CN115050079B - 人脸识别方法、装置及存储介质 - Google Patents

人脸识别方法、装置及存储介质 Download PDF

Info

Publication number
CN115050079B
CN115050079B CN202210772735.0A CN202210772735A CN115050079B CN 115050079 B CN115050079 B CN 115050079B CN 202210772735 A CN202210772735 A CN 202210772735A CN 115050079 B CN115050079 B CN 115050079B
Authority
CN
China
Prior art keywords
preset
preset feature
feature
target
feature library
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
Application number
CN202210772735.0A
Other languages
English (en)
Other versions
CN115050079A (zh
Inventor
请求不公布姓名
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.)
Beijing Real AI Technology Co Ltd
Original Assignee
Beijing Real AI Technology 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 Beijing Real AI Technology Co Ltd filed Critical Beijing Real AI Technology Co Ltd
Priority to CN202210772735.0A priority Critical patent/CN115050079B/zh
Publication of CN115050079A publication Critical patent/CN115050079A/zh
Application granted granted Critical
Publication of CN115050079B publication Critical patent/CN115050079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请实施例涉及人脸识别领域，并提供人脸识别方法、装置及存储介质，方法包括获取待识别人脸图像的目标特征；按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果；输出所述识别结果。本方案使得目标特征与各预设特征库进行比对时是优先与特征比对优先等级最高的预设特征库进行比对，再与特征比对优先等级次之的预设特征库进行比对，有可能在与优先与特征比对优先等级最高的预设特征库进行比对即可获取到最终的识别结果，无需再与特征比对优先等级低的其他预设特征库进行比对，降低了整个特征比对的工作量，从而提高了识别结果的获取效率。

Description

人脸识别方法、装置及存储介质
技术领域
本申请实施例涉及人脸识别技术领域，尤其涉及一种人脸识别方法、装置及存储介质。
背景技术
在目前的人脸比对场景下，为了提高服务器中大量原始人脸图片的数据安全性，一般是对各原始人脸图片所提取到的人脸特征进行加密处理(如进行全同态加密)得到与人脸特征对应的密文特征后保存。之后若再需在服务器中进行人脸识别时，是将所获取到的待识别人脸图像提取到的人脸特征与服务器中各密文特征进行比对得到识别结果。
在对现有技术的研究和实践过程中，本申请实施例的发明人发现，若将所有的密文特征均存储在服务器的同一存储单元如硬盘中，那么进行上述人脸特征与密文特征的比对过程则会受限于硬盘读取数据至中央处理单元(Central Processing Unit，CPU)的速度限制，极大的降低了识别结果的获取效率。
发明内容
本申请实施例提供了一种人脸识别方法、装置及存储介质，能够在进行目标特征与各预设特征库进行比对时是优先与特征比对优先等级最高的预设特征库进行比对，再与特征比对优先等级次之的预设特征库进行比对，在与部分特征比对优先等级高的预设特征库进行比对即可获取到最终的识别结果，无需再与特征比对优先等级低的其他预设特征库进行比对，降低了整个特征比对的工作量，从而提高了识别结果的获取效率。
第一方面中，从服务器的角度介绍本申请实施例提供的一种人脸识别方法，应用于人脸识别系统中的服务器，所述人脸识别系统还包括多个图像采集装置，所述服务器包括按照热度值划分的多种存储单元，各存储单元用于存储基于全同态加密的预设特征库，所述方法包括：
获取待识别人脸图像的目标特征；
按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果；
输出所述识别结果。
一种可能的设计中，所述获取待识别人脸图像的目标特征之前，所述方法包括：
获取业务需求信息及多个图像采集装置的实时状态信息；
基于所述业务需求信息及多个图像采集装置的实时状态信息，确定服务器资源调度信息。
其中，多个图像采集装置的实时状态信息是由图像采集装置基于以下方式上传：
图像采集装置在红外感应器或定时器的控制下唤醒或休眠的状态均上传至服务器，作为图像采集装置的实时工作状态；
或者，图像采集装置在第一智能唤醒策略的控制下唤醒或休眠的状态均上传至服务器，作为图像采集装置的实时工作状态；
或者，图像采集装置在图片采集周期的周期控制下唤醒或休眠的状态均上传至服务器，作为图像采集装置的实时工作状态；
或者，图像采集装置在第二智能唤醒策略的控制下唤醒或休眠的状态均上传至服务器，作为图像采集装置的实时工作状态。
第二方面中，具有实现对应于上述第一方面提供的人脸识别方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一种可能的设计中，所述装置包括：
收发模块和处理模块；
所述收发模块，用于接收所述处理模块的控制进行收发操作；
所述处理模块，用于获取待识别人脸图像的目标特征；
所述处理模块，用于还按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果；输出所述识别结果。
第三方面中，本申请实施例又一方面提供了一种计算机设备，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中的计算机程序来执行上述第一方面、第一方面中的各种可能的设计中提供的方法。
本申请实施例又一方面提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面、第一方面中的各种可能的设计中提供的方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面、第一方面中的各种可能的设计中提供的方法。
相较于现有技术，本申请实施例提供的方案中，在智慧医疗、智慧安防、智慧城市、智慧教育等场景，当人脸识别系统中的服务器接收到了图像采集装置上传的待识别人脸图像并对应提取目标特征后，服务器可以按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果。由于所述目标特征与各预设特征库进行比对时是优先与特征比对优先等级最高的预设特征库进行比对，再与特征比对优先等级次之的预设特征库进行比对，极有可能在与优先与特征比对优先等级最高的预设特征库进行比对即可获取到最终的识别结果，无需再与特征比对优先等级低的其他预设特征库进行比对，降低了整个特征比对的工作量，从而提高了识别结果的获取效率。
附图说明
图1a为本申请实施例提供的一种人脸识别系统的示意图；
图1b为本申请实施例提供的一种人脸识别系统的应用场景示意图；
图2为本申请实施例中人脸识别方法的一种流程示意图；
图3为本申请实施例提供的一种人脸识别系统的另一应用场景示意图；
图4为本申请实施例中人脸识别系统中服务器的一种结构示意图；
图5为本申请实施例中服务器的一种结构示意图；
图6为本申请实施例中服务终端的一种结构示意图；
图7为本申请实施例中服务器的一种结构示意图。
具体实施方式
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请实施例中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例供了一种人脸识别方法、装置及存储介质，可用于人脸识别系统中的服务器，当服务器接收到图像采集终端上传的待识别人脸图像并对应提取目标特征后，服务器可以按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果。本申请实施例以服务器为例，当应用于服务终端侧，可参考服务器的实施例，不作赘述。
本申请实施例的方案可基于人工智能技术实现，具体来说涉及人工智能技术中的计算机视觉技术技术领域和云技术中的云计算、云存储和数据库等领域，下面将分别进行介绍。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、人脸识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例的方案可基于云技术实现，具体来说涉及云技术中的云计算、云存储和数据库等技术领域，下面将分别进行介绍。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术(Cloudtechnology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图像类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。本申请实施例可通过云技术对识别结果进行保存。
云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念，分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能，将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储系统。在本申请实施例中，可将网络配置等信息均保存在该存储系统中，便于服务器调取。
目前，存储系统的存储方法为：创建逻辑卷，在创建逻辑卷时，就为每个逻辑卷分配物理存储空间，该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据，也就是将数据存储在文件系统上，文件系统将数据分成许多部分，每一部分是一个对象，对象不仅包含数据而且还包含数据标识(ID，ID entity)等额外的信息，文件系统将每个对象分别写入该逻辑卷的物理存储空间，且文件系统会记录每个对象的存储位置信息，从而当客户端请求访问数据时，文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储系统为逻辑卷分配物理存储空间的过程，具体为：按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID，Redundant Array of IndependentDisk)的组别，预先将物理存储空间划分成分条，一个逻辑卷可以理解为一个分条，从而为逻辑卷分配了物理存储空间。
数据库(Database)，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。
数据库管理系统(英语：Database Management System，简称DBMS)是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、XML(Extensible MarkupLanguage,即可扩展标记语言)；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如SQL(结构化查询语言，Structured QueryLanguage)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。在本申请实施例中，可将识别结果存储在该数据库管理系统中，便于服务器调取。
其中，需要特别说明的是，本申请实施例涉及的服务终端，可以是指向服务终端提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务(英文全称：Personal Communication Service，英文简称：PCS)电话、无绳电话、会话发起协议(SIP)话机、无线本地环路(Wireless LocalLoop，英文简称：WLL)站、个人数字助理(英文全称：Personal Digital Assistant，英文简称：PDA)等设备。
在服务终端进行人脸识别时，服务终端还需要预先存储多个预设特征库。具体来说，服务终端用于存储、制作、加密、保存多个预设特征库。
一些实施方式中，本申请实施例可应用于如图1a所示的一种人脸识别系统1，所述人脸识别系统1包括至少一个服务器10和至少一个图像采集装置20，所述服务器10与所述图像采集装置20之间可以进行数据交互。其中，所述服务器10包括多个不同存储单元，所述多个不同存储单元用于存储基于全同态加密的多个预设特征库，且各预设特征库对应一个不同的特征比对优先级。
当基于上述图1a所述的人脸识别系统实现本申请实施例中的人脸识别方法时，可参考如图1b所示的一种应用场景示意图。
本申请实施例中，所述服务器10先接收图像采集装置20上传的待识别人脸图像，然后在服务器20中对待识别人脸图像进行特征提取得到目标特征，之后再获取服务器中不同存储单元存储的多个预设特征库(如图1b示意的预设特征库1、预设特征库2、……、预设特征库n)中各预设特征库的特征比对优先等级，将所述目标特征与各预设特征库按照特征比对优先等级的高低顺序进行比对，得到识别结果。由于所述目标特征与各预设特征库进行比对时是优先与特征比对优先等级最高的预设特征库进行比对，再与特征比对优先等级次之的预设特征库进行比对，极有可能在与优先与特征比对优先等级最高的预设特征库进行比对即可获取到最终的识别结果，无需再与特征比对优先等级低的其他预设特征库进行比对，降低了整个特征比对的工作量，从而提高了识别结果的获取效率。
其中，需要特别说明的是，本申请涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例涉及的服务终端，该服务终端可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视、智能音箱、个人数字助理(英文全称：Personal DigitalAssistant，英文简称：PDA)、台式计算机、智能手表等携带多媒体数据处理功能(例如，视频数据播放功能、音乐数据播放功能)的智能终端，但并不局限于此。
本申请实施例主要提供以下技术方案：
当人脸识别系统中的服务器接收到了图像采集装置上传的待识别人脸图像并对应提取目标特征后，服务器可以按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果。
下面，将结合几个实施例对本申请技术方案进行详细的介绍说明。
参照图2，以下介绍本申请实施例所提供的一种人脸识别方法，本申请实施例包括：
201、服务器获取图像采集装置发送的待识别人脸图像。
在本申请实施例中，当图像采集装置(如摄像头)在合法合规前提下采集到待识别人脸图像后，由图像采集装置将待识别人脸图像发送至服务器。服务器在接收到所述待识别人脸图像后基于服务器进行具体的人脸识别。
一些实施方式中，所述服务器获取待识别人脸图像的目标特征之前，所述方法还包括：
服务器获取业务需求信息及多个图像采集装置的实时状态信息；
服务器基于所述业务需求信息及多个图像采集装置的实时状态信息，确定服务器资源调度信息。
在本申请实施例中，由于是多个图像采集装置与服务器连接，那么每一个图像采集装置上传图片至服务器中进行识别时，则需要占用服务器的系统资源。为了实现服务器更优化的调度系统资源分配给相应图像采集装置使用，则可以先获取在服务器上生成的业务需求信息(如集中对某一区域的所有图像采集装置优先分配系统资源可视为一种业务需求信息)，还可以同时获取到各图像采集装置上传的实时状态信息(如图像采集装置一般有休眠、唤醒的状态)。由于在服务器中已知了当前的业务需求信息，也已知了与其连接的各图像采集装置的实时状态信息，则可以根据所述业务需求信息及多个图像采集装置的实时状态信息共同来确定服务器资源调度信息。
例如，业务需求信息是区域A的所有图像采集装置优先分配系统资源，则服务器对各图像采集装置的实时状态信息进行统计，获取到当前对应休眠状态的图像采集装置的清单，并将服务器给这些休眠状态的图像采集装置预留系统资源全部调配给区域A的所有图像采集装置调度使用，从而提高此时对区域A的所有图像采集装置所上传图片识别的效率。
其中，服务器在获取图像采集装置发送的待识别人脸图像之前，是图像采集装置先对待识别人脸图像进行采集，然后再由图像采集装置将待识别人脸图像上传至服务器。图像采集装置对待识别人脸图像进行采集时，图像采集装置有至少以下四种工作模式，而且每一种工作模型下图像采集装置的实时状态信息是可上传至服务器：
方式1、在图像采集装置上设置红外感应器或定时器，图像采集装置在红外感应器或定时器的控制下唤醒或休眠的状态均可上传至服务器，作为图像采集装置的实时工作状态：
在方式1中，由于在图像采集装置设置了红外感应器或定时器，使得图像采集装置是有人靠近时才被唤醒或是定时被唤醒，唤醒后图像采集装置可对其采集视野范围内的图像(视频)进行采集。在其他没人靠近的情况或者是还没到达定时唤醒时间点时是不会被唤醒。而且每次图像采集装置在被唤醒后，及时采集到了存在待识别人脸图像的图像数据后，也不是立即就重新进入休眠状态，而是基于红外感应器持续感应图像采集装置附近(感应距离由红外感应器的性能来决定)是否还有人，若持续T1秒(T1可以取5s、10s这些基于用户实际需求的自定义值，并不局限于5s、10s)感应到图像采集装置附近无人存在，则图像采集装置再次进入休眠状态。在方式1的控制方式下，由于图像采集装置是在满足条件的情况下才被唤醒，所以能有效节约能源，延长图像采集装置的使用寿命。而且在某一时间点必定会存在部分图像采集装置是休眠的，而另一部分图像采集装置是唤醒的，服务器中有限的系统资源则更多的分配给唤醒状态的图像采集装置使用，从而整体提高服务器中进行图像识别或人脸识别的效率。
方式2、在图像采集装置中配置了第一智能唤醒策略，图像采集装置在第一智能唤醒策略的控制下唤醒或休眠的状态均可上传至服务器，作为图像采集装置的实时工作状态：
在方式2中，由于设置于不同地点的图像采集装置，可以通过统计各图像采集装置的历史工作数据，得到各图像采集装置的历史工作状态数据。例如设置于A1地点的图像采集装置B1，分析其历史工作数据后可以得知，图像采集装置B1每日7:00-24:00处于唤醒工作状态并能实时采集图像并上传至服务器进行识别，图像采集装置B1每日00::00-7:00处于休眠工作状态且停止采集图像，这样服务器针对该图像采集装置B1生成一个第一智能唤醒策略，从而由第一智能唤醒策略具体来控制图像采集装置在当前时间点是休眠还是唤醒的状态。当所有与服务器连接的图像采集装置中均配置了第一智能唤醒策略，则在某一时间点必定会存在部分图像采集装置是休眠的，而另一部分图像采集装置是唤醒的，服务器中有限的系统资源则更多的分配给唤醒状态的图像采集装置使用，从而整体提高服务器中进行图像识别或人脸识别的效率。
方式3、在图像采集装置中配置了固定图片采集周期，而且图像采集装置在图片采集周期的周期控制下唤醒或休眠的状态均可上传至服务器，作为图像采集装置的实时工作状态：
在方式3中，为了降低服务器对各图像采集装置上传采集图片进行批量处理的负荷，可以针对每一图像采集装置设置一个固定的图片采集周期，如每间隔T2时长采集一帧图片(如将T2设置为0.5s等)，而不是正常的持续无间隔的采集图片，从而有效降低了各图像采集装置上传至服务器中图片的总张数，也能有效降低服务器中进行图像识别或人脸识别的频率，也能整体提高服务器中进行图像识别或人脸识别的效率。
方式4、在图像采集装置中配置了第二智能唤醒策略，图像采集装置在第二智能唤醒策略的控制下唤醒或休眠的状态均可上传至服务器，作为图像采集装置的实时工作状态：
在方式4中，在服务器中存储了一个预先训练的时序预测模型，可以将每一图像采集装置的历史工作数据(也即图像采集装置何时处于唤醒状态，何时处于休眠状态)组成一个时序序列，然后将该时序序列基于时序预测模型进行预测结果的输出，这一预测结果即可配置为图像采集装置的第二智能唤醒策略，从而实现对图像采集装置的智能控制。同样的，当所有与服务器连接的图像采集装置中均配置了第二智能唤醒策略，则在某一时间点必定会存在部分图像采集装置是休眠的，而另一部分图像采集装置是唤醒的，服务器中有限的系统资源则更多的分配给唤醒状态的图像采集装置使用，从而整体提高服务器中进行图像识别或人脸识别的效率。
202、所述服务器获取所述待识别人脸图像的目标特征。
即服务器基于人脸识别模型对所述待识别人脸图像进行特征提取，得到目标特征。
在本申请实施例中，因在服务器本地存储了人脸识别模型，故可以通过所述人脸识别模型对所述待识别人脸图像进行特征提取，得到目标特征。具体的，所述人脸识别模型可以是一个算法厂商提供的人脸识别模型，也可以是多个算法厂商提供的人脸识别模型，这些人脸识别模型均能实现对所述待识别人脸图像的特征提取，以得到对应的目标特征。可见，只有在提取了人脸特征后，才便于进行后续的人脸特征比对。
一些实施方式中，所述服务器获取图像采集装置发送的待识别人脸图像及服务器基于人脸识别模型对所述待识别人脸图像进行特征提取，得到目标特征可替换为执行：
服务器接收目标特征；其中，所述目标特征为待识别人脸图像基于人脸识别模型提取得到。
在本申请实施例中，人脸特征的提取过程可以在服务器本地进行，也可以在其他设备上进行，例如在图像采集装置中也部署了人脸识别模型，则可以先在图像采集装置中直接对采集到的待识别人脸图像进行人脸特征提取得到目标特征，然后图像采集装置将目标特征发送至服务器。可见，无论是在其他设备还是在服务器本地，均可以获取到与待识别人脸图像对应的目标特征，只有获取到了目标特征才能进行后续的人脸特征比对。
203、服务器按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果。
在本申请实施例中，由于服务器能存储数据的区域有GPU显存、本地安装的Faiss数据库(是谷歌公司开发的一种相似度搜索库)及硬盘(如固态硬盘或混合硬盘)，因此可以在上述区域分别存储至少一个预设特征库，能使得最终的特征比对过程在GPU显存中进行，或者是在Faiss数据库中调用数据至CPU(中央处理器)中进行，或者是在硬盘中调用数据至CPU中进行。其中，在GPU显存中、调用Faiss数据库中存储的预设特征至CPU中或调用硬盘中存储的预设特征至CPU中进行人脸特征比对的效率各不相同，一般是在GPU显存中直接处理特征比对效率最高，调用Faiss数据库中存储的预设特征至CPU中处理特征比对效率次之，在调用硬盘中存储的预设特征至CPU中进行人脸特征比对效率最低。
当服务器获取到了所述目标特征，若假设多个预设特征库均存储在一个存储单元，则可以至少存储以下三种情况：第一种是多个预设特征库均存储在GPU显存、第二种是多个预设特征库均存储在Faiss数据库，第三种是多个预设特征库是均存储在硬盘。
在第一种情况下，由于GPU显存中有独立运算能力，但是一般存储区域大小比硬盘小而且成本高，因此将多个预设特征库均存储在GPU显存时可以提高特征比对效率，但是所需成本代价最高。而且由于多个预设特征库中包括的所有预设特征中，并不是所有预设特征会被查询命中到，也就大大浪费了GPU显存的存储空间。
在第二种情况下，由于Faiss数据库中存储了多个预设特征库，且所包括的多个预设特征是按照该数据库对应的数据存储结构进行存储(也即各预设特征的存储存在数据组织关系或关联关系)，因此使得预设特征存储后更便于查询和调用。但是Faiss数据库中所有预设特征最终存储路径也是对应到内存或者硬盘中，只是从其中查询获取预设特征的效率比多个预设特征库均存储在硬盘时查询获取预设特征的效率高。由于在Faiss数据库中调用了预设特征后也是被传输至CPU中与目标特征进行比对，这与直接将特征比对过程在GPU显存中进行效率更慢，但是所需成本比将多个预设特征库均存储在GPU显存中低。
在第三种情况下，由于硬盘中存储了多个预设特征库后，这些预设特征库中的预设特征直接以向量形式存储在硬盘，向量之间没有任何关联关系或是组织关系，因此使得预设特征存储后不太便于查询和调用。若将多个预设特征库均存储在硬盘中，实际进行特征比对时是在硬盘中调用了预设特征后也是被传输至CPU中与目标特征进行比对，这与直接将特征比对过程在GPU显存中进行效率更慢，也与调用Faiss数据库中存储的预设特征至CPU中进行特征比对相比效率更慢，但是所需成本比将多个预设特征库均存储在GPU显存中低，也比将多个预设特征库均存储在Faiss数据库中低(这是因为搭建Faiss数据库也需成本)。
可见，将多个预设特征库全部存在同一位置(即GPU显存、Faiss数据库或硬盘)中要么实现成本过高，要么特征比对效率低，不能既满足比对效率高，又花费较低成本。故本申请中可以分析多个预设特征库的查询频率，将不同查询频率的预设特征库存储在不同存储单元，可以有效平衡比对效率和花费成本的关系。
一些实施方式中，所述服务器按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果之前，所述方法还包括：
若确定当前系统时间满足预设的特征库更新条件，基于当前系统时间确定历史查询时间段；
获取初始特征库中各预设特征在所述历史查询时间段中的用户基础信息查询频率，所述用户基础信息查询频率包括预设特征查询频率、居民信息查询频率、通勤信息查询频率中的至少一项；
根据各预设特征的用户基础信息查询频率确定初始特征库中各预设特征的热度值；
根据各预设特征的热度值，将所述初始特征库划分为多个预设特征库并存储到对应的存储单元。
在本申请实施例中，当将多个预设特征库部署于服务器中多个不同存储单元，首先需要获取一个包括多个预设特征库全部预设特征的初始特征库，然后对这一初始特征库基于一定标准再次划分为多个预设特征库后最终再次分别存储到服务器中多个不同存储单元(如GPU显存、Faiss数据库及硬盘这些区域)。可见，若能将初始特征库进行精准有效的划分得到多个预设特征库后在分别存储于对应区域，是能实现提高特征比对效率并降低硬件花费成本的。
为了实现对初始特征库的有效划分，可以先判断当前系统时间是否满足预设的特征库更新条件，例如预设的特征库更新条件是每间隔T时长则重新对初始特征库进行一次划分，T可以根据人脸识别系统的实际使用情况设置(如T为一周、一个月等时长均可)。当确定当前系统时间满足预设的特征库更新条件，则表示当前系统时间与上一特征库更新时间之间的间隔时长等于T，此时可以启动本次的初始特征库划分处理流程。可见，上述初始特征库的重新划分是一种定时更新方式。
启动本次对初始特征库划分处理流程之前，首先是基于当前系统时间与T时长确定历史查询时间段，如以当前系统时间-T时长为历史查询时间段的起始时间点，以当前系统时间为历史查询时间段的终止时间点；之后在确定了历史查询时间段后，再获取初始特征库中各初始特征在所述历史查询时间段中的用户基础信息查询频率(具体包括预设特征查询频率、居民信息查询频率、通勤信息查询频率)；最后再将各初始特征基于其在历史查询时间段中用户基础信息查询频率所确定的热度值降序排序，基于热度值排序前5％的热度值确定一个第一阈值，基于查询频率排序在5％-65％的热度值确定一个第二阈值，在获取了上述2个阈值后，则可判定所述初始特征库中各初始特征的热度值所属热度值区间，从而确定其最终划分在哪一分组。可见，基于初始特征的热度值高低与否将其分组，可以将热度值高的初始特征划分在一组，将热度值次高的初始特征划分在一组，将热度值低的初始特征划分在一组。
一些实施方式中，所述服务器按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果之前，所述方法还包括：
若确定当前累计查询次数满足预设的特征库更新条件，基于当前累计查询次数对应的当前系统时间及上一特征库更新时间确定历史查询时间段；
获取初始特征库中各预设特征在所述历史查询时间段中的用户基础信息查询频率，所述用户基础信息查询频率包括预设特征查询频率、居民信息查询频率、通勤信息查询频率中的至少一项；
根据各预设特征的用户基础信息查询频率确定初始特征库中各预设特征的热度值；
根据各预设特征的热度值，将所述初始特征库划分为多个预设特征库并存储到对应的存储单元。
在本申请实施例中，为了实现对初始特征库的有效划分，可以先判断当前累计查询次数(当前累计查询次数指的是初始特征库中接收到目标特征并进行特征比对以进行查询)是否满足预设的特征库更新条件，例如预设的特征库更新条件是被查询过N1次则重新对初始特征库进行一次划分，N1可以根据人脸识别系统的实际使用情况设置(如N1为一万次、两万次等次数均可)。当确定当前累计查询次数满足预设的特征库更新条件，则表示当前系统时间与上一特征库更新时间之间对应的历史查询时间段中初始特征库中接收到目标特征并进行特征比对的次数达到N1次，此时可以启动本次的初始特征库划分处理流程。可见，上述初始特征库的重新划分是一种基于查询次数的定量更新方式。
启动本次对初始特征库划分处理流程之前，首先是基于当前系统时间与上一特征库更新时间确定历史查询时间段，也即以上一特征库更新时间为历史查询时间段的起始时间点，以当前系统时间为历史查询时间段的终止时间点；之后在确定了历史查询时间段后，再获取初始特征库中各初始特征在所述历史查询时间段中的用户基础信息查询频率(具体包括预设特征查询频率、居民信息查询频率、通勤信息查询频率)；最后再将各初始特征基于其在历史查询时间段中用户基础信息查询频率所确定的热度值降序排序，基于热度值排序前5％的热度值确定一个第一阈值，基于查询频率排序在5％-65％的热度值确定一个第二阈值，在获取了上述2个阈值后，则可判定所述初始特征库中各初始特征的热度值所属热度值区间，从而确定其最终划分在哪一分组。可见，基于初始特征的热度值高低与否将其分组，可以将热度值高的初始特征划分在一组，将热度值次高的初始特征划分在一组，将热度值低的初始特征划分在一组。
由于热度值高的预设特征被调用与目标特征比对的概率最高，其适合存储于处理效率最高的GPU显存；热度值次高的预设特征被调用与目标特征比对的概率次之，其适合存储于数据调用效高的Faiss数据库；热度值低的预设特征被调用与目标特征比对的概率较小，其适合存储于数据调用效率一般的硬盘。
一些实施方式中，为了实现将各预设特征存储于其最适合的存储单元，所述服务器根据各预设特征的热度值，将所述初始特征库划分为多个预设特征库并存储到对应的存储单元，所述方法包括：
获取所述初始特征库中的各预设特征的热度值；
将所述初始特征库中热度值高于第一阈值的预设特征划分到第一预设特征库，将热度值高于第二阈值且小于所述第一阈值的预设特征划分到第二预设特征库，以及将热度值小于所述第二阈值的预设特征划分到第三预设特征库；
将所述第一预设特征库存储于GPU显存，将所述第二预设特征库存储于Faiss数据库，以及将所述第三预设特征库存储于硬盘。
在本申请实施例中，具体将初始特征库划分为了3个存储单元，可参考如图3所示的另一种应用场景示意图，其中第一预设特征库是热度值排序前5％的热度值分别对应的预设特征组成，第二预设特征库是热度值排序在5％-65％的热度值分别对应的预设特征组成，第三预设特征库是热度值排序在65％-100％的热度值分别对应的预设特征组成。初始特征库基于上述方式划分后，使得所述第一预设特征库中各预设特征的查询频率大于所述第二预设特征库中各预设特征的查询频率，所述第二预设特征库中各预设特征的查询频率大于所述第三预设特征库中各预设特征的查询频率。
而且，为了充分利用GPU显存、Faiss数据库及硬盘各自的优势，如图3所示可以将所述第一预设特征库存储于人脸识别系统1中服务器10的GPU显存；将所述第二预设特征库存储于服务器10的Faiss数据库；其中，所述Faiss数据库是相似度搜索库；将所述第三预设特征库存储于服务器10的硬盘。且服务器10可接收来自图像采集装置20发送的待识别人脸图像，并在服务器10中进行具体的人脸识别得到识别结果。
一些实施方式中，所述将所述初始特征库中热度值高于第一阈值的预设特征划分到第一预设特征库，将热度值高于第二阈值且小于所述第一阈值的预设特征划分到第二预设特征库，以及将热度值小于所述第二阈值的预设特征划分到第三预设特征库之后，所述方法还包括：
将所述第一预设特征库中热度值高于第三阈值的预设特征划分到第四预设特征库；
获取所述第四预设特征库中各预设特征所对应用户的用户基础信息；其中，所述基础信息包括居民住宿信息和通勤信息；
基于所述第四预设特征库中各预设特征所对应用户的用户基础信息及预设的用户分类策略，确定各预设特征所对应用户的用户分类；其中，所述用户分类是重点人群类型或非重点人群类型；
将所述第四预设特征库中用户分类为重点人群类型的各预设特征划分至第五预设特征库，将所述第四预设特征库中用户分类为非重点人群类型的各预设特征划分至第六预设特征库；
将所述第五预设特征库保存以作为所述第一预设特征库；
将所述第六预设特征库与所述第二预设特征库进行合并，以更新所述第二预设特征库。
在本申请实施例中，由于第一预设特征库中各预设特征的热度值均高于第一阈值，所以其中的预设特征被调用并进行特征匹配的概率最高。但是第一预设特征库中各预设特征对应的用户还存在以下情况：用户因住所附近有图像采集装置正对其上班通勤或是下班回家的必经路径上，这样该用户则会被图像采集装置经常采集到。当某一用户的预设特征被调用进行特征匹配的次数很高，导致该预设特征的热度值(一般可直接以预设特征被调用进行特征匹配的次数作为热度值)较高，也即有可能超出第一阈值。若确定某一用户的预设特征的热度值超出第三阈值(第三阈值是大于第一阈值的)，则可以再进一步基于服务器中与该用户对应存储的居民住宿信息和通勤信息来进一步分析该用户热度值高的具体原因。具体可基于所述第四预设特征库中各预设特征所对应用户的用户基础信息及预设的用户分类策略，确定各预设特征所对应用户的用户分类，如该用户的居民住宿信息对应的定位位置与经常采集到该用户图像的图像采集装置的设置位置之间间距小于预设距离阈值(居民住宿信息对应的定位位置与经常采集到该用户图像的图像采集装置设置位置之间是否小于预设距离阈值则视为一种具体的用户分类策略)，则可以将该用户的用户类型确定为非重点人群类型。若该用户的居民住宿信息对应的定位位置与经常采集到该用户图像的图像采集装置的设置位置之间间距大于或等于预设距离阈值，则可以将该用户的用户类型确定为重点人群类型。
在对第一预设特征库中各预设特征对应的用户基于导致高热度值的具体原因进行分析并对用户做了重点人群类型或非重点人群类型的用户类型确定后，将重点人群类型的预设特征组成第五预设特征库，将非重点人群类型的预设特征组成第六预设特征库。之后保留第五预设特征库以更新所述第一预设特征库，并将所述第六预设特征库与所述第二预设特征库进行合并，以更新所述第二预设特征库。可见，基于上述调整之后，将非重点人群类型的预设特征转移至了第二预设特征库，使得第一预设特征库中更集中存储重点人群类型的预设特征。之后若某一用户属于重点人群类型，在服务器中能更快速的完成其人脸特征与预设特征的特征匹配从而输出识别结果。
一些实施方式中，所述服务器按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果，所述方法包括以下项之一：
若所述第一预设特征库中匹配到与所述目标特征匹配的目标预设特征，则将目标预设特征与所述目标特征的匹配结果作为所述识别结果；
或者，若所述第一预设特征库中未匹配到与所述目标特征匹配的预设特征，则将所述目标特征与所述第二预设特征库进行匹配，并将匹配得到的第二预设目标特征与所述目标特征的匹配结果作为所述识别结果。
或者，若所述第一预设特征库、所述第二预设特征库中均未匹配到与所述目标特征匹配的预设特征，则将所述目标特征与所述第三预设特征库进行匹配，并将匹配得到的第二预设目标特征与所述目标特征的匹配结果作为所述识别结果。
在本申请实施例中，当在服务器中获取到了目标特征后，为了快速的获取所述识别结果，一般是将其先后与所述第一预设特征库、所述第二预设特征库、所述第三预设特征库进行比对，从而最终得到所述识别结果。
其中，为了提高获取识别结果的效率，优先是将目标特征与所述第一预设特征库中各预设特征进行比对，若直接就能在所述第一预设特征库中匹配到与所述目标特征匹配的目标预设特征，则将目标预设特征与所述目标特征的匹配结果作为所述识别结果。若不能在所述第一预设特征库中匹配到与所述目标特征匹配的目标预设特征，则切换至将所述目标特征与所述第二预设特征库进行匹配，若直接就能在所述第二预设特征库中匹配到与所述目标特征匹配的第二目标预设特征，则将第二目标预设特征与所述目标特征的匹配结果作为所述识别结果。若不能在所述第二预设特征库中匹配到与所述目标特征匹配的第二目标预设特征，则切换至将所述目标特征与所述第三预设特征库进行匹配，并将匹配得到的第三预设目标特征与所述目标特征的匹配结果作为所述识别结果。可见，目标特征优先与特征比对优先等级最高的预设特征库进行比对，再与特征比对优先等级次之的预设特征库进行比对，极有可能在与优先与特征比对优先等级最高的预设特征库进行比对即可获取到最终的识别结果，无需再与特征比对优先等级低的其他预设特征库进行比对，降低了整个特征比对的工作量。
一些实施方式中，所述若所述第一预设特征库中匹配到与所述目标特征匹配的目标预设特征，则将目标预设特征与所述目标特征的匹配结果作为所述识别结果，所述方法包括：
基于所述第一预设特征库聚类得到聚类结果；
将所述目标特征与所述聚类结果中各聚类簇进行匹配，确定所述目标特征所属的目标聚类簇；
获取所述目标特征的第一特征，所述第一特征为对所述目标特征行编码得到的目标多项式；
将所述第一特征与所述目标聚类簇中各预设特征进行同态乘法，得到内积集合；
根据内积集合确定识别结果。
在本申请实施例中，当所述目标特征被传输至GPU显存与其中存储的所述第一预设特征库进行比对时，需事先在GPU显存中对所述第一预设特征库中所包括的各预设特征进行聚类处理得到聚类结果。由于所述第一预设特征库中所包括的各预设特征均是人脸特征基于全同态加密得到的密文特征，在GPU显存中是无法获取到各预设特征的明文状态的人脸特征，但是由于密文特征也是一种向量形式表示，故可以对所述第一预设特征库进行诸如K均值聚类(也即KMeans聚类)得到聚类结果。其中，所述目标特征也是用向量形式表达，故可以计算所述目标特征与所述聚类结果中各聚类簇的簇中心之间的欧氏距离，以最终选定与所述目标特征具有最小欧式距离的簇中心所对应聚类簇作为目标聚类簇。
由于已先将第一预设特征库进行聚类且确定了所述目标特征所属目标聚类聚，故可以只将所述目标特征与目标聚类簇中所包括的各预设特征进行比对，而非与整个第一预设特征库进行比对，有效降低了特征比对次数，提高了特征比对效率。
其中，在将所述目标特征与所述目标聚类簇中各预设特征进行比对时，采用的是密文内积的比对方式。即先确定所述目标特征的第一特征，且所述第一特征为对所述目标特征行编码得到的目标多项式。考虑到不同的识别场景对特征的编码方式有不同的需求，那么为了进一步适应个性化的编码需求，还可采用下述方式1-方式2来对目标特征得到所述第一特征，使得所述第一特征的获取方式更加多维。下面分别说明：
方式1：对目标特征进行转置。
一些实施方式中，所述获取所述目标特征的第一特征，包括：
将所述目标特征进行转置，得到第一向量；
将所述第一向量的维数确定为多项式的项数，并根据所述项数构建第一初始多项式，其中，所述第一初始多项式中每项的系数为1，所述第一初始多项式中每项的幂指数由0开始，以1为步长依次递进至N，N为所述第一向量的维数与1的差值；
利用所述第一向量中的每个分量依次替换所述第一初始多项式中每项的系数，得到所述第一特征。
例如：当所述目标特征为(1,2,3,4,5,6,7,8)时，将其转置后所得到的第一向量为(1,2,3,4,5,6,7,8)，维数为8；则构建的所述第一初始多项式的项数为8，所述第一初始多项式可以表示为：x0+x1+x2+x3+x4+x5+x6+x7；
进一步地，利用所述第一向量(1,2,3,4,5,6,7,8)的每个分量依次替换所述第一初始多项式中每项的系数，得到所述第一特征为：
1*x0+2*x1+3*x2+4*x3+5*x4+6*x5+7*x6+8*x7；
且上述第一特征可简化表示为1+2x+3x2+4x3+5x4+6x5+7x6+8x7。
可见，当目标特征是采用直接转置的方式进行编码得到第一特征时，因只需将目标特征转置为第一向量，然后以第一向量的每个分量依次替换第一初始多项式中每项的系数，故编码转换过程简单，计算量低，提高了编码效率。当作为特征比对步骤之一的目标特征的编码效率提高时，整个特征比对的过程的效率也随之而提高。
方式2：随机编码
可选的，在本申请实施例的一些实施例中，所述获取所述目标特征的第一特征，包括：
对所述目标特征中各个分量的位置进行随机切换，得到第二向量；
获取所述第二向量的维数；
将所述第二向量的维数确定为多项式的项数，并根据所述项数构建第二初始多项式，其中，所述第二初始多项式中每项的系数为1，所述第二初始多项式中每项的幂指数由0开始，以1为步长依次递进至N，N为所述第二向量的维数与1的差值；
利用所述第二向量中的每个分量依次替换所述第二初始多项式中每项的系数，得到所述第一特征。
例如：当所述目标特征为(f1，f2，f3)时，各个分量的位置进行随机切换后，得到的所述第二向量为(f3，f1，f2)，维数为3；相应的所构建的第二初始多项式的项数为3，且所述第二初始多项式可以表示为：x0+x1+x2；
之后利用所述第二向量(f3，f1，f2)的每个分量依次替换所述第二初始多项式中每项的系数，得到所述第一特征表示为：f3*x0+f1*x1+f2*x2。
可见，以分量位置随机切换的方式对目标特征进行编码，使得到的第一特征具有随机性。由于用于执行人脸识别的第一特征的随机性，所以使人脸识别过程中的数据更加难以破解，从而提高数据安全性。
当获取到了所述目标特征进行编码后得到的第一特征后，可以将所述第一特征与所述目标聚类簇中各预设特征进行同态乘法，得到内积集合。其中，所述目标聚类簇中包括的各预设特征可以是由历史人脸编码特征进行同态加密得到，以供人脸识别时进行人脸比对使用。当然具体实施时并不局限于目标聚类簇中包括的各预设特征是由历史人脸编码特征进行同态加密得到，而是多个预设特征库组成的完成的特征库中所包括的各预设特征均是由历史人脸编码特征进行同态加密得到。
例如，以多个预设特征库或是目标聚类簇中其中一个预设特征为例，其获取过程如下：该预设特征对应一个明文状态的历史人脸特征，将该明文状态的历史人脸特征进行如上述方式1的对历史人脸特征进行转置编码或是如上述方式2对历史人脸特征进行随机编码的方式得到密文状态的预设特征，此时可以多个预设特征库中各预设特征也是一个多项式表达。
之后在将所述第一特征与所述目标聚类簇中各预设特征进行同态乘法得到内积集合，具体是将所述第一特征与所述目标聚类簇中各预设特征对应的多项式表达进行同态乘法，如所述第一特征为1+x+x2+x3+x4+x5+x6+x7，所述目标聚类簇中任意一个预设特征对应表示为1+2x+3x2+4x3+5x4+6x5+7x6+8x7，则将第一特征与历史密文特征进行下述同态乘法运算：
(1+x+x2+x3+x4+x5+x6+x7)*(1+2x+3x2+4x3+5x4+6x5+7x6+8x7)
＝(-34)+(-30x)+(-24x2)+(-16x3)+(-6x4)+6x5+20x6+36x7mod(x8+1)
经过上述同态乘法运算得到内积为36。
可以参考上述第一特征与所述目标聚类簇中任意一个预设特征的同态乘法计算过程，可以计算获取到所述第一特征与所述目标聚类簇中其他预设特征的同态乘法的内积结果，从而组成内积集合。
在获取到了所述内积集合后，可以先获取所述内积集合中超出预设内积阈值的内积组成目标内积集合，之后获取所述目标内积集合中各目标内积对应的预设特征组成所述第一识别结果。其中，所述第一识别结果包括若干个预设特征，且每一预设特征与所述第一特征的内积结果表示所述目标特征与对应预设特征之间的相似度。由于上述基于密文内积的特征比对过程是在GPU显存中进行，而GPU显存是具有独立存储空间和显存处理器，相较于将特征比对在CPU中进行更加高效快速，故能更加快速的得到第一识别结果。
204、服务器输出所述识别结果。
在本申请实施例中，当在服务器中获取到所述识别结果后，可以对其直接显示以供用户直观查看。
可见，通过本方案，在智慧医疗、智慧安防、智慧城市、智慧教育等场景，当人脸识别系统中的服务器接收到了图像采集装置上传的待识别人脸图像并对应提取目标特征后，服务器可以按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果。由于所述目标特征与各预设特征库进行比对时是优先与特征比对优先等级最高的预设特征库进行比对，再与特征比对优先等级次之的预设特征库进行比对，极有可能在与优先与特征比对优先等级最高的预设特征库进行比对即可获取到最终的识别结果，无需再与特征比对优先等级低的其他预设特征库进行比对，降低了整个特征比对的工作量，从而提高了识别结果的获取效率。
参阅图4，图4为本申请实施例中人脸识别系统中服务器的一种结构示意图。如图4所示的一种人脸识别系统中服务器10的结构示意图(服务器10也可以理解为人脸识别装置)，其可应用于智慧医疗、智慧安防、智慧城市、智慧教育等场景。本申请实施例中的人脸识别系统中的服务器能够实现对应于上述图2所对应的实施例中服务器所执行的人脸识别方法的步骤。人脸识别系统实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。如图4所示所述服务器10具体包括收发模块11和处理模块12，收发模块11和处理模块12功能实现可参考图2所对应的实施例中所执行的操作，此处不作赘述。
一些实施方式中，所述人脸识别装置(即服务器10)包括收发模块11和处理模块12；
所述收发模块11，用于接收所述处理模块的控制进行收发操作；
所述处理模块12，用于获取待识别人脸图像的目标特征；
所述处理模块12，用于还按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果；输出所述识别结果。
可见，通过本方案，在智慧医疗、智慧安防、智慧城市、智慧教育等场景，当人脸识别系统中的服务器接收到了图像采集装置上传的待识别人脸图像并对应提取目标特征后，服务器可以按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果。由于所述目标特征与各预设特征库进行比对时是优先与特征比对优先等级最高的预设特征库进行比对，再与特征比对优先等级次之的预设特征库进行比对，极有可能在与优先与特征比对优先等级最高的预设特征库进行比对即可获取到最终的识别结果，无需再与特征比对优先等级低的其他预设特征库进行比对，降低了整个特征比对的工作量，从而提高了识别结果的获取效率。
上面从模块化功能实体的角度对本申请实施例中的人脸识别系统进行了描述，下面从硬件处理的角度分别对本申请实施例中的人脸识别装置进行描述。
需要说明的是，在本申请实施例各实施例(包括图4所示的各实施例)中所有的收发模块对应的实体设备可以为收发器，所有的处理模块对应的实体设备可以为处理器。当其中一种装置具有如图4所示的结构时，处理器、收发器和存储器实现前述对应该装置的装置实施例提供的所述收发模块和所述处理模块相同或相似的功能，图5中的存储器存储处理器执行上述人脸识别方法时需要调用的计算机程序。
图4所示的系统可以具有如图5所示的结构，当图4所示的装置具有如图5所示的结构时，图5中的处理器能够实现前述对应该装置的装置实施例提供的所述处理模块相同或相似的功能，图5中的收发器能够实现前述对应该装置的装置实施例提供的所述收发模块相同或相似的功能，图5中的存储器存储处理器执行上述人脸识别方法时需要调用的计算机程序。在本申请实施例图4所示的实施例中的所述收发模块所对应的实体设备可以为输入输出接口，所述处理模块对应的实体设备可以为处理器。
本申请实施例还提供了另一种终端设备，如图6所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(英文全称：Personal Digital Assistant，英文简称：PDA)、销售终端(英文全称：Point of Sales，英文简称：POS)、车载电脑等任意终端设备，以终端为手机为例：
图6示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图6，手机包括：射频(英文全称：Radio Frequency，英文简称：RF)电路610、存储器620、输入单元630、显示单元640、传感器650、音频电路660、无线保真(英文全称：wirelessfidelity，英文简称：Wi-Fi)模块670、处理器680、以及电源690等部件。本领域技术人员可以理解，图6中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图6对手机的各个构成部件进行具体的介绍：
RF电路610可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器680处理；另外，将设计上行的数据发送给基站。通常，RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(英文全称：LowNoise Amplifier，英文简称：LNA)、双工器等。此外，RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(英文全称：Global System of Mobilec ommunication，英文简称：GSM)、通用分组无线服务(英文全称：General Packet RadioS ervice，英文简称：GPRS)、码分多址(英文全称：Code Division Multiple Access，英文简称：CDMA)、宽带码分多址(英文全称：Wideband Code Division Multiple Access,英文简称：WCDMA)、长期演进(英文全称：LongTerm Evolution，英文简称：LTE)、电子邮件、短消息服务(英文全称：Short MessagingService，英文简称：SMS)等。
存储器620可用于存储软件程序以及模块，处理器680通过运行存储在存储器620的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器620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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元630可包括触控面板631以及其他输入设备632。触控面板631，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器680，并能接收处理器680发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632。具体地，其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元640可包括显示面板641，可选的，可以采用液晶显示器(英文全称：LiquidCrystal Display，英文简称：LCD)、有机发光二极管(英文全称：Organic Light-EmittingDiode,英文简称：OLED)等形式来配置显示面板641。进一步的，触控面板631可覆盖显示面板641，当触控面板631检测到在其上或附近的触摸操作后，传送给处理器680以确定触摸事件的类型，随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图6中，触控面板631与显示面板641是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板631与显示面板641集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器650，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板641的亮度，接近传感器可在手机移动到耳边时，关闭显示面板641和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路660、扬声器661，传声器662可提供用户与手机之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号，传输到扬声器661，由扬声器661转换为声音信号输出；另一方面，传声器662将收集的声音信号转换为电信号，由音频电路660接收后转换为音频数据，再将音频数据输出处理器680处理后，经RF电路610以发送给比如另一手机，或者将音频数据输出至存储器620以便进一步处理。
Wi-Fi属于短距离无线传输技术，手机通过Wi-Fi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了Wi-Fi模块670，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。
处理器680是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器680可包括一个或多个处理单元；优选的，处理器680可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器680中。
手机还包括给各个部件供电的电源690(比如电池)，电源可以通过电源管理系统与处理器680逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该手机所包括的处理器680还具有控制执行以上由图2所示的人脸识别方法的流程图。
图7是本申请实施例提供的一种服务器结构示意图，该服务器720可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(英文全称：centralprocessing units，英文简称：CPU)722(例如，一个或一个以上处理器)和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器722可以设置为与存储介质730通信，在服务器720上执行存储介质730中的一系列指令操作。
服务器720还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口758，和/或，一个或一个以上操作系统741，例如Windows Server，Mac OS X，Unix,Linux，FreeBSD等等。
上述实施例中由服务器所执行的步骤可以基于该图7所示的服务器720的结构。例如上述实施例中由图2所示的服务器的步骤可以基于该图7所示的服务器结构。例如，所述处理器7202通过调用存储器732中的指令，执行以下操作：
获取待识别人脸图像的目标特征；
所述处理模块，用于还按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果；
通过输入输出接口758输出所述识别结果。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例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，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。

Claims (7)

1.一种人脸识别方法，应用于人脸识别系统中的服务器，所述人脸识别系统还包括多个图像采集装置，其特征在于，所述服务器包括按照热度值划分的多种存储单元，各存储单元用于存储基于全同态加密的预设特征库，所述方法包括：
获取待识别人脸图像的目标特征；
按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果；
输出所述识别结果；
所述按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果之前，所述方法还包括：
若确定当前系统时间满足预设的特征库更新条件，基于当前系统时间确定历史查询时间段；
获取初始特征库中各预设特征在所述历史查询时间段中的用户基础信息查询频率，所述用户基础信息查询频率包括预设特征查询频率、居民信息查询频率、通勤信息查询频率中的至少一项；
根据各预设特征的用户基础信息查询频率确定初始特征库中各预设特征的热度值；
根据各预设特征的热度值，将所述初始特征库划分为多个预设特征库并存储到对应的存储单元；
所述根据各预设特征的热度值，将所述初始特征库划分为多个预设特征库并存储到对应的存储单元，包括：
获取所述初始特征库中的各预设特征的热度值；
将所述初始特征库中热度值高于第一阈值的预设特征划分到第一预设特征库，将热度值高于第二阈值且小于所述第一阈值的预设特征划分到第二预设特征库，以及将热度值小于所述第二阈值的预设特征划分到第三预设特征库；
将所述第一预设特征库存储于GPU显存，将所述第二预设特征库存储于Faiss数据库，以及将所述第三预设特征库存储于硬盘；
所述将所述初始特征库中热度值高于第一阈值的预设特征划分到第一预设特征库，将热度值高于第二阈值且小于所述第一阈值的预设特征划分到第二预设特征库，以及将热度值小于所述第二阈值的预设特征划分到第三预设特征库之后，所述方法还包括：
将所述第一预设特征库中热度值高于第三阈值的预设特征划分到第四预设特征库；
获取所述第四预设特征库中各预设特征所对应用户的用户基础信息；其中，所述基础信息包括居民住宿信息和通勤信息；
基于所述第四预设特征库中各预设特征所对应用户的用户基础信息及预设的用户分类策略，确定各预设特征所对应用户的用户分类；其中，所述用户分类是重点人群类型或非重点人群类型；
将所述第四预设特征库中用户分类为重点人群类型的各预设特征划分至第五预设特征库，将所述第四预设特征库中用户分类为非重点人群类型的各预设特征划分至第六预设特征库；
将所述第五预设特征库保存以作为所述第一预设特征库；
将所述第六预设特征库与所述第二预设特征库进行合并，以更新所述第二预设特征库。
2.根据权利要求1所述的方法，其特征在于，所述按照各存储单元的热度值从高至低的顺序，各预设特征库的特征比对优先等级，分别将所述目标特征与各预设特征库进行比对得到识别结果，所述方法包括以下项之一：
若所述第一预设特征库中匹配到与所述目标特征匹配的目标预设特征，则将目标预设特征与所述目标特征的匹配结果作为所述识别结果；
或者，若所述第一预设特征库中未匹配到与所述目标特征匹配的预设特征，则将所述目标特征与所述第二预设特征库进行匹配，并将匹配得到的第二预设目标特征与所述目标特征的匹配结果作为所述识别结果；
或者，若所述第一预设特征库、所述第二预设特征库中均未匹配到与所述目标特征匹配的预设特征，则将所述目标特征与所述第三预设特征库进行匹配，并将匹配得到的第三预设目标特征与所述目标特征的匹配结果作为所述识别结果。
3.根据权利要求2所述的方法，其特征在于，所述若所述第一预设特征库中匹配到与所述目标特征匹配的目标预设特征，则将目标预设特征与所述目标特征的匹配结果作为所述识别结果，所述方法包括：
基于所述第一预设特征库聚类得到聚类结果；
将所述目标特征与所述聚类结果中各聚类簇进行匹配，确定所述目标特征所属的目标聚类簇；
获取所述目标特征的第一特征，所述第一特征为对所述目标特征行编码得到的目标多项式；
将所述第一特征与所述目标聚类簇中各预设特征进行同态乘法，得到内积集合；
根据内积集合确定识别结果。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述获取待识别人脸图像的目标特征之前，所述方法还包括：
获取业务需求信息及多个图像采集装置的实时状态信息；
基于所述业务需求信息及多个图像采集装置的实时状态信息，确定服务器资源调度信息。
5.一种人脸识别装置，其特征在于，所述人脸识别装置包括收发模块及处理模块；
所述收发模块，用于接收所述处理模块的控制进行收发操作；
所述处理模块，用于执行如权利要求1-4中任一项所述的方法。
6.一种人脸识别装置，其特征在于，所述装置包括：
至少一个处理器、存储器和收发器；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-4中任一项所述的方法。
CN202210772735.0A 2022-06-30 2022-06-30 人脸识别方法、装置及存储介质 Active CN115050079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210772735.0A CN115050079B (zh) 2022-06-30 2022-06-30 人脸识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210772735.0A CN115050079B (zh) 2022-06-30 2022-06-30 人脸识别方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115050079A CN115050079A (zh) 2022-09-13
CN115050079B true CN115050079B (zh) 2023-08-01

Family

ID=83165435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210772735.0A Active CN115050079B (zh) 2022-06-30 2022-06-30 人脸识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115050079B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112785369A (zh) * 2020-12-31 2021-05-11 网银在线（北京）科技有限公司 用户所属人群的确定方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201206203D0 (en) * 2012-04-05 2012-05-23 Dunbridge Ltd Authentication in computer networks
CN105447361B (zh) * 2014-08-27 2018-08-21 华为技术有限公司 加密和相似性度量的方法、终端及服务器
CN111125417B (zh) * 2019-12-30 2023-03-31 深圳云天励飞技术有限公司 一种数据搜索方法、装置、电子设备及存储介质
CN112488078A (zh) * 2020-12-23 2021-03-12 浙江大华技术股份有限公司 一种人脸比对方法、装置及可读存储介质
CN113553610B (zh) * 2021-09-22 2021-12-31 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于同态加密和可信硬件的多方隐私保护机器学习方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112785369A (zh) * 2020-12-31 2021-05-11 网银在线（北京）科技有限公司 用户所属人群的确定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115050079A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
US11244672B2 (en) Speech recognition method and apparatus, and storage medium
CN106919918B (zh) 一种人脸跟踪方法和装置
JP6311194B2 (ja) 連絡先グルーピング方法および装置
CN109213732B (zh) 一种改善相册分类的方法、移动终端及计算机可读存储介质
CN107729815B (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN111209423B (zh) 一种基于电子相册的图像管理方法、装置以及存储介质
CN114973351B (zh) 人脸识别方法、装置、设备及存储介质
WO2017088434A1 (zh) 人脸模型矩阵训练方法、装置及存储介质
CN110674112A (zh) 一种数据查询的方法、装置及电子设备
CN112270238A (zh) 一种视频内容识别方法和相关装置
CN115376192B (zh) 用户异常行为确定方法、装置、计算机设备及存储介质
CN115050079B (zh) 人脸识别方法、装置及存储介质
CN115546516A (zh) 人员聚档方法、装置、计算机设备及存储介质
CN116071614A (zh) 样本数据处理方法、相关设备及存储介质
CN115909186B (zh) 图像信息识别方法、装置、计算机设备及存储介质
CN115412726B (zh) 视频真伪检测方法、装置及存储介质
CN115565215B (zh) 一种人脸识别算法切换方法、装置及存储介质
WO2019128563A1 (zh) 应用冻结方法和装置、存储介质和终端
CN115525554B (zh) 模型的自动化测试方法、系统及存储介质
CN116386647B (zh) 音频验证方法、相关装置、存储介质及程序产品
CN116756350A (zh) 多媒体数据处理方法、装置、计算机设备及存储介质
CN116244071A (zh) 资源调整方法、相关设备及存储介质
CN116363490A (zh) 伪造对象检测方法、相关装置及存储介质
CN115984643A (zh) 模型训练方法、相关设备及存储介质
CN116030831A (zh) 音频真伪检测方法、相关装置及存储介质

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