CN115439938B - 一种防分裂的人脸档案数据归并处理方法及系统 - Google Patents

一种防分裂的人脸档案数据归并处理方法及系统 Download PDF

Info

Publication number
CN115439938B
CN115439938B CN202211101913.3A CN202211101913A CN115439938B CN 115439938 B CN115439938 B CN 115439938B CN 202211101913 A CN202211101913 A CN 202211101913A CN 115439938 B CN115439938 B CN 115439938B
Authority
CN
China
Prior art keywords
image
block
blocks
condensation
value
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
CN202211101913.3A
Other languages
English (en)
Other versions
CN115439938A (zh
Inventor
高辉
陈明晖
彭祖怡
谭玉珍
刘鉴
张小莉
赵勇
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.)
Hunan Intelligent Police Public Security Technology Research Institute Co ltd
Original Assignee
Hunan Intelligent Police Public Security Technology Research Institute 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 Hunan Intelligent Police Public Security Technology Research Institute Co ltd filed Critical Hunan Intelligent Police Public Security Technology Research Institute Co ltd
Priority to CN202211101913.3A priority Critical patent/CN115439938B/zh
Publication of CN115439938A publication Critical patent/CN115439938A/zh
Application granted granted Critical
Publication of CN115439938B publication Critical patent/CN115439938B/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
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种防分裂的人脸档案数据归并处理方法及系统，获取多个不同的图像，分别把每个图像进行分割成若干个分割块，并将所有图像得到的分割块组成的集合作为分割块集合，通过将分割块集合进行缩合得到若干个缩合块，输入图像，使用缩合块对图像进行归并处理，实现了减少图像存储数据冗余的有益效果。

Description

一种防分裂的人脸档案数据归并处理方法及系统
技术领域
本公开属于数据处理领域，具体涉及一种防分裂的人脸档案数据归并处理方法及系统。
背景技术
人脸档案数据是指在收录用户信息的过程中收集到的人类面部的图像数据，而人脸档案数据的防分裂是针对人脸图像在图像特征分割的过程中产生的特征分割混乱与特征归档冗余的现象而提出的技术。在数据处理的应用中，人脸档案数据的防分裂主要分为分割和归档两个部分，人脸档案数据的分割目前主要使用基于深度学习的预训练的大规模神经网络，但是神经网络的计算成本相当庞大，而人脸数据的归档也是大数据集群中时间复杂度极高的一个技术难题。在公开号为CN112069543A的专利文献中提供了一种基于大数据的档案智能分析管理系统，通过身份信息筛选和人脸识别认证进行登录，调取登录成功人员的个人电子档案，并对本人的档案进行分类，但其中各模块仅是依靠现有的人脸图像技术，没有提出对时间复杂度提出有效的解决方案。而公开号为CN1265323C的专利文献中提供了一种高压缩比人像编解码方法，分别对形状信息进行链编码以及对背景区域进行插值编码所得符号流进行算术编码，将人脸图像进行颜色空间变换，尽管可以既保持了高视觉质量又提高了压缩比，但是仍不足以解决人脸档案数据归并过程中数据之间比较再归并的时间成本冗余的问题。
发明内容
本发明的目的在于提出一种防分裂的人脸档案数据归并处理方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本公开提供了一种防分裂的人脸档案数据归并处理方法及系统，获取多个不同的图像再分别把每个图像进行分割成若干个分割块，将所有图像得到的分割块组成的集合作为分割块集合，进而将分割块集合进行缩合得到若干个缩合块，再使用缩合块对图像进行归并处理。
为了实现上述目的，根据本公开的一方面，提供一种防分裂的人脸档案数据归并处理方法，所述方法包括以下步骤：
S100，获取多个不同的图像；
S200，分别把每个图像进行分割成若干个分割块；
S300，将所有图像得到的分割块组成的集合作为分割块集合；
S400，将分割块集合进行缩合，得到若干个缩合块；
S500，输入图像，使用缩合块，对图像进行归并处理。
进一步地，在S100中，获取多个不同的图像的方法为：通过输入设备获取多个图像矩阵，输入设备可为计算机的输入设备或者摄像设备；或者通过数据库获取多个图像矩阵；图像矩阵为人脸的图像。
进一步地，在S200中，分别把每个图像进行分割成若干个分割块的方法为：对每一个图像的图像矩阵进行归一化和灰度化的处理，将每个图像矩阵的大小统一，将图像矩阵中每个像素点的像素值皆转化为属于[0,255]的数值，再将属于[0,255]的数值通过归一化算法转化为属于[0,1]的数值；
为每个图像矩阵加上其对应的唯一标识的序号；
再对每个图像矩阵使用人脸五官图像分割算法，将每个图像矩阵分割成若干个子图像矩阵，把得到的所有的子图像矩使用归一化算法处理成相同的形状和大小后，一个子图像矩阵即为一个分割块。
进一步地，在S300中，将所有图像得到的分割块组成的集合作为分割块集合的方法为：
记所有的图像的数量为n，记所有的图像组成的集合为Pset，并记其中的图像的序号为i，i∈[1,n]，Pset中序号为i的元素为P(i)；
各P(i)的图像矩阵的大小皆为hn行ln列，P(i)的图像矩阵中行的序号为hi，P(i)的图像矩阵中列的序号为li，li∈[1,ln]，hi∈[1,hn]，P(i)的图像矩阵中行序号为hi列序号为li的元素的像素值为P(i,hi,li)；
记从P(i)得到的分割块的数量为t，从P(i)得到的分割块中分割块的序号为d，d∈[1, t]，P(i)得到的分割块中序号为d的分割块记作P(i,d)；
分割块P(i,d)为hm行lm列的图像矩阵，P(i,d)的图像矩阵中行的序号为hj，P(i,d)的图像矩阵中列的序号为lj，lj∈[1,lm]，hj∈[1,hm]，P(i,d)中行序号为hj列序号为lj的元素的像素值为P(i,d,hj,lj)；
将所有的图像分割得到的各分割块P(i,d)组成的集合作为分割块集合。
进一步地，在S400中，将分割块集合进行缩合，得到若干个缩合块的方法具体为：
S401，设置集合Bset作为收集缩合块的具有互异性的集合，Bset的初始值为空集；
从Pset中获取一个图像P(i)，将Pset中除P(i)外的各图像的序号记为i1，i1∈[1,n]，以此将Pset中除P(i)外的各图像记为P(i1)；
P(i1)的图像矩阵的行和列的序号和数量的表示方法与P(i1)保持一致，从P(i1)得到的分割块的数量也为t，同理，P(i1)得到的分割块中序号为d的分割块记作P(i1,d)，P(i1)中分割块的图像矩阵的行和列的序号和数量的表示方法与P(i,d)保持一致，则P(i1,d)中行序号为hj列序号为lj的元素的像素值为P(i1,d,hj,lj)；
S402，从由P(i)得到的各分割块中抽取出一个分割块P(i,d)；
S403，从由P(i1)得到的各分割块中抽取出一个分割块P(i1,d)；
S404，根据分割块P(i1,d)，将分割块P(i,d)中各行各列的元素的像素值进行更新分别得到其信号闭合值：用r表示P(i,d,hj,lj)更新后的信号闭合值，以exp表示以自然数e的平方根为底的指数函数，以Log表示以自然数e的平方根为底的对数函数；
计算P(i,d)中行序号为hj的行的指总数F(i,d,hj)，F(i,d,hj)的数值等于：
;
计算P(i,d)中列序号为lj的列的指总数F(i,d,lj)，F(i,d,lj)的数值等于：
;
计算P(i1,d)中行序号为hj的行的指总数F(i1,d,hj)，F(i1,d,hj)的数值等于：
;
计算P(i1,d)中列序号为lj的列的指总数F(i1,d,lj)，F(i1,d,lj)的数值等于：
;
进而得到r的数值的计算公式为:
r=Log(exp(P(i,d,hj,lj))/exp(P(i1,d,hj,lj)))*|exp(P(i,d,hj,lj))/(F(i,d,lj)*F(i,d,hj))-exp(P(i1,d,hj,lj))/(F(i1,d,lj)* F(i1,d,hj))| ;（其中，需要计算指总数以及信号闭合值，是由于当多个图像矩阵并列成为序列以后，图像各个位置的数据特征难以对齐，在不对齐的情况之下尽管对图像进行了分割但分割的结果还是不足以计算相互之间的不同点的，所以计算各行列方向上的指总数有利于在对齐的情况下精确衡量各分割块的数据特征的总体概率分布，在此基础上信号闭合值对各分割块的数据特征的总体概率分布进行总体之间的对比，这有利于识别出各分割块之间的相同点与不同点）；
由此使用r的数值作为P(i,d,hj,lj)更新后的信号闭合值，即更新后P(i,d,hj,lj)的信号闭合值为r；
将P(i,d)更新后的分割块，称为P(i,d)与P(i1,d)的更新后分割块；
S405，根据S403至S404的步骤，分别计算所述分割块P(i,d)与P(i1)中各分割块的更新后分割块，再计算各个更新后分割块的哈达玛积作为P(i,d)的基准分割块；
使用包括平均哈希算法或感知哈希算法的图像相似度算法，计算各个更新后分割块与所述基准分割块的相似度，再以其中相似度最小的更新后分割块作为P(i,d)对应P(i1)的迭代分割块；
S406，分别得到P(i)中的分割块P(i,d)对应各个P(i1)的迭代分割块，计算各个迭代分割块的缩合程度，再选出缩合程度数值最小的迭代分割块放入Bset中；
其中，迭代分割块的缩合程度的计算方法为：获取所述迭代分割块中元素的总数 为itn，获取所述迭代分割块中数值非零的元素的数量为un，计算得到所述迭代分割块中数 值非零的元素的数值的累加和作为unos，记所述迭代分割块的缩合程度为C，缩合程度的计 算公式即为 ；（其中，计算缩合程度的有益效果为： 图像存储数据冗余的程度是对各分割块进行缩合操作的测量前提，C的引入可以准确反映 出图像存储数据冗余的程度的变化趋势，更有利于迭代分割块的缩合）；
S407，遍历Pset中各个图像P(i)，对各个图像P(i)进行S402至S406的操作分别选出缩合程度数值最小的迭代分割块放入Bset中，然后输出Bset；
将输出的Bset中的各个迭代分割块作为将分割块集合进行缩合得到缩合块。
进一步地，在S500中，输入图像，使用缩合块，对图像进行归并处理的方法为：
获取所有的缩合块的数量作为bn，记在所有的缩合块中各缩合块的序号为bi，bi∈[1,bn]；在数据集群中，将数据集群的存储空间分为bn份，将bn个缩合块分别放入bn份存储空间中，bn份存储空间中每一份存储空间的序号与放入其中的缩合块的序号保持一致，记序号为bi的缩合块为V(bi)，V(bi)对应放入的存储空间记为Bloc(bi)；
将输入的图像，进行分割成若干个分割块，分别计算每一个分割块与各个缩合块之间的图像相似度，选择与该个分割块相似度数值最大的分割块对应的存储空间作为目标存储空间，并将该个分割块存储在所述目标存储空间，由此，对图像进行的归并处理，实现了减少图像存储数据冗余的有益效果。
本公开还提供了一种防分裂的人脸档案数据归并处理系统，所述一种防分裂的人脸档案数据归并处理系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种防分裂的人脸档案数据归并处理方法中的步骤，所述一种防分裂的人脸档案数据归并处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
图像获取单元，用于获取多个不同的图像；
图像分割单元，用于分别把每个图像进行分割成若干个分割块；
分割块组成单元，用于将所有图像得到的分割块组成的集合作为分割块集合；
割块集合缩合单元，用于将分割块集合进行缩合，得到若干个缩合块；
归并处理单元，用于输入图像，使用缩合块，对图像进行归并处理。
本公开的有益效果为：本公开提供了一种防分裂的人脸档案数据归并处理方法及系统，获取多个不同的图像，分别把每个图像进行分割成若干个分割块，并将所有图像得到的分割块组成的集合作为分割块集合，通过将分割块集合进行缩合得到若干个缩合块，输入图像，使用缩合块对图像进行归并处理，实现了减少图像存储数据冗余的有益效果。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种防分裂的人脸档案数据归并处理方法的流程图；
图2所示为一种防分裂的人脸档案数据归并处理系统的系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种防分裂的人脸档案数据归并处理方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种防分裂的人脸档案数据归并处理方法及系统。
本公开提出一种防分裂的人脸档案数据归并处理方法，所述方法具体包括以下步骤：
S100，获取多个不同的图像；
S200，分别把每个图像进行分割成若干个分割块；
S300，将所有图像得到的分割块组成的集合作为分割块集合；
S400，将分割块集合进行缩合，得到若干个缩合块；
S500，输入图像，使用缩合块，对图像进行归并处理。
进一步地，在S100中，获取多个不同的图像的方法为：通过输入设备获取多个图像矩阵，或者通过数据库获取多个图像矩阵，图像矩阵为人脸的图像。
进一步地，在S200中，分别把每个图像进行分割成若干个分割块的方法为：对每一个图像的图像矩阵进行归一化和灰度化的处理，将每个图像矩阵的大小统一，将图像矩阵中每个像素点的像素值皆转化为属于[0,255]的数值，再将属于[0,255]的数值通过归一化算法转化为属于[0,1]的数值；
为每个图像矩阵加上其对应的唯一标识的序号；
再对每个图像矩阵使用人脸五官图像分割算法（参考文献：[1] 沈逸. 人脸五官图像分割与清晰度匹配方法研究[D]. 武汉理工大学.），将每个图像矩阵分割成若干个子图像矩阵，把得到的所有的子图像矩使用归一化算法处理成相同的形状和大小后，一个子图像矩阵即为一个分割块。
进一步地，在S300中，将所有图像得到的分割块组成的集合作为分割块集合的方法为：
记所有的图像的数量为n，记所有的图像组成的集合为Pset，并记其中的图像的序号为i，i∈[1,n]，Pset中序号为i的元素为P(i)；
各P(i)的图像矩阵的大小皆为hn行ln列，P(i)的图像矩阵中行的序号为hi，P(i)的图像矩阵中列的序号为li，li∈[1,ln]，hi∈[1,hn]，P(i)的图像矩阵中行序号为hi列序号为li的元素的像素值为P(i,hi,li)；
记从P(i)得到的分割块的数量为t，从P(i)得到的分割块中分割块的序号为d，d∈[1, t]，P(i)得到的分割块中序号为d的分割块记作P(i,d)；
分割块P(i,d)为hm行lm列的图像矩阵，P(i,d)的图像矩阵中行的序号为hj，P(i,d)的图像矩阵中列的序号为lj，lj∈[1,lm]，hj∈[1,hm]，P(i,d)中行序号为hj列序号为lj的元素的像素值为P(i,d,hj,lj)；
将所有的图像分割得到的各分割块P(i,d)组成的集合作为分割块集合。
进一步地，在S400中，将分割块集合进行缩合，得到若干个缩合块的方法具体为：
S401，设置集合Bset作为收集缩合块的具有互异性的集合，Bset的初始值为空集；
从Pset中获取一个图像P(i)，将Pset中除P(i)外的各图像的序号记为i1，i1∈[1,n]，以此将Pset中除P(i)外的各图像记为P(i1)；
P(i1)的图像矩阵的行和列的序号和数量的表示方法与P(i1)保持一致，从P(i1)得到的分割块的数量也为t，同理，P(i1)得到的分割块中序号为d的分割块记作P(i1,d)，P(i1)中分割块的图像矩阵的行和列的序号和数量的表示方法与P(i,d)保持一致，则P(i1,d)中行序号为hj列序号为lj的元素的像素值为P(i1,d,hj,lj)；
S402，从由P(i)得到的各分割块中抽取出一个分割块P(i,d)；
S403，从由P(i1)得到的各分割块中抽取出一个分割块P(i1,d)；
S404，根据分割块P(i1,d)，将分割块P(i,d)中各行各列的元素的像素值进行更新分别得到其信号闭合值：用r表示P(i,d,hj,lj)更新后的信号闭合值，可优选地，以exp表示以自然数e为底的指数函数，以Log表示以自然数e为底的对数函数；
计算P(i,d)中行序号为hj的行的指总数F(i,d,hj)，F(i,d,hj)的数值等于：
;
计算P(i,d)中列序号为lj的列的指总数F(i,d,lj)，F(i,d,lj)的数值等于：
;
计算P(i1,d)中行序号为hj的行的指总数F(i1,d,hj)，F(i1,d,hj)的数值等于：
;
计算P(i1,d)中列序号为lj的列的指总数F(i1,d,lj)，F(i1,d,lj)的数值等于：
;
进而得到r的数值的计算公式为:
r=Log(exp(P(i,d,hj,lj))/exp(P(i1,d,hj,lj)))*|exp(P(i,d,hj,lj))/(F(i,d,lj)*F(i,d,hj))-exp(P(i1,d,hj,lj))/(F(i1,d,lj)* F(i1,d,hj))| ;
由此使用r的数值作为P(i,d,hj,lj)更新后的信号闭合值，即更新后P(i,d,hj,lj)的信号闭合值为r；
将P(i,d)更新后的分割块，称为P(i,d)与P(i1,d)的更新后分割块；
S405，根据S403至S404的步骤，分别计算所述分割块P(i,d)与P(i1)中各分割块的更新后分割块，再计算各个更新后分割块的哈达玛积作为P(i,d)的基准分割块；
使用包括平均哈希算法或感知哈希算法的图像相似度算法，计算各个更新后分割块与所述基准分割块的相似度，再以其中相似度最小的更新后分割块作为P(i,d)对应P(i1)的迭代分割块；
S406，分别得到P(i)中的分割块P(i,d)对应各个P(i1)的迭代分割块，计算各个迭代分割块的缩合程度，再选出缩合程度数值最小的迭代分割块放入Bset中；
其中，迭代分割块的缩合程度的计算方法为：获取所述迭代分割块中元素的总数 为itn，获取所述迭代分割块中数值非零的元素的数量为un，计算得到所述迭代分割块中数 值非零的元素的数值的累加和作为unos，记所述迭代分割块的缩合程度为C，缩合程度的计 算公式即为 ；
S407，遍历Pset中各个图像P(i)，对各个图像P(i)进行S402至S406的操作分别选出缩合程度数值最小的迭代分割块放入Bset中，然后输出Bset；
将输出的Bset中的各个迭代分割块作为将分割块集合进行缩合得到缩合块。
进一步地，在S500中，输入图像，使用缩合块，对图像进行归并处理的方法为：
获取所有的缩合块的数量作为bn，记在所有的缩合块中各缩合块的序号为bi，bi∈[1,bn]；在数据集群中，将数据集群的存储空间分为bn份，将bn个缩合块分别放入bn份存储空间中，bn份存储空间中每一份存储空间的序号与放入其中的缩合块的序号保持一致，记序号为bi的缩合块为V(bi)，V(bi)对应放入的存储空间记为Bloc(bi)；
将输入的图像，进行分割成若干个分割块，分别计算每一个分割块与各个缩合块之间的图像相似度，选择与该个分割块相似度数值最大的分割块对应的存储空间作为目标存储空间，并将该个分割块存储在所述目标存储空间，由此即为对图像进行的归并处理。
其中，优选地，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值。
所述一种防分裂的人脸档案数据归并处理系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种防分裂的人脸档案数据归并处理方法实施例中的步骤，所述一种防分裂的人脸档案数据归并处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
本公开的实施例提供的一种防分裂的人脸档案数据归并处理系统，如图2所示，该实施例的一种防分裂的人脸档案数据归并处理系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种防分裂的人脸档案数据归并处理方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：
图像获取单元，用于获取多个不同的图像；
图像分割单元，用于分别把每个图像进行分割成若干个分割块；
分割块组成单元，用于将所有图像得到的分割块组成的集合作为分割块集合；
割块集合缩合单元，用于将分割块集合进行缩合，得到若干个缩合块；
归并处理单元，用于输入图像，使用缩合块，对图像进行归并处理。
所述一种防分裂的人脸档案数据归并处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种防分裂的人脸档案数据归并处理系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种防分裂的人脸档案数据归并处理方法及系统的示例，并不构成对一种防分裂的人脸档案数据归并处理方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种防分裂的人脸档案数据归并处理系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，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、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种防分裂的人脸档案数据归并处理系统的控制中心，利用各种接口和线路连接整个一种防分裂的人脸档案数据归并处理系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种防分裂的人脸档案数据归并处理方法及系统的各种功能。所述存储器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，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、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。
本公开提供了一种防分裂的人脸档案数据归并处理方法及系统，获取多个不同的图像，分别把每个图像进行分割成若干个分割块，并将所有图像得到的分割块组成的集合作为分割块集合，通过将分割块集合进行缩合得到若干个缩合块，输入图像，使用缩合块对图像进行归并处理，实现了减少图像存储数据冗余的有益效果。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (4)

1.一种防分裂的人脸档案数据归并处理方法，其特征在于，所述方法包括以下步骤：
S100，获取多个不同的图像；
S200，分别把每个图像进行分割成若干个分割块；
S300，将所有图像得到的分割块组成的集合作为分割块集合；
S400，将分割块集合进行缩合，得到若干个缩合块；
S500，输入图像，使用缩合块，对图像进行归并处理；
其中，在S300中，将所有图像得到的分割块组成的集合作为分割块集合的方法为：
记所有的图像的数量为n，记所有的图像组成的集合为Pset，并记其中的图像的序号为i，i∈[1,n]，Pset中序号为i的元素为P(i)；
各P(i)的图像矩阵的大小皆为hn行ln列，P(i)的图像矩阵中行的序号为hi，P(i)的图像矩阵中列的序号为li，li∈[1,ln]，hi∈[1,hn]，P(i)的图像矩阵中行序号为hi列序号为li的元素的像素值为P(i,hi,li)；
记从P(i)得到的分割块的数量为t，从P(i)得到的分割块中分割块的序号为d，d∈[1,t]，P(i)得到的分割块中序号为d的分割块记作P(i,d)；
分割块P(i,d)为hm行lm列的图像矩阵，P(i,d)的图像矩阵中行的序号为hj，P(i,d)的图像矩阵中列的序号为lj，lj∈[1,lm]，hj∈[1,hm]，P(i,d)中行序号为hj列序号为lj的元素的像素值为P(i,d,hj,lj)；
将所有的图像分割得到的各分割块P(i,d)组成的集合作为分割块集合；
在S400中，将分割块集合进行缩合，得到若干个缩合块的方法具体为：
S401，设置集合Bset作为收集缩合块的具有互异性的集合，Bset的初始值为空集；
从Pset中获取一个图像P(i)，将Pset中除P(i)外的各图像的序号记为i1，i1∈[1,n]，以此将Pset中除P(i)外的各图像记为P(i1)；
P(i1)的图像矩阵的行和列的序号和数量的表示方法与P(i1)保持一致，从P(i1)得到的分割块的数量也为t，同理，P(i1)得到的分割块中序号为d的分割块记作P(i1,d)，P(i1)中分割块的图像矩阵的行和列的序号和数量的表示方法与P(i,d)保持一致，则P(i1,d)中行序号为hj列序号为lj的元素的像素值为P(i1,d,hj,lj)；
S402，从由P(i)得到的各分割块中抽取出一个分割块P(i,d)；
S403，从由P(i1)得到的各分割块中抽取出一个分割块P(i1,d)；
S404，根据分割块P(i1,d)，将分割块P(i,d)中各行各列的元素的像素值进行更新分别得到其信号闭合值：用r表示P(i,d,hj,lj)更新后的信号闭合值，以exp表示以自然数e的平方根为底的指数函数，以Log表示以自然数e的平方根为底的对数函数；
计算P(i,d)中行序号为hj的行的指总数F(i,d,hj)，F(i,d,hj)的数值等于：
计算P(i,d)中列序号为lj的列的指总数F(i,d,lj)，F(i,d,lj)的数值等于：
计算P(i1,d)中行序号为hj的行的指总数F(i1,d,hj)，F(i1,d,hj)的数值等于：
计算P(i1,d)中列序号为lj的列的指总数F(i1,d,lj)，F(i1,d,lj)的数值等于：
进而得到r的数值的计算公式为:
r＝Log(exp(P(i,d,hj,lj))/exp(P(i1,d,hj,lj)))*|exp(P(i,d,hj,lj))/(F(i,d,lj)*F(i,d,hj))-exp(P(i1,d,hj,lj))/(F(i1,d,lj)*F(i1,d,hj))|；
由此使用r的数值作为P(i,d,hj,lj)更新后的信号闭合值，即更新后P(i,d,hj,lj)的信号闭合值为r；
将P(i,d)更新后的分割块，称为P(i,d)与P(i1,d)的更新后分割块；
S405，根据S403至S404的步骤，分别计算所述分割块P(i,d)与P(i1)中各分割块的更新后分割块，再计算各个更新后分割块的哈达玛积作为P(i,d)的基准分割块；
使用包括平均哈希算法或感知哈希算法的图像相似度算法，计算各个更新后分割块与所述基准分割块的相似度，再以其中相似度最小的更新后分割块作为P(i,d)对应P(i1)的迭代分割块；
S406，分别得到P(i)中的分割块P(i,d)对应各个P(i1)的迭代分割块，计算各个迭代分割块的缩合程度，再选出缩合程度数值最小的迭代分割块放入Bset中；
其中，迭代分割块的缩合程度的计算方法为：获取所述迭代分割块中元素的总数为itn，获取所述迭代分割块中数值非零的元素的数量为un，计算得到所述迭代分割块中数值非零的元素的数值的累加和作为unos，记所述迭代分割块的缩合程度为C，缩合程度的计算公式即为
S407，遍历Pset中各个图像P(i)，对各个图像P(i)进行S402至S406的操作分别选出缩合程度数值最小的迭代分割块放入Bset中，然后输出Bset；
将输出的Bset中的各个迭代分割块作为将分割块集合进行缩合得到缩合块；
在S500中，输入图像，使用缩合块，对图像进行归并处理的方法为：
获取所有的缩合块的数量作为bn，记在所有的缩合块中各缩合块的序号为bi，bi∈[1,bn]；在数据集群中，将数据集群的存储空间分为bn份，将bn个缩合块分别放入bn份存储空间中，bn份存储空间中每一份存储空间的序号与放入其中的缩合块的序号保持一致，记序号为bi的缩合块为V(bi)，V(bi)对应放入的存储空间记为Bloc(bi)；
将输入的图像，进行分割成若干个分割块，分别计算每一个分割块与各个缩合块之间的图像相似度，选择与该个分割块相似度数值最大的分割块对应的存储空间作为目标存储空间，并将该个分割块存储在所述目标存储空间，由此即为对图像进行的归并处理。
2.根据权利要求1所述的一种防分裂的人脸档案数据归并处理方法，其特征在于，在S100中，获取多个不同的图像的方法为：通过输入设备获取多个图像矩阵，或者通过数据库获取多个图像矩阵，图像矩阵为人脸的图像。
3.根据权利要求1所述的一种防分裂的人脸档案数据归并处理方法，其特征在于，在S200中，分别把每个图像进行分割成若干个分割块的方法为：对每一个图像的图像矩阵进行归一化和灰度化的处理，将每个图像矩阵的大小统一，将图像矩阵中每个像素点的像素值皆转化为属于[0,255]的数值，再将属于[0,255]的数值通过归一化算法转化为属于[0,1]的数值；
为每个图像矩阵加上其对应的唯一标识的序号；
再对每个图像矩阵使用人脸五官图像分割算法，将每个图像矩阵分割成若干个子图像矩阵，把得到的所有的子图像矩使用归一化算法处理成相同的形状和大小后，一个子图像矩阵即为一个分割块。
4.一种防分裂的人脸档案数据归并处理系统，其特征在于，所述一种防分裂的人脸档案数据归并处理系统包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1中的一种防分裂的人脸档案数据归并处理方法中的步骤，所述一种防分裂的人脸档案数据归并处理系统运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心的计算设备中。
CN202211101913.3A 2022-09-09 2022-09-09 一种防分裂的人脸档案数据归并处理方法及系统 Active CN115439938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211101913.3A CN115439938B (zh) 2022-09-09 2022-09-09 一种防分裂的人脸档案数据归并处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211101913.3A CN115439938B (zh) 2022-09-09 2022-09-09 一种防分裂的人脸档案数据归并处理方法及系统

Publications (2)

Publication Number Publication Date
CN115439938A CN115439938A (zh) 2022-12-06
CN115439938B true CN115439938B (zh) 2023-09-19

Family

ID=84247029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211101913.3A Active CN115439938B (zh) 2022-09-09 2022-09-09 一种防分裂的人脸档案数据归并处理方法及系统

Country Status (1)

Country Link
CN (1) CN115439938B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118069586B (zh) * 2024-04-17 2024-06-18 南通点耐特智能科技有限公司 一种员工档案信息的传输方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104702828A (zh) * 2015-03-13 2015-06-10 四川大学 一种分块阵列块内压缩感知逐点扫描相机
CN105005765A (zh) * 2015-06-29 2015-10-28 北京工业大学 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
CN109214273A (zh) * 2018-07-18 2019-01-15 平安科技（深圳）有限公司 人脸图像比对方法、装置、计算机设备及存储介质
CN109389074A (zh) * 2018-09-29 2019-02-26 东北大学 一种基于人脸特征点提取的表情识别方法
CN110046559A (zh) * 2019-03-28 2019-07-23 广东工业大学 一种人脸识别方法
CN112287769A (zh) * 2020-10-09 2021-01-29 江汉大学 一种人脸检测方法、装置、设备和存储介质
WO2021104060A1 (zh) * 2019-11-26 2021-06-03 中国科学院深圳先进技术研究院 图像分割方法、装置及终端设备
WO2021174940A1 (zh) * 2020-03-03 2021-09-10 平安科技（深圳）有限公司 人脸检测方法与系统
CN113962136A (zh) * 2021-12-22 2022-01-21 广东工业大学 一种基于有限元的焊接后工件应力重构方法及系统
CN114782714A (zh) * 2022-02-22 2022-07-22 北京深睿博联科技有限责任公司 一种基于上下文信息融合的图像匹配方法及装置
CN114817273A (zh) * 2022-07-01 2022-07-29 湖南智警公共安全技术研究院有限公司 一种高频人车关联异常的数据识别方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005277908A (ja) * 2004-03-25 2005-10-06 Nec Access Technica Ltd 画像処理装置、その画像処理方法およびカメラつき携帯電話
US8170330B2 (en) * 2007-10-30 2012-05-01 Siemens Aktiengesellschaft Machine learning for tissue labeling segmentation
WO2011047103A2 (en) * 2009-10-13 2011-04-21 The Charles Stark Draper Laboratory, Inc. Mathematical image analysis based cell reprogramming with applications for epigenetic and non-epigenetic base induced pluripotent stem cell derivation
US8655093B2 (en) * 2010-09-02 2014-02-18 Edge 3 Technologies, Inc. Method and apparatus for performing segmentation of an image
US9501837B2 (en) * 2014-10-01 2016-11-22 Lyrical Labs Video Compression Technology, LLC Method and system for unsupervised image segmentation using a trained quality metric
US11270447B2 (en) * 2020-02-10 2022-03-08 Hong Kong Applied Science And Technology Institute Company Limited Method for image segmentation using CNN
KR102697687B1 (ko) * 2020-04-29 2024-08-23 삼성전자주식회사 이미지 병합 방법 및 이를 수행하는 데이터 처리 장치
US11508053B2 (en) * 2020-11-11 2022-11-22 Dish Network L.L.C. Systems and methods for compression artifact detection and remediation

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104702828A (zh) * 2015-03-13 2015-06-10 四川大学 一种分块阵列块内压缩感知逐点扫描相机
CN105005765A (zh) * 2015-06-29 2015-10-28 北京工业大学 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
CN109214273A (zh) * 2018-07-18 2019-01-15 平安科技（深圳）有限公司 人脸图像比对方法、装置、计算机设备及存储介质
CN109389074A (zh) * 2018-09-29 2019-02-26 东北大学 一种基于人脸特征点提取的表情识别方法
CN110046559A (zh) * 2019-03-28 2019-07-23 广东工业大学 一种人脸识别方法
WO2021104060A1 (zh) * 2019-11-26 2021-06-03 中国科学院深圳先进技术研究院 图像分割方法、装置及终端设备
WO2021174940A1 (zh) * 2020-03-03 2021-09-10 平安科技（深圳）有限公司 人脸检测方法与系统
CN112287769A (zh) * 2020-10-09 2021-01-29 江汉大学 一种人脸检测方法、装置、设备和存储介质
CN113962136A (zh) * 2021-12-22 2022-01-21 广东工业大学 一种基于有限元的焊接后工件应力重构方法及系统
CN114782714A (zh) * 2022-02-22 2022-07-22 北京深睿博联科技有限责任公司 一种基于上下文信息融合的图像匹配方法及装置
CN114817273A (zh) * 2022-07-01 2022-07-29 湖南智警公共安全技术研究院有限公司 一种高频人车关联异常的数据识别方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Jia-Hao Syu，et al.Hierarchical Image Segmentation Based on Iterative Contraction and Merging.IEEE Transactions on Image Processing.2017,第26卷(第5期),2246-2260. *
仲琛，等.基于分形编码图形表示的人脸识别算法研究.中国图象图形学报.2008,(第04期),678-685. *
刘祥楼，等.一种人脸对象的区域分割方法.科学技术与工程.2011,(第12期),60-64. *
孙海威，等.基于压缩感知的人脸识别算法实现.信息技术.2018,(第03期),163-166. *

Also Published As

Publication number Publication date
CN115439938A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
US11935644B2 (en) Deep learning automated dermatopathology
CN107944020B (zh) 人脸图像查找方法及装置、计算机装置和存储介质
CN110163111B (zh) 基于人脸识别的叫号方法、装置、电子设备及存储介质
CN107729935B (zh) 相似图片的识别方法和装置、服务器、存储介质
CN111553215B (zh) 人员关联方法及其装置、图卷积网络训练方法及其装置
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN111950408B (zh) 基于规则图的手指静脉图像识别方法、装置及存储介质
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN109918498B (zh) 一种问题入库方法和装置
CN115439938B (zh) 一种防分裂的人脸档案数据归并处理方法及系统
CN110738222A (zh) 图像匹配方法、装置、计算机设备和存储介质
CN115424053B (zh) 小样本图像识别方法、装置、设备及存储介质
CN112633281B (zh) 一种基于Hash算法车辆身份认证方法及系统
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN111145230B (zh) 一种图像配准质量检测方法、装置、设备及存储介质
CN113919421A (zh) 调整目标检测模型的方法、装置和设备
CN114550022A (zh) 模型训练方法及装置、电子设备和可读存储介质
CN118366227B (zh) 行动轨迹识别方法、装置、电子设备及存储介质
CN118172421A (zh) 视觉定位方法、装置、电子设备及存储介质
CN114241534B (zh) 一种全掌脉络数据的快速匹配方法及系统
CN116561372B (zh) 基于多算法引擎的人员聚档方法、装置及可读存储介质
CN115251953B (zh) 运动想象脑电信号识别方法、装置、终端设备及存储介质
CN118366227A (zh) 行动轨迹识别方法、装置、电子设备及存储介质
CN118053206A (zh) 基于图像的运动过程分析方法、装置、终端及存储介质

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