9)
1.一种提高数据特征比对效率的方法，其特征在于，该方法包括，
获取当前待识别目标特征数据、以及该数据所关联的时间信息，
根据该数据所关联的时间信息，确定所述时间信息对应的子模板库，
将所述当前待识别目标特征数据与所述子模板库中样本进行比对，以识别待识别目标，
其中，
所述子模板库包括，至少根据样本所关联的时间信息获得的基于时间序列分割聚类的样本集合，
任一子模板库以如下方式获得：
获取当前待识别目标特征数据，将其作为样本增加至包括有N个样本集合的模板库中，
对于所述模板库中任一样本，
构建当前样本的第一特征向量，该第一特征向量至少包括当前样本的特征信息向量、以及当前样本关联的时间信息向量，
至少提取第一特征向量中的时间向量，
通过基于时间序列分割聚类的无监督深度学习算法，根据时间信息向量，对所述第一特征向量进行聚类，得到当前聚类结果，对当前聚类结果进行训练，直至当前聚类结果收敛，得到当前样本所归属的子模板库；
所述待识别目标特征数据包括具有生物特征信息的图像数据的特征向量，
N为自然数，且随着时间的推移而增加。
2.如权利要求1所述的方法，其特征在于，所述子模板库的获得进一步包括：
确定子模板库的数量，
对于模板库中的下一样本，返回执行所述构建当前样本的第一特征向量的步骤，直至模板库中所有样本处理完毕，得到各个以时间信息为聚类中心的子模板库。
3.如权利要求2所述的方法，其特征在于，所述将所述当前待识别目标特征数据与所述子模板库中样本进行比对，包括，
将所述当前待识别目标特征数据与所述时间信息对应的子模板库中的各个样本分别进行比对，获得与每个样本的相似度计算结果；
判断获得的每个样本相似度计算结果中是否存在相似度计算结果大于设定的相似度阈值，
如果是，则输出比对结果；
否则，将当前待识别目标特征数据与所述时间信息相邻时间对应的子模板库中各个的样本进行相似度计算。
4.如权利要求2所述的方法，其特征在于，所述确定子模板库的数量包括，根据待识别目标特征数据、和/或样本集中样本的时间特性，确定子模板库的数量K，其中K大于等于1，
所述直至模板库中所有样本处理完毕，得到各个以时间信息为聚类中心的子模板库之后，还包括，将所述各个子模板库按照时间顺序进行排序，并按大小数值分配序号，得到各个子模板库对应的序号。
5.如权利要求3所述的方法，其特征在于，所述将当前待识别目标特征数据与所述时间信息相邻时间对应的子模板库中各个的样本进行相似度计算包括，
根据当前待识别目标特征数据对应的子模板库序号，按照时间顺序，分别得到小于该子模板库序号的第一相邻序号、和大于该子模板库序号的第二相邻序号，
判断所述相邻序号中的任一序号是否存在，如果存在，则将当前待识别目标特征数据与所述相邻序号对应的子模板库中的各个样本分别进行比对，获得与每个样本的相似度计算结果。
6.如权利要求5所述的方法，其特征在于，所述当前聚类结果不收敛时，则将当前样本设置归属于临时子模板库；
所述相邻序号中的任一序号都不存在时，则将当前待识别目标特征数据与所述临时子模板库中的各个样本进行比对。
7.如权利要求6所述的方法，其特征在于，所述数据所关联的时间信息包括数据被获取的当前时间，
所述样本所关联的时间信息包括样本的历史时间信息；
所述临时子模板库中的样本在该样本累计的历史时间信息到达设定的阈值时触发和/或者定期触发执行所述构建当前样本的第一特征向量的步骤。
8.一种可提高数据特征比对效率的电子设备，其特征在于，包括存储器和处理器，其中，存储器用于存储指令和用于进行数据特征比对的子模板库，所述指令在由处理器执行时使得处理器执行如权利要求1至7任一所述提高数据特征比对效率的方法步骤。
9.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一所述提高数据特征比对效率的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630043.0A CN112215250B (zh) | 2019-07-12 | 2019-07-12 | 一种提高数据特征比对效率的方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630043.0A CN112215250B (zh) | 2019-07-12 | 2019-07-12 | 一种提高数据特征比对效率的方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215250A CN112215250A (zh) | 2021-01-12 |
| CN112215250B true CN112215250B (zh) | 2024-03-08 |
Family
ID=74047226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910630043.0A Active CN112215250B (zh) | 2019-07-12 | 2019-07-12 | 一种提高数据特征比对效率的方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215250B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010142375A (ja) * | 2008-12-17 | 2010-07-01 | Olympus Corp | 画像処理装置、画像処理プログラムおよび画像処理方法 |
| US8254699B1 (en) * | 2009-02-02 | 2012-08-28 | Google Inc. | Automatic large scale video object recognition |
| CN106204780A (zh) * | 2016-07-04 | 2016-12-07 | 武汉理工大学 | 一种基于深度学习和云服务的人脸识别考勤系统及方法 |
| CN107292228A (zh) * | 2017-05-05 | 2017-10-24 | 珠海数字动力科技股份有限公司 | 一种加快人脸识别搜索速度的方法 |
| CN108009465A (zh) * | 2016-10-31 | 2018-05-08 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法及装置 |
| CN109635146A (zh) * | 2018-11-28 | 2019-04-16 | 武汉虹信技术服务有限责任公司 | 一种基于图像特征的目标查询方法及系统 |
-
2019
- 2019-07-12 CN CN201910630043.0A patent/CN112215250B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010142375A (ja) * | 2008-12-17 | 2010-07-01 | Olympus Corp | 画像処理装置、画像処理プログラムおよび画像処理方法 |
| US8254699B1 (en) * | 2009-02-02 | 2012-08-28 | Google Inc. | Automatic large scale video object recognition |
| CN106204780A (zh) * | 2016-07-04 | 2016-12-07 | 武汉理工大学 | 一种基于深度学习和云服务的人脸识别考勤系统及方法 |
| CN108009465A (zh) * | 2016-10-31 | 2018-05-08 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法及装置 |
| CN107292228A (zh) * | 2017-05-05 | 2017-10-24 | 珠海数字动力科技股份有限公司 | 一种加快人脸识别搜索速度的方法 |
| CN109635146A (zh) * | 2018-11-28 | 2019-04-16 | 武汉虹信技术服务有限责任公司 | 一种基于图像特征的目标查询方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李海林等.基于分量属性近邻传播的多元时间序列数据聚类方法.控制与决策.2017,(04),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215250A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10353685B2 (en) | Automated model management methods | |
| CN108491773B (zh) | 一种识别方法及系统 | |
| CN111476256A (zh) | 基于半监督学习的模型训练方法、装置及电子设备 | |
| CN109376940B (zh) | 获取降雨过程中的降雨时空分布规律的方法和装置 | |
| CN113254833B (zh) | 一种基于产教融合的信息推送的方法及服务系统 | |
| CN110444011B (zh) | 交通流高峰识别方法、装置、电子设备及存储介质 | |
| US20240241884A1 (en) | Methods for stratified sampling-based query execution | |
| CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
| Yan et al. | A novel streaming data clustering algorithm based on fitness proportionate sharing | |
| CN112507912B (zh) | 一种识别违规图片的方法及装置 | |
| CN112101156B (zh) | 一种目标识别的方法、装置和电子设备 | |
| JP2023502863A (ja) | 画像の増分クラスタリング方法及び装置、電子機器、記憶媒体並びにプログラム製品 | |
| CN111708913A (zh) | 一种标签生成方法、设备及计算机可读存储介质 | |
| CN115098732B (zh) | 数据处理方法及相关装置 | |
| CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
| CN112215250B (zh) | 一种提高数据特征比对效率的方法、装置 | |
| CN116188834B (zh) | 基于自适应训练模型的全切片图像分类方法及装置 | |
| Besiris et al. | Key frame extraction in video sequences: a vantage points approach | |
| CN117095460A (zh) | 基于长短时关系预测编码的自监督群体行为识别方法及其识别系统 | |
| CN115221955A (zh) | 基于样本差异分析的多深度神经网络参数融合系统及方法 | |
| CN112768090A (zh) | 一种用于慢病检测及风险评估的过滤系统及方法 | |
| CN112766407A (zh) | 一种图像识别方法、装置及存储介质 | |
| Böhm et al. | Querying objects modeled by arbitrary probability distributions | |
| CN113326805B (zh) | 一种人体封面更新方法、装置、电子设备及存储介质 | |
| CN111611530B (zh) | 案件与人员关系分析方法、装置及电子设备 |
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 |