CN113435295A - 人脸识别聚合方法、装置、设备及介质 - Google Patents
人脸识别聚合方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113435295A CN113435295A CN202110696248.6A CN202110696248A CN113435295A CN 113435295 A CN113435295 A CN 113435295A CN 202110696248 A CN202110696248 A CN 202110696248A CN 113435295 A CN113435295 A CN 113435295A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- face recognition
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000002776 aggregation Effects 0.000 title claims abstract description 39
- 238000004220 aggregation Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000001815 facial effect Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 abstract description 9
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000006116 polymerization reaction Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 12
- 238000013139 quantization Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011534 incubation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸识别领域，提供一种人脸识别聚合方法、装置、设备及介质，能够利用待识别图像在配置人脸图像库中进行查询，对于识别过的人脸无需再调用供应商进行人脸识别，避免各供应商对同一用户人脸识别每次的重复收费，进而避免了成本的浪费，当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，基于预先定义的择优算法从众多供应商中获取到满足人脸识别条件的供应商，做到供应商间的优势互补，聚合供应商，既提高了人脸识别认证率，又降低了费用，进而通过对本地数据与各供应商数据的聚合分析，以辅助进行更符合实际需求的人脸识别。本发明还涉及区块链技术，可以将配置人脸图像库存储于区块链节点中。
Description
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种人脸识别聚合方法、装置、设备及介质。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。通常情况下，当系统中有业务需要确认是否为用户本人操作时，则需要经过身份证真实性验证、认证一致性验证及违规验证等，以保障用户财产安全。
为了解决上述问题，通常采用的方式是调用指定的人脸接口，但需要与市面上其它人脸识别运营商聚合使用才能达到降低费用、提高人脸认证率的效果。上述解决方式主要存在以下几个问题：
(1)针对同一个人的人脸识别，各供应商每次都会收费，使各企业人脸识别业务的调用成本增加。
(2)无法做到人脸识别次数在各个场景内的灵活调控，进一步增加了各企业人脸识别业务的调用成本。
(3)虽然各供应商的人脸识别各有优势，但没有做到优势互补。例如：有些人脸接口的供应商对指定企业的人脸识别在价格上有较大优惠，但缺点是无法进行活体检测，且每天使用次数有限制，而有些供应商提供的人脸接口能够进行活体检测以避免使用照片进行人脸识别，且人脸认证率相对精准。但是，由于对供应商选择的灵活性较低，因此存在多供应商优势发挥不出的问题。
发明内容
鉴于以上内容，有必要提供一种人脸识别聚合方法、装置、设备及介质，能够通过对本地数据与各供应商数据的聚合分析，以辅助进行更符合实际需求的人脸识别。
一种人脸识别聚合方法，所述人脸识别聚合方法包括：
响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据；
获取配置时间段内的运行数据；
对所述运行数据进行分析，得到实时配置数据；
当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库；
利用所述待识别图像在所述配置人脸图像库中进行查询；
当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表；
根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商；
调用所述目标供应商对所述待识别图像进行人脸识别。
根据本发明优选实施例，在根据所述人脸识别请求获取待识别图像及当前需求数据前，所述方法还包括：
获取具有人脸识别需求的所有任务场景；
为所述所有任务场景配置告警阈值；
当所述人脸识别请求所对应的次数小于或者等于所述告警阈值时，根据所述人脸识别请求获取所述待识别图像及所述当前需求数据；或者
当所述人脸识别请求所对应的次数大于所述告警阈值时，发出预警提示信息。
根据本发明优选实施例，所述对所述运行数据进行分析，得到实时配置数据包括：
从所述运行数据中获取检测到的所有人脸识别请求作为实时请求；
判断所述实时请求中的每个请求是否成功；
获取成功的请求的数量作为第一数量，及获取所述实时请求的数量作为第一总数量；
计算所述第一数量与所述第一总数量的商作为实时成功率；
获取调用的所有供应商的数量作为第二总数量；
检测所述所有供应商中免费的供应商的数量作为第二数量；
计算所述第二数量与所述第二总数量的商作为实时费率；
将所述实时成功率及所述实时费率确定为所述实时配置数据。
根据本发明优选实施例，所述方法还包括：
从所述当前需求数据中获取当前成功率及当前费率；
确定成功率对应的第一权重及费率对应的第二权重，根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配，包括：
根据所述第一权重、所述第二权重、所述实时成功率及所述实时费率计算加权和，得到所述实时配置数据对应的实时量化值，并根据所述第一权重、所述第二权重、所述当前成功率及所述当前费率计算加权和，得到所述当前需求数据对应的当前量化值，当所述当前量化值小于或者等于所述实时量化值时，确定所述实时配置数据与所述当前需求数据匹配，或者当所述当前量化值大于所述实时量化值时，确定所述实时配置数据与所述当前需求数据不匹配；或者
获取所述成功率及所述费率的优先级，根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配，包括：
当所述成功率的优先级高于所述费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时成功率低于所述当前成功率，或者所述实时费率低于所述当前费率时，确定所述实时配置数据与所述当前需求数据不匹配；或者
当所述费率的优先级高于所述成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时费率低于所述当前费率，或者所述实时成功率低于所述当前成功率时，确定所述实时配置数据与所述当前需求数据不匹配。
根据本发明优选实施例，所述方法还包括：
当所述实时配置数据与所述当前需求数据不匹配时，根据所述当前需求数据，采用所述择优算法在所述供应商列表中筛选所述目标供应商；或者
当在所述配置人脸图像库中查询到与所述待识别图像相同的人脸图像时，将查询到的人脸图像确定为目标人脸图像，输出与所述目标人脸图像关联的数据。
根据本发明优选实施例，所述根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商包括：
当根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配时，根据所述第一权重及所述第二权重计算所述供应商列表中每个供应商的量化值，获取所述量化值最高的供应商作为所述目标供应商；或者
当根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配时，从所述供应商列表中获取大于或者等于所述当前成功率且大于或者等于所述当前费率的供应商作为备选供应商，获取所述成功率及所述费率中具有较高优先级的比率作为目标比率，从所述备选供应商中获取所述目标比率最高的供应商作为所述目标供应商。
根据本发明优选实施例，在调用所述目标供应商对所述待识别图像进行人脸识别后，所述方法还包括：
获取所述目标供应商输出的与所述待识别图像对应的人脸图像作为所述目标人脸图像；
将所述目标人脸图像及与所述目标人脸图像关联的数据保存至所述配置人脸图像库。
一种人脸识别聚合装置，所述人脸识别聚合装置包括：
获取单元，用于响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据；
所述获取单元，还用于获取配置时间段内的运行数据；
分析单元，用于对所述运行数据进行分析，得到实时配置数据；
调用单元，用于当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库；
查询单元，用于利用所述待识别图像在所述配置人脸图像库中进行查询；
调取单元，用于当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表；
筛选单元，用于根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商；
所述调用单元，还用于调用所述目标供应商对所述待识别图像进行人脸识别。
一种计算机设备，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述人脸识别聚合方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述人脸识别聚合方法。
由以上技术方案可以看出，本发明能够通过对本地数据与各供应商数据的聚合分析，以辅助进行更符合实际需求的人脸识别。
附图说明
图1是本发明人脸识别聚合方法的较佳实施例的流程图。
图2是本发明人脸识别聚合装置的较佳实施例的功能模块图。
图3是本发明实现人脸识别聚合方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明人脸识别聚合方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述人脸识别聚合方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据。
在本实施例中，所述人脸识别请求可以由任意用户触发，本发明不限制。
在本实施例中，所述待识别图像是指在触发所述人脸识别请求时，同步接收到的与所述人脸识别请求对应的图像，所述待识别图像中包括待识别的人脸。
所述当前需求数据是指当前任务场景下对于人脸识别的相关参数的要求，如：成功率、费率等。
在本发明的至少一个实施例中，所述根据所述人脸识别请求获取待识别图像及当前需求数据包括：
获取触发所述人脸识别请求时同步接收到的人脸图像作为所述待识别图像；
解析所述人脸识别请求，得到所述人脸识别请求所携带的信息；
获取配置标签；
根据所述配置标签构建正则表达式；
利用所述正则表达式遍历所述人脸识别请求所携带的信息，并将遍历到的信息确定为需求配置表；
从所述需求配置表中读取所述当前需求数据。
其中，所述配置标签可以与表格名称或者表格标识想对应，用于唯一定位到一个表格。
例如：当所述配置标签为ListName时，构建的正则表达式可以为ListName()。进一步地，利用正则表达式ListName()在所述人脸识别请求所携带的信息中进行遍历，将遍历到的信息确定为所述需求配置表的表名，即可获取到所述需求配置表。
在本实施例中，所述需求配置表中存储着当前任务场景下对人脸识别的相关参数要求，包括所述当前需求数据。
通过上述实施方式，能够基于正则表达式及标签快速获取到待识别图像及当前需求数据，提高了数据获取的速度及准确度。
在本发明的至少一个实施例中，在根据所述人脸识别请求获取待识别图像及当前需求数据前，所述方法还包括：
获取具有人脸识别需求的所有任务场景；
为所述所有任务场景配置告警阈值；
当所述人脸识别请求所对应的次数小于或者等于所述告警阈值时，根据所述人脸识别请求获取所述待识别图像及所述当前需求数据；或者
当所述人脸识别请求所对应的次数大于所述告警阈值时，发出预警提示信息。
例如：为每个任务场景配置每天单独使用多少次，每个任务场景总的使用次数，多个任务场景共同控制每天使用多少次，多个任务场景总的控制使用多少次等。
在上述实施方式中，因为每个业务场景对人脸识别的次数有不同需求，通过使用次数的控制，避免无意义的人脸识别多次发生，不仅造成了系统的运行负担，且成本也随之增加。同时，在人脸识别次数超过所述告警阈值时及时进行预警，还能够提示相关人员进行及时有效的响应。本实施方式能够精准把控用户的认证行为数据，做到限量控制。
S11，获取配置时间段内的运行数据。
在本实施例中，所述配置时间段可以进行自定义配置，如：一天、一周。
在本实施例中，可以通过日志或者埋点等技术获取所述运行数据，本发明不限制。
其中，所述运行数据包括，但不限于以下一种或者多种数据的组合：
人脸识别请求的次数、人脸识别是否成功、是否调用供应商、调用供应商时的价格、调用的供应商名称。
S12，对所述运行数据进行分析，得到实时配置数据。
在本发明的至少一个实施例中，所述对所述运行数据进行分析，得到实时配置数据包括：
从所述运行数据中获取检测到的所有人脸识别请求作为实时请求；
判断所述实时请求中的每个请求是否成功；
获取成功的请求的数量作为第一数量，及获取所述实时请求的数量作为第一总数量；
计算所述第一数量与所述第一总数量的商作为实时成功率；
获取调用的所有供应商的数量作为第二总数量；
检测所述所有供应商中免费的供应商的数量作为第二数量；
计算所述第二数量与所述第二总数量的商作为实时费率；
将所述实时成功率及所述实时费率确定为所述实时配置数据。
例如：当一天内共有100次人脸识别请求，其中识别成功的次数为90，则所述实时成功率为：90/100＝90％；当一天内共有100次调用供应商数据，其中免费的次数为80，则所述实时费率为：80/100＝80％。
通过上述实施方式，能够基于大数据分析得到实时成功率及实时费率生成所述实时配置数据，为后续判断是否调用供应商提供依据。
S13，当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库。
其中，所述配置人脸图像库相当于本地数据库，方便随时调用，且无需支付费用。所述配置人脸图像库中存储着所有曾经识别成功的人脸的相关数据，以供后续直接识别使用。
本实施例在所述实时配置数据与所述当前需求数据匹配时，不请求供应商提供人脸识别的数据，而是直接调用配置人脸图像库，有效节约了人脸识别的成本。
在本发明的至少一个实施例中，还需要对所述实时配置数据与所述当前需求数据进行匹配，具体地，所述方法还包括：
从所述当前需求数据中获取当前成功率及当前费率；
确定成功率对应的第一权重及费率对应的第二权重，根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配，包括：
根据所述第一权重、所述第二权重、所述实时成功率及所述实时费率计算加权和，得到所述实时配置数据对应的实时量化值，并根据所述第一权重、所述第二权重、所述当前成功率及所述当前费率计算加权和，得到所述当前需求数据对应的当前量化值，当所述当前量化值小于或者等于所述实时量化值时，确定所述实时配置数据与所述当前需求数据匹配，或者当所述当前量化值大于所述实时量化值时，确定所述实时配置数据与所述当前需求数据不匹配；或者
获取所述成功率及所述费率的优先级，根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配，包括：
当所述成功率的优先级高于所述费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时成功率低于所述当前成功率，或者所述实时费率低于所述当前费率时，确定所述实时配置数据与所述当前需求数据不匹配；或者
当所述费率的优先级高于所述成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时费率低于所述当前费率，或者所述实时成功率低于所述当前成功率时，确定所述实时配置数据与所述当前需求数据不匹配。
例如：当采用加权和计算量化值以确定所述实时配置数据与所述当前需求数据是否匹配时，如果所述第一权重为0.5，所述第二权重也为0.5，所述实时成功率为90％，所述实时费率为80％，则所述实时量化值为：0.5*90％+0.5*80％＝85％；如果所述当前成功率为80％，所述实时费率为80％，则所述实时量化值为：0.5*80％+0.5*80％＝80％；所述当前量化值小于所述实时量化值，确定所述实时配置数据与所述当前需求数据匹配。
当采用优先级确定所述实时配置数据与所述当前需求数据是否匹配时，首先判断所述成功率及所述费率的优先级的高低，以所述成功率的优先级高于所述费率为例，首先比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，再比较所述实时费率与所述当前费率的大小，并进一步根据费率的比较结果确定所述实时配置数据与所述当前需求数据是否匹配，而如果所述实时成功率低于所述当前成功率，则无需比较所述实时费率与所述当前费率的大小，直接确定所述实时配置数据与所述当前需求数据不匹配。
在上述实施方式中，当实时配置数据与当前需求数据匹配成功时，确定实时运行参数能够满足当前任务场景的需求，则直接调用配置人脸图像库，有效节约了人脸识别的成本。
S14，利用所述待识别图像在所述配置人脸图像库中进行查询。
在本实施例中，直接利用所述待识别图像在所述配置人脸图像库中进行人脸识别，本发明对人脸识别的方式不限制，在此不赘述。
通过上述实施方式，对于识别过的人脸无需再调用供应商进行人脸识别，避免各供应商对同一用户人脸识别每次的重复收费，进而避免了成本的浪费。
S15，当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表。
需要说明的是，当所述待识别图像对应的用户为首次进行人脸识别时，由于所述配置人脸图像库没有存储相应的数据，因此，需要调用所述供应商列表，以便从所述供应商列表中获取到合适的供应商辅助进行人脸识别。
其中，所述供应商列表中存储着能够提供人脸识别数据的所有供应商，所述供应商列表可以进行预先配置。
S16，根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商。
在本发明的至少一个实施例中，所述方法还包括：
当所述实时配置数据与所述当前需求数据不匹配时，根据所述当前需求数据，采用所述择优算法在所述供应商列表中筛选所述目标供应商；或者
当在所述配置人脸图像库中查询到与所述待识别图像相同的人脸图像时，将查询到的人脸图像确定为目标人脸图像，输出与所述目标人脸图像关联的数据。
在上述实施方式中，当所述实时配置数据与所述当前需求数据不匹配时，说明实时运行的参数并不适用于当前的任务场景，因此，需要向供应商请求数据进行人脸识别。另外，当在所述配置人脸图像库中查询到与所述待识别图像相同的人脸图像时，则说明本地的所述配置人脸图像库中的数据已经足以满足人脸识别的要求，因此，无需向供应商请求数据进行人脸识别。
进一步地，所述根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商包括：
当根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配时，根据所述第一权重及所述第二权重计算所述供应商列表中每个供应商的量化值，获取所述量化值最高的供应商作为所述目标供应商；或者
当根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配时，从所述供应商列表中获取大于或者等于所述当前成功率且大于或者等于所述当前费率的供应商作为备选供应商，获取所述成功率及所述费率中具有较高优先级的比率作为目标比率，从所述备选供应商中获取所述目标比率最高的供应商作为所述目标供应商。
通过上述实施方式，能够基于预先定义的择优算法从众多供应商中获取到满足人脸识别条件的供应商，做到供应商间的优势互补，聚合供应商，既提高了人脸识别认证率，又降低了费用。
例如：如果当前的任务场景对成本的控制较为严格，则在保证人脸识别最低要求的前提下，优先选择费率更优惠的供应商进行人脸识别。
S17，调用所述目标供应商对所述待识别图像进行人脸识别。
通过上述实施方式，实现对供应商的择优调用，以辅助进行更符合实际需求的人脸识别。
在本发明的至少一个实施例中，在调用所述目标供应商对所述待识别图像进行人脸识别后，所述方法还包括：
获取所述目标供应商输出的与所述待识别图像对应的人脸图像作为所述目标人脸图像；
将所述目标人脸图像及与所述目标人脸图像关联的数据保存至所述配置人脸图像库。
通过上述实施方式，能够不断地更新所述配置人脸图像库中的数据，做到持久化人脸信息，并及时更新孵化出权威数据源，为后续的人脸识别提供便捷、准确且成本较低的数据支撑。
需要说明的是，为了进一步保证数据的安全，避免数据被恶意篡改，可以将所述配置人脸图像库部署于区块链。
由以上技术方案可以看出，本发明能够响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据，获取配置时间段内的运行数据，对所述运行数据进行分析，得到实时配置数据，当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库，直接调用配置人脸图像库，有效节约了人脸识别的成本，利用所述待识别图像在所述配置人脸图像库中进行查询，对于识别过的人脸无需再调用供应商进行人脸识别，避免各供应商对同一用户人脸识别每次的重复收费，进而避免了成本的浪费，当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表，根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商，基于预先定义的择优算法从众多供应商中获取到满足人脸识别条件的供应商，做到供应商间的优势互补，聚合供应商，既提高了人脸识别认证率，又降低了费用，调用所述目标供应商对所述待识别图像进行人脸识别，进而通过对本地数据与各供应商数据的聚合分析，以辅助进行更符合实际需求的人脸识别。
如图2所示，是本发明人脸识别聚合装置的较佳实施例的功能模块图。所述人脸识别聚合装置11包括获取单元110、分析单元111、调用单元112、查询单元113、调取单元114、筛选单元115。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于人脸识别请求，获取单元110根据所述人脸识别请求获取待识别图像及当前需求数据。
在本实施例中，所述人脸识别请求可以由任意用户触发，本发明不限制。
在本实施例中，所述待识别图像是指在触发所述人脸识别请求时，同步接收到的与所述人脸识别请求对应的图像，所述待识别图像中包括待识别的人脸。
所述当前需求数据是指当前任务场景下对于人脸识别的相关参数的要求，如：成功率、费率等。
在本发明的至少一个实施例中，所述获取单元110根据所述人脸识别请求获取待识别图像及当前需求数据包括：
获取触发所述人脸识别请求时同步接收到的人脸图像作为所述待识别图像；
解析所述人脸识别请求，得到所述人脸识别请求所携带的信息；
获取配置标签；
根据所述配置标签构建正则表达式；
利用所述正则表达式遍历所述人脸识别请求所携带的信息，并将遍历到的信息确定为需求配置表；
从所述需求配置表中读取所述当前需求数据。
其中，所述配置标签可以与表格名称或者表格标识想对应，用于唯一定位到一个表格。
例如：当所述配置标签为ListName时，构建的正则表达式可以为ListName()。进一步地，利用正则表达式ListName()在所述人脸识别请求所携带的信息中进行遍历，将遍历到的信息确定为所述需求配置表的表名，即可获取到所述需求配置表。
在本实施例中，所述需求配置表中存储着当前任务场景下对人脸识别的相关参数要求，包括所述当前需求数据。
通过上述实施方式，能够基于正则表达式及标签快速获取到待识别图像及当前需求数据，提高了数据获取的速度及准确度。
在本发明的至少一个实施例中，在根据所述人脸识别请求获取待识别图像及当前需求数据前，获取具有人脸识别需求的所有任务场景；
为所述所有任务场景配置告警阈值；
当所述人脸识别请求所对应的次数小于或者等于所述告警阈值时，根据所述人脸识别请求获取所述待识别图像及所述当前需求数据；或者
当所述人脸识别请求所对应的次数大于所述告警阈值时，发出预警提示信息。
例如：为每个任务场景配置每天单独使用多少次，每个任务场景总的使用次数，多个任务场景共同控制每天使用多少次，多个任务场景总的控制使用多少次等。
在上述实施方式中，因为每个业务场景对人脸识别的次数有不同需求，通过使用次数的控制，避免无意义的人脸识别多次发生，不仅造成了系统的运行负担，且成本也随之增加。同时，在人脸识别次数超过所述告警阈值时及时进行预警，还能够提示相关人员进行及时有效的响应。本实施方式能够精准把控用户的认证行为数据，做到限量控制。
所述获取单元110获取配置时间段内的运行数据。
在本实施例中，所述配置时间段可以进行自定义配置，如：一天、一周。
在本实施例中，可以通过日志或者埋点等技术获取所述运行数据，本发明不限制。
其中，所述运行数据包括，但不限于以下一种或者多种数据的组合：
人脸识别请求的次数、人脸识别是否成功、是否调用供应商、调用供应商时的价格、调用的供应商名称。
分析单元111对所述运行数据进行分析，得到实时配置数据。
在本发明的至少一个实施例中，所述分析单元111对所述运行数据进行分析，得到实时配置数据包括：
从所述运行数据中获取检测到的所有人脸识别请求作为实时请求；
判断所述实时请求中的每个请求是否成功；
获取成功的请求的数量作为第一数量，及获取所述实时请求的数量作为第一总数量；
计算所述第一数量与所述第一总数量的商作为实时成功率；
获取调用的所有供应商的数量作为第二总数量；
检测所述所有供应商中免费的供应商的数量作为第二数量；
计算所述第二数量与所述第二总数量的商作为实时费率；
将所述实时成功率及所述实时费率确定为所述实时配置数据。
例如：当一天内共有100次人脸识别请求，其中识别成功的次数为90，则所述实时成功率为：90/100＝90％；当一天内共有100次调用供应商数据，其中免费的次数为80，则所述实时费率为：80/100＝80％。
通过上述实施方式，能够基于大数据分析得到实时成功率及实时费率生成所述实时配置数据，为后续判断是否调用供应商提供依据。
当所述实时配置数据与所述当前需求数据匹配时，调用单元112调用配置人脸图像库。
其中，所述配置人脸图像库相当于本地数据库，方便随时调用，且无需支付费用。所述配置人脸图像库中存储着所有曾经识别成功的人脸的相关数据，以供后续直接识别使用。
本实施例在所述实时配置数据与所述当前需求数据匹配时，不请求供应商提供人脸识别的数据，而是直接调用配置人脸图像库，有效节约了人脸识别的成本。
在本发明的至少一个实施例中，还需要对所述实时配置数据与所述当前需求数据进行匹配，具体地，从所述当前需求数据中获取当前成功率及当前费率；
确定成功率对应的第一权重及费率对应的第二权重，根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配，包括：
根据所述第一权重、所述第二权重、所述实时成功率及所述实时费率计算加权和，得到所述实时配置数据对应的实时量化值，并根据所述第一权重、所述第二权重、所述当前成功率及所述当前费率计算加权和，得到所述当前需求数据对应的当前量化值，当所述当前量化值小于或者等于所述实时量化值时，确定所述实时配置数据与所述当前需求数据匹配，或者当所述当前量化值大于所述实时量化值时，确定所述实时配置数据与所述当前需求数据不匹配；或者
获取所述成功率及所述费率的优先级，根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配，包括：
当所述成功率的优先级高于所述费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时成功率低于所述当前成功率，或者所述实时费率低于所述当前费率时，确定所述实时配置数据与所述当前需求数据不匹配；或者
当所述费率的优先级高于所述成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时费率低于所述当前费率，或者所述实时成功率低于所述当前成功率时，确定所述实时配置数据与所述当前需求数据不匹配。
例如：当采用加权和计算量化值以确定所述实时配置数据与所述当前需求数据是否匹配时，如果所述第一权重为0.5，所述第二权重也为0.5，所述实时成功率为90％，所述实时费率为80％，则所述实时量化值为：0.5*90％+0.5*80％＝85％；如果所述当前成功率为80％，所述实时费率为80％，则所述实时量化值为：0.5*80％+0.5*80％＝80％；所述当前量化值小于所述实时量化值，确定所述实时配置数据与所述当前需求数据匹配。
当采用优先级确定所述实时配置数据与所述当前需求数据是否匹配时，首先判断所述成功率及所述费率的优先级的高低，以所述成功率的优先级高于所述费率为例，首先比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，再比较所述实时费率与所述当前费率的大小，并进一步根据费率的比较结果确定所述实时配置数据与所述当前需求数据是否匹配，而如果所述实时成功率低于所述当前成功率，则无需比较所述实时费率与所述当前费率的大小，直接确定所述实时配置数据与所述当前需求数据不匹配。
在上述实施方式中，当实时配置数据与当前需求数据匹配成功时，确定实时运行参数能够满足当前任务场景的需求，则直接调用配置人脸图像库，有效节约了人脸识别的成本。
查询单元113利用所述待识别图像在所述配置人脸图像库中进行查询。
在本实施例中，直接利用所述待识别图像在所述配置人脸图像库中进行人脸识别，本发明对人脸识别的方式不限制，在此不赘述。
通过上述实施方式，对于识别过的人脸无需再调用供应商进行人脸识别，避免各供应商对同一用户人脸识别每次的重复收费，进而避免了成本的浪费。
当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取单元114调取供应商列表。
需要说明的是，当所述待识别图像对应的用户为首次进行人脸识别时，由于所述配置人脸图像库没有存储相应的数据，因此，需要调用所述供应商列表，以便从所述供应商列表中获取到合适的供应商辅助进行人脸识别。
其中，所述供应商列表中存储着能够提供人脸识别数据的所有供应商，所述供应商列表可以进行预先配置。
筛选单元115根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商。
在本发明的至少一个实施例中，当所述实时配置数据与所述当前需求数据不匹配时，根据所述当前需求数据，采用所述择优算法在所述供应商列表中筛选所述目标供应商；或者
当在所述配置人脸图像库中查询到与所述待识别图像相同的人脸图像时，将查询到的人脸图像确定为目标人脸图像，输出与所述目标人脸图像关联的数据。
在上述实施方式中，当所述实时配置数据与所述当前需求数据不匹配时，说明实时运行的参数并不适用于当前的任务场景，因此，需要向供应商请求数据进行人脸识别。另外，当在所述配置人脸图像库中查询到与所述待识别图像相同的人脸图像时，则说明本地的所述配置人脸图像库中的数据已经足以满足人脸识别的要求，因此，无需向供应商请求数据进行人脸识别。
进一步地，所述根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商包括：
当根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配时，根据所述第一权重及所述第二权重计算所述供应商列表中每个供应商的量化值，获取所述量化值最高的供应商作为所述目标供应商；或者
当根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配时，从所述供应商列表中获取大于或者等于所述当前成功率且大于或者等于所述当前费率的供应商作为备选供应商，获取所述成功率及所述费率中具有较高优先级的比率作为目标比率，从所述备选供应商中获取所述目标比率最高的供应商作为所述目标供应商。
通过上述实施方式，能够基于预先定义的择优算法从众多供应商中获取到满足人脸识别条件的供应商，做到供应商间的优势互补，聚合供应商，既提高了人脸识别认证率，又降低了费用。
例如：如果当前的任务场景对成本的控制较为严格，则在保证人脸识别最低要求的前提下，优先选择费率更优惠的供应商进行人脸识别。
所述调用单元112调用所述目标供应商对所述待识别图像进行人脸识别。
通过上述实施方式，实现对供应商的择优调用，以辅助进行更符合实际需求的人脸识别。
在本发明的至少一个实施例中，在调用所述目标供应商对所述待识别图像进行人脸识别后，获取所述目标供应商输出的与所述待识别图像对应的人脸图像作为所述目标人脸图像；
将所述目标人脸图像及与所述目标人脸图像关联的数据保存至所述配置人脸图像库。
通过上述实施方式，能够不断地更新所述配置人脸图像库中的数据，做到持久化人脸信息，并及时更新孵化出权威数据源，为后续的人脸识别提供便捷、准确且成本较低的数据支撑。
需要说明的是，为了进一步保证数据的安全，避免数据被恶意篡改，可以将所述配置人脸图像库部署于区块链。
由以上技术方案可以看出，本发明能够响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据，获取配置时间段内的运行数据，对所述运行数据进行分析，得到实时配置数据，当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库，直接调用配置人脸图像库，有效节约了人脸识别的成本，利用所述待识别图像在所述配置人脸图像库中进行查询，对于识别过的人脸无需再调用供应商进行人脸识别，避免各供应商对同一用户人脸识别每次的重复收费，进而避免了成本的浪费，当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表，根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商，基于预先定义的择优算法从众多供应商中获取到满足人脸识别条件的供应商，做到供应商间的优势互补，聚合供应商，既提高了人脸识别认证率，又降低了费用，调用所述目标供应商对所述待识别图像进行人脸识别，进而通过对本地数据与各供应商数据的聚合分析，以辅助进行更符合实际需求的人脸识别。
如图3所示，是本发明实现人脸识别聚合方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如人脸识别聚合程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如人脸识别聚合程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行人脸识别聚合程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个人脸识别聚合方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、分析单元111、调用单元112、查询单元113、调取单元114、筛选单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述人脸识别聚合方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明实施例中提供的计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的人脸识别聚合方法。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种人脸识别聚合方法，所述处理器13可执行所述多个指令从而实现：
响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据；
获取配置时间段内的运行数据；
对所述运行数据进行分析，得到实时配置数据；
当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库；
利用所述待识别图像在所述配置人脸图像库中进行查询；
当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表；
根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商；
调用所述目标供应商对所述待识别图像进行人脸识别。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种人脸识别聚合方法，其特征在于，所述人脸识别聚合方法包括：
响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据；
获取配置时间段内的运行数据；
对所述运行数据进行分析，得到实时配置数据；
当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库；
利用所述待识别图像在所述配置人脸图像库中进行查询；
当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表；
根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商；
调用所述目标供应商对所述待识别图像进行人脸识别。
2.如权利要求1所述的人脸识别聚合方法，其特征在于，在根据所述人脸识别请求获取待识别图像及当前需求数据前，所述方法还包括：
获取具有人脸识别需求的所有任务场景；
为所述所有任务场景配置告警阈值；
当所述人脸识别请求所对应的次数小于或者等于所述告警阈值时，根据所述人脸识别请求获取所述待识别图像及所述当前需求数据；或者
当所述人脸识别请求所对应的次数大于所述告警阈值时，发出预警提示信息。
3.如权利要求1所述的人脸识别聚合方法，其特征在于，所述对所述运行数据进行分析，得到实时配置数据包括：
从所述运行数据中获取检测到的所有人脸识别请求作为实时请求；
判断所述实时请求中的每个请求是否成功；
获取成功的请求的数量作为第一数量，及获取所述实时请求的数量作为第一总数量；
计算所述第一数量与所述第一总数量的商作为实时成功率；
获取调用的所有供应商的数量作为第二总数量；
检测所述所有供应商中免费的供应商的数量作为第二数量；
计算所述第二数量与所述第二总数量的商作为实时费率；
将所述实时成功率及所述实时费率确定为所述实时配置数据。
4.如权利要求1所述的人脸识别聚合方法，其特征在于，所述方法还包括：
从所述当前需求数据中获取当前成功率及当前费率；
确定成功率对应的第一权重及费率对应的第二权重，根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配，包括：
根据所述第一权重、所述第二权重、所述实时成功率及所述实时费率计算加权和，得到所述实时配置数据对应的实时量化值，并根据所述第一权重、所述第二权重、所述当前成功率及所述当前费率计算加权和，得到所述当前需求数据对应的当前量化值，当所述当前量化值小于或者等于所述实时量化值时，确定所述实时配置数据与所述当前需求数据匹配，或者当所述当前量化值大于所述实时量化值时，确定所述实时配置数据与所述当前需求数据不匹配；或者
获取所述成功率及所述费率的优先级，根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配，包括：
当所述成功率的优先级高于所述费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时成功率低于所述当前成功率，或者所述实时费率低于所述当前费率时，确定所述实时配置数据与所述当前需求数据不匹配；或者
当所述费率的优先级高于所述成功率时，比较所述实时费率与所述当前费率的大小，当所述实时费率高于或者等于所述当前费率时，比较所述实时成功率与所述当前成功率的大小，当所述实时成功率高于或者等于所述当前成功率时，确定所述实时配置数据与所述当前需求数据匹配；当所述实时费率低于所述当前费率，或者所述实时成功率低于所述当前成功率时，确定所述实时配置数据与所述当前需求数据不匹配。
5.如权利要求1所述的人脸识别聚合方法，其特征在于，所述方法还包括：
当所述实时配置数据与所述当前需求数据不匹配时，根据所述当前需求数据，采用所述择优算法在所述供应商列表中筛选所述目标供应商；或者
当在所述配置人脸图像库中查询到与所述待识别图像相同的人脸图像时，将查询到的人脸图像确定为目标人脸图像，输出与所述目标人脸图像关联的数据。
6.如权利要求4所述的人脸识别聚合方法，其特征在于，所述根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商包括：
当根据所述第一权重及所述第二权重确定所述实时配置数据与所述当前需求数据是否匹配时，根据所述第一权重及所述第二权重计算所述供应商列表中每个供应商的量化值，获取所述量化值最高的供应商作为所述目标供应商；或者
当根据所述优先级确定所述实时配置数据与所述当前需求数据是否匹配时，从所述供应商列表中获取大于或者等于所述当前成功率且大于或者等于所述当前费率的供应商作为备选供应商，获取所述成功率及所述费率中具有较高优先级的比率作为目标比率，从所述备选供应商中获取所述目标比率最高的供应商作为所述目标供应商。
7.如权利要求1所述的人脸识别聚合方法，其特征在于，在调用所述目标供应商对所述待识别图像进行人脸识别后，所述方法还包括：
获取所述目标供应商输出的与所述待识别图像对应的人脸图像作为所述目标人脸图像；
将所述目标人脸图像及与所述目标人脸图像关联的数据保存至所述配置人脸图像库。
8.一种人脸识别聚合装置，其特征在于，所述人脸识别聚合装置包括：
获取单元，用于响应于人脸识别请求，根据所述人脸识别请求获取待识别图像及当前需求数据；
所述获取单元，还用于获取配置时间段内的运行数据；
分析单元，用于对所述运行数据进行分析，得到实时配置数据；
调用单元，用于当所述实时配置数据与所述当前需求数据匹配时，调用配置人脸图像库；
查询单元，用于利用所述待识别图像在所述配置人脸图像库中进行查询；
调取单元，用于当在所述配置人脸图像库中未查询到与所述待识别图像相同的人脸图像时，调取供应商列表；
筛选单元，用于根据所述当前需求数据，采用择优算法在所述供应商列表中筛选目标供应商；
所述调用单元，还用于调用所述目标供应商对所述待识别图像进行人脸识别。
9.一种计算机设备，其特征在于，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的人脸识别聚合方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的人脸识别聚合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110696248.6A CN113435295B (zh) | 2021-06-23 | 2021-06-23 | 人脸识别聚合方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110696248.6A CN113435295B (zh) | 2021-06-23 | 2021-06-23 | 人脸识别聚合方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435295A true CN113435295A (zh) | 2021-09-24 |
| CN113435295B CN113435295B (zh) | 2024-05-10 |
Family
ID=77753444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110696248.6A Active CN113435295B (zh) | 2021-06-23 | 2021-06-23 | 人脸识别聚合方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435295B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093066A (zh) * | 2017-03-22 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 业务实现方法和装置 |
| CN109614540A (zh) * | 2018-10-15 | 2019-04-12 | 平安科技（深圳）有限公司 | 商品检索、装置、计算机设备及存储介质 |
| CN109961031A (zh) * | 2019-01-25 | 2019-07-02 | 深圳市星火电子工程公司 | 人脸融合识别认定方法、目标人员信息显示方法、预警布控方法及系统 |
| CN110334225A (zh) * | 2019-05-14 | 2019-10-15 | 上海韬安信息技术有限公司 | 一种兼容多算法的分布式人脸基础信息中间库服务的设计方法 |
| CN111652096A (zh) * | 2020-05-22 | 2020-09-11 | 中国工商银行股份有限公司 | 基于区块链的人脸识别方法、装置及系统 |
| CN112560686A (zh) * | 2020-12-16 | 2021-03-26 | 神思旭辉医疗信息技术有限责任公司 | 一种动态调用人脸系统、方法及云人脸数据处理端 |
-
2021
- 2021-06-23 CN CN202110696248.6A patent/CN113435295B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093066A (zh) * | 2017-03-22 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 业务实现方法和装置 |
| CN109614540A (zh) * | 2018-10-15 | 2019-04-12 | 平安科技（深圳）有限公司 | 商品检索、装置、计算机设备及存储介质 |
| CN109961031A (zh) * | 2019-01-25 | 2019-07-02 | 深圳市星火电子工程公司 | 人脸融合识别认定方法、目标人员信息显示方法、预警布控方法及系统 |
| CN110334225A (zh) * | 2019-05-14 | 2019-10-15 | 上海韬安信息技术有限公司 | 一种兼容多算法的分布式人脸基础信息中间库服务的设计方法 |
| CN111652096A (zh) * | 2020-05-22 | 2020-09-11 | 中国工商银行股份有限公司 | 基于区块链的人脸识别方法、装置及系统 |
| CN112560686A (zh) * | 2020-12-16 | 2021-03-26 | 神思旭辉医疗信息技术有限责任公司 | 一种动态调用人脸系统、方法及云人脸数据处理端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435295B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
| WO2021189855A1 (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN110851298B (zh) | 异常分析及处理方法、电子装置及存储介质 | |
| CN112559535B (zh) | 基于多线程的异步任务处理方法、装置、设备及介质 | |
| CN112015663B (zh) | 测试数据录制方法、装置、设备及介质 | |
| CN114124968B (zh) | 基于行情数据的负载均衡方法、装置、设备及介质 | |
| CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN112084486A (zh) | 用户信息验证方法、装置、电子设备及存储介质 | |
| CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
| CN112948723A (zh) | 接口调用方法、装置及相关设备 | |
| CN112256783A (zh) | 数据导出方法、装置、电子设备及存储介质 | |
| CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN114827354A (zh) | 身份验证信息显示方法、装置、电子设备及可读存储介质 | |
| CN114116400A (zh) | 基于日志打印的应用异常处理方法、装置、设备及介质 | |
| CN111277626A (zh) | 服务器升级方法、装置、电子设备及介质 | |
| CN114675976B (zh) | 基于kubernetes的GPU共享方法、装置、设备及介质 | |
| CN114666408B (zh) | 基于互联网的行情因子数据透传方法、装置、设备及介质 | |
| CN113435295B (zh) | 人脸识别聚合方法、装置、设备及介质 | |
| CN113449037A (zh) | 基于ai的sql引擎调用方法、装置、设备及介质 | |
| CN114399397A (zh) | 续保跟踪方法、装置、设备及介质 | |
| CN114157634A (zh) | 唯一账号识别方法、装置、设备及存储介质 | |
| CN114372892A (zh) | 支付数据监控方法、装置、设备及介质 | |
| CN113419718A (zh) | 数据报送方法、装置、设备及介质 | |
| CN115934576B (zh) | 交易场景下的测试用例生成方法、装置、设备及介质 | |
| CN118037198B (zh) | 事件关联物品管理方法、装置、设备及介质 |
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 |