CN116208633A

CN116208633A - 一种人工智能服务平台系统、方法、设备及介质

Info

Publication number: CN116208633A
Application number: CN202310007537.XA
Authority: CN
Inventors: 徐东桂; 徐颖晨
Original assignee: Guangzhou Huamao Technology Development Co ltd
Current assignee: Guangzhou Huamao Technology Development Co ltd
Priority date: 2023-01-04
Filing date: 2023-01-04
Publication date: 2023-06-02

Abstract

本申请涉及一种人工智能服务平台系统、方法、设备及介质。所述人工智能服务平台系统包括后台中心、云服务器组、前端设备、应用终端，后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；其中：接入服务器组用于管理云服务器组、平台管理终端、算法处理中心的数据接入和交互；智慧服务器组用于管理接入服务器组的数据接入和交互，并对系统数据进行融合、统计、分析；存储服务器组用于对系统数据进行存储、查询、管理；算法处理中心用于对数据进行融合处理，根据集成的各类型算法提供算法服务。本申请能避免对高性能服务器的依赖，大大降低系统建设的成本。

Description

一种人工智能服务平台系统、方法、设备及介质

技术领域

本申请涉及大数据监控、融合、服务技术领域，更为具体来说，本申请涉及一种人工智能服务平台系统、方法、设备及介质。

背景技术

在目前许多应用场景中采用的多是传统的智能化系统，比如楼宇对讲系统、门禁系统、监控系统等等。以传统的物业智能化系统为例，其通常由各个子系统组成，如：楼宇对讲子系统、门禁子系统、停车管理子系统、监控子系统等。各个子系统之间相互独立，提供的功能简单有限，数据共享难度大且不集中，难以进行数据的统计分析，导致智能程度相对较低。

然而，传统的智能化系统一般不集成视觉识别算法，所以需要值班人员全天候进行监视判断，也需要有巡逻人员定时巡检各区域，工作量大，这样的做法需要投入较大的人力成本，发现问题的实时性差，基本上都是事后解决问题，无法达到防患于未然的效果。

发明内容

基于上述技术问题，本发明旨在通过人工智能服务平台系统的三层相互独立的物理网络结构、前端视觉识别算法、大数据融合处理技术和多维数据仓存储技术，通过前端视觉算法实时智能识别目标，提取有效信息并主动提供相应智能处理服务，通过独特的后台中心结构实现数据的安全接入并对安全接入的数据进行融合、统计、分析、存储、查询，根据应用终端提供的实际需求给出智能服务，以解决传统智能系统中的成本高、实时性差及无法达到防患于未然效果的问题。

本发明第一方面提供了一种人工智能服务平台系统，所述人工智能服务平台系统包括后台中心、云服务器组、前端设备、应用终端，所述前端设备与所述云服务器组通信连接，所述后台中心与所述云服务器组通信连接；所述后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；其中：

所述接入服务器组用于管理云服务器组、平台管理终端、算法处理中心的数据接入和交互；

所述智慧服务器组用于管理接入服务器组的数据接入和交互，并对系统数据进行融合、统计、分析；

所述存储服务器组用于对系统数据进行存储、查询、管理；

所述算法处理中心用于对数据进行融合处理，根据集成的各类型算法提供算法服务；

所述云服务器组用于管理前端设备的数据接入和交互，并将数据汇入后台中心；

所述前端设备用于根据集成的视觉算法提供相应的智能服务；

所述应用终端用于根据不同的应用需求经由后台中心进行数据融合处理以提供相应的需求服务。

在本发明的一些实施例中，在所述接入服务器组实现用于管理云服务器组的数据接入的功能时，执行确定出云服务器组输入的数据具备安全性的步骤。

在本发明的一些实施例中，在对系统数据进行融合、统计、分析之后，还包括：根据分析结果判定所述系统数据是否异常，若异常，则给出对应的应急处理。

在本发明的一些实施例中，所述视觉算法包括视觉识别算法，所述视觉识别算法用于对目标对象的智能识别。

在本发明的一些实施例中，所述对目标对象的智能识别包括：

获取实时视频，并将获取的实时视频转换为实时检测图；

在所述实时检测图中提取样图；

分别提取所述实时检测图和所述样图的基础特征，并比较所述实时检测图的基础特征和所述样图的基础特征；

基于所述实时检测图的基础特征和所述样图的基础特征之间的差异识别目标对象。

在本发明的一些实施例中，提取所述样图的基础特征，包括：

将所述实时检测图平均分割为多个图像块；

提取预设数目个图像块作为样图，其中，所述预设数目大于等于1；

确定所述样图中的基础特征点；

计算所述基础特征点对应的特征值。

在本发明的一些实施例中，所述计算所述基础特征点对应的特征值，包括：

计算所述基础特征点的亮度值；

计算所述基础特征点的三种预设颜色的色差值之差；

计算所述基础特征点的除去所述三种预设颜色的其它颜色特征值。

在本发明的一些实施例中，所述基于所述实时检测图的基础特征和所述样图的基础特征之间的差异识别目标对象，包括：

基于所述实时检测图的基础特征和所述样图的基础特征之间的差异确定所述实时检测图的基础特征；

根据所述实时检测图的基础特征识别目标对象。

在本发明的一些实施例中，所述智慧服务器组还用于对从所述云服务器组和所述平台管理终端接收的数据分配自适应虚拟通道，所述虚拟通道包括音频通道、图像通道、信息通道；其中，所述信息包括除去音频和图像的数据。

在本发明的一些实施例中，所述存储服务器组存储数据的方法包括：

根据从不同所述虚拟通道中获取的数据快速分类存储，以存储有效数据。

在本发明的一些实施例中，所述根据从不同所述虚拟通道中获取的数据快速分类存储，包括：

对从不同所述虚拟通道中获取的数据进行解析与分类，并根据解析与分类结果确定数据对应的存储编码；

根据所述数据对应的存储编码进行存储。

本发明第二方面提供了一种人工智能服务平台系统的实现方法，所述人工智能服务平台系统包括后台中心、云服务器组、前端设备、应用终端，所述前端设备与所述云服务器组通信连接，所述后台中心与所述云服务器组通信连接；所述后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；所述实现方法包括：

接收所述应用终端发送的智能服务请求，并接收所述云服务器组和/或所述平台管理终端输入的数据，其中，所述输入的数据包括所述前端设备的视觉处理结果数据；

基于云计算技术与大数据融合处理技术对接收的数据进行融合、统计、分析；

基于多维数据仓编码技术与自适应虚拟网技术对接收的数据进行存储，并对已存储数据进行查询或转发；

对接收的数据根据集成的各类型算法提供算法服务，并根据接收的智能服务请求提供相应的智能服务。

本发明第三方面提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行以下步骤：

本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：

本申请实施例中提供的技术方案，至少具有如下技术效果或优点：

本申请所述人工智能服务平台系统，通过三层相互独立的的物理网络，结合私有云操作系统数据通信协议，从源头解决了数据的安全问题。各类设备均内置独立的数据融合处理算法，分布式处理，将原始数据转换为有效数据后再传输至平台中心，最大限度减少地无效数据传输，大大降低通讯成本。采用独创的多维数据仓编码技术，更高效地实现数据的分布式存储和分布式融合。特别是前端设备中集成的视觉识别算法具有更高效的执行效率、更高精度的识别、更智能的统计分析的特点。系统提供的数据融合处理方法，更高效、更合理，根据不同的业务功能需求快速进行大数据的融合分析；功能融合数据只在使用的时候才生成，并不做存储，能够大大节省数据存储的成本。

本申请所述人工智能服务平台系统，硬件成本降低，其系统结构分布式、分层多级处理，大大节省了运算时间，大部分低端硬件能满足实时响应的需求，无需采用高端硬件。不仅如此，系统建设维护成本降低，因为系统前端设备通过4/5G无线网络通信，减少安装布线的成本，降低系统建设的施工量，从而大大降低系统建设和维护的成本。另外，用人成本降低，前端设备集成人工智能算法，减少人员的干涉，从而整体降低了用人的成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

通过阅读下文优选实施方式的详细描述，各种其它的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本申请一示例性实施例中一种人工智能服务平台系统的结构示意图；

图2示出了本申请一示例性实施例中一种智慧哨兵示意图；

图3示出了本申请一示例性实施例中一种人工智能服务平台系统局部结构示意图；

图4示出了本申请一示例性实施例中一种对目标对象进行识别过程流程图；

图5示出了本申请一示例性实施例中一种求基础特征点的红色特征值的统计值代码示意图；

图6示出了本申请一示例性实施例中一种虚拟通道示意图；

图7示出了本申请一示例性实施例中一种数据存储流程图；

图8示出了本申请一示例性实施例中一种数据融合工作过程示意图；

图9示出了本申请一示例性实施例中一种监控预警工作流程图；

图10示出了本申请一示例性实施例中的平台设备的备案流程图；

图11示出了本申请一示例性实施例所提供的一种计算机设备的结构示意图。

具体实施方式

以下，将参照附图来描述本申请的实施例。但是应该理解的是，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。对于本领域技术人员来说显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其它的例子中，为了避免与本申请发生混淆，对于本领域公知的一些技术特征未进行描述。

应予以注意的是，这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本申请的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其它特征、整体、步骤、操作、元件、组件和/或它们的组合。

现在，将参照附图更详细地描述根据本申请的示例性实施例。然而，这些示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施例。附图并非是按比例绘制的，其中为了清楚表达的目的，可能放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

下面结合说明书附图1-附图11给出几个实施例来描述根据本申请的示例性实施方式。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。

在本申请一些示例性实施例中，提供了一种人工智能服务平台系统，包括后台中心、云服务器组、前端设备、应用终端，所述前端设备与所述云服务器组通信连接，所述后台中心与所述云服务器组通信连接；参考图1，所述后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；其中：所述接入服务器组用于管理云服务器组、平台管理终端、算法处理中心的数据接入和交互；所述智慧服务器组用于管理接入服务器组的数据接入和交互，并对系统数据进行融合、统计、分析；所述存储服务器组用于对系统数据进行存储、查询、管理；所述算法处理中心用于对数据进行融合处理，根据集成的各类型算法提供算法服务；所述云服务器组用于管理前端设备的数据接入和交互，并将数据汇入后台中心；所述前端设备用于根据集成的视觉算法提供相应的智能服务；所述应用终端用于根据不同的应用需求经由后台中心进行数据融合处理以提供相应的需求服务。如图1所示，云服务器组(即图1中的云服务器组)与后台中心通过互联网通信，传递的数据通过接入服务器组即图1中的第一层物理网络智慧接入网，确保安全的数据再进入智慧服务器组即图1中的第二层物理网络即智慧融合功能网，实现数据的融合、统计、分析。云服务器组通过互联网网络通信技术管理接入后台中心的接入服务器组、各类型的互联网终端(智慧“哨兵”、PC端软件、移动端APP)，通过私有云操作系统数据通信协议实现数据的交互传输，解决各类功能终端用户和功能数据快速接入的问题。同时，通过系统数据交互的规则，通过算法自动调控系统数据的传输方向、传输速度、传输数据量，有效降低了公网带宽和流量的消耗。接入服务器组用于管理云服务器组、平台管理终端、算法处理中心的数据接入和交互，例如负责局域网终端设备软件和云服务器组的网络接入管理，为其提供接入平台后台的网络接口。在所述接入服务器组实现用于管理云服务器组的数据接入的功能时，执行确定出云服务器组输入的数据具备安全性的步骤，具体需根据预设协议规则进行验证。而提供给局域网终端设备软件连接的接入服务器不连接互联网，目的是保证内部局域网终端的数据安全问题。提供给云服务器组连接的接入服务器不提供局域网终端设备软件连接的接口，只负责互联网数据的交互。接入服务器组的两种不同职能，有针对性的分类处理各类前端设备、软件的数据交互问题，是平台系统各类业务数据进入后台中心的第一道大门，也是第一道防线。接入服务器组会对系统业务数据进行初步的解析筛选，过滤无效或非法数据，保证后台中心的安全；并且根据数据交互规则快速分发数据，保证数据传输的及时性。智慧服务器组属于系统数据处理中心，用于管理接入服务器组的数据接入和交互，并对系统数据进行融合、统计、分析，例如负责对数据进行网络交互传输，对数据进行融合和统计分析，自行智能处理某些问题。通过云计算技术以及独创的大数据融合处理算法，能够快速对系统数据进行融合、统计分析，根据分析结果判定所述接收的数据是否异常，若异常，则给出对应的应急处理。同时，结合内置的专家系统，在出现紧急情况时，智能匹配应急预案并进行事件处理，第一时间发现问题并解决问题。而通过存储服务器组即图1中的第三层物理网络即数据仓存储网对数据进行存储、查询、管理。存储服务器组是数据的存储中心，主要负责对系统数据的快速存储、快速查询的功能。采用专有编码的多维数据仓存储技术，快速构建多维存储空间，结合私有云操作系统数据通信协议，根据系统中唯一的设备编号、数据分组属性、数据类型等规则，进行系统数据的快速编码、分类存储、精确查询，为系统提供高效、稳定的数据存储保障。数据仓中存储的数据均为系统功能的基础数据，各类型的功能数据均通过不同的基础数据进行融合处理得出，因此数据仓中不存储功能融合数据以及其余无效数据，能够最大限度降低磁盘资源的占用，节省成本。通过这三层物理网络的防护，可以解决传统智能系统中的成本高、实时性差及无法达到防患于未然效果的问题。

不仅如此，算法处理中心集成有各种融合算法，根据集成的各类型算法提供算法服务，为系统内各类业务需求提供远程的算法处理，无需将算法集成到各个终端设备或软件中，极大程度上降低了终端设备或软件的研发成本及使用成本。算法处理中心的具体应用可以体现在用户软件部分，若将复杂的算法集成在用户软件中，那么将会对用户的硬件设备(电脑、手机等)有一定的性能要求，从而提高了用户的使用成本。所以为解决这种问题，用户软件只提供基础的数据来源，经过后台的算法处理中心进行处理，处理完成之后将结果返回至用户，这样就能够最大限度降低软件对于用户硬件设备的性能依赖。另外，后台中心为了保证数据的安全，所有的设备都是部署在局域网的环境下，唯一与互联网连接的是接入服务器组(仅部分接入服务器连接互联网，另一部分的接入服务器只连接局域网)，其中整个后台的局域网环境分开三个独立的物理网络进行各自的配置，以进一步增加后台的安全性和稳定性。平台设备管理终端主要管理整个平台系统的设备，实时监管设备的运行状态(是有故障)，设备维保管理，软件远程更新升级管理，为平台系统的设备管理提供便捷的、可视化的管理。平台业务管理终端主要是负责平台系统内各业务流程的管理，对不同终端或用户的业务流程进行管理，可以更便利地实现系统业务的监管和调配。

需要说明的是，本申请所述人工智能服务平台系统可以用于各种应用场景，根据实际中各种服务需求提供相应的智能服务，如应用于物业、园区、工作区。为物业、园区提供智能监控服务，为工作区提供智能检测、智能交互、智能识别等服务。下面的实施方式中，着重以物业、园区等管理中采用所述人工智能服务平台系统为实例进行说明。因为考虑到现有的楼宇对讲系统、门禁系统、监控系统等存在着很多明显的问题。例如，系统施工量大，需要大量埋管、布线安装，难维护，且维护管线成本高，不易更换管线，维修检修复杂繁琐。系统中的部分相互独立，智能化程度低，功能单一，实时程度低，多靠人发现问题，实用性差，效率低。再例如，需要值班人员全天候监管及人为判断，工作量大，若出现紧急情况或值班人员疏忽，有可能造成严重的后果，因此造成资源浪费，没有高效的监管手段。还例如，设备兼容性差，维护成本不可控，大量数据存取对于设备性能有很大的要求，越大型的系统、越庞大的数据量对于中心服务器设备的性能要求越高，设备的建设成本越高，且建设维护复杂，容易存在安全隐患问题。

因此，在一种优选的实现方式中，所述前端设备包括智慧哨兵，所述应用终端包括物业综合管理终端、员工端APP、业主端APP。所述智慧哨兵包括传感模块、融合算法智慧端，如图2所示，所述传感模块包括拾音器、喇叭、摄像机、气体传感器、烟雾传感器、温湿度传感器。所述智慧哨兵用于实时监控和智慧巡逻，如图3所示，智慧哨兵设置在不同的场所就构成不同的“哨兵”，如消防值班“哨兵”、节能环保“哨兵”、车辆安全巡视智慧“哨兵”、值班门锁智慧“哨兵”、公共区域安全巡视智慧“哨兵”、环境卫生巡视智慧“哨兵”，等等，在有需求的场景均可以设置。所述物业综合管理终端用于管理物业人事、员工值班、业主信息、门禁、停车、有偿服务、意见反馈；所述前端软件包括员工端软件、业主端软件。融合算法智慧端因为集成有关于视觉的各种算法，所以其直接处理传感模块接收的视频，然后将处理结果上传给后台中心，处理速度快，且大大分担了后台中心的工作负担。如图3所示，其中，员工端包括保安、值班人员、保洁、维修人员、部门负责人、领导等等。员工端APP可以实时查看小区新闻、公告通知等消息，远程控制公共门禁开锁、上锁，还能进行访客登记和工作管理，包括查看每日、周的工作安排，处理对应岗位负责的工作，如安保安全问题处理、卫生保洁、设备维修等等。通过员工端APP可以远程调取查看实时公共监控，并进行紧急事件信号接收，及时应对处理，拍照上传备案，将违规、违法、危险物品或设施拍照提交备案，安全隐患排查上报，待审核处理。物业公共设施故障报修，实时查看处理进度，查询相关工作信息的统计报表，物业管理问题、意见反馈，操作记录查询，可追溯。通过业主端APP能实时查看小区新闻、公告通知等消息，远程门禁开锁、上锁，接受门岗终端的访客电话呼叫，与访客进行可视化音视频通话。能实时查询物业费用、水电费用、燃气费用等，线上缴费，查询统计每月、每年缴费记录。还能进行停车管理、故障报修、商品采购、有偿服务、物业投诉等事宜，操作记录查询，可追溯。

具体实施时，所述智慧哨兵的工作方法包括：通过所述传感模块实时获取监控数据；设置各巡逻点和各巡逻点对应的巡逻时间，及各巡逻点的检测任务；统计预设时间段内不同巡逻点的检测结果数据；通过所述融合算法智慧端将所述监控数据和所述预设时间段内不同巡逻点的检测结果数据融合、分析，并根据分析结果判定被监控区域是否发生异常。本申请通过智慧哨兵取代传统的监控、门岗、巡逻人员，现场实时采集数据，智慧识别处理，及时发现问题、处理问题并上报问题，后台将数据进行智慧融合和智慧存储，为事件保留证据备案，从而提升了监控效率。总之，相较于人来说可以全天24小时工作，实时监管，发现并解决问题的实时性更高，提供更加完善便捷的服务管理功能和人性化的人机交互平台，可以有效降低生产管理的用人成本，提高工作效率，进而提升服务管理的智能化程度。

所述前端设备集成的视觉算法包括视觉识别算法，所述视觉识别算法用于对目标对象的智能识别。在一种优选的实现方式中，参考图4，对目标对象进行识别的工作步骤包括：获取实时视频，并将获取的实时视频转换为实时检测图；在所述实时检测图中提取样图；分别提取所述实时检测图和所述样图的基础特征，并比较所述实时检测图的基础特征和所述样图的基础特征；基于所述实时检测图的基础特征和所述样图的基础特征之间的差异识别目标对象。获取实时视频可以通过设置在不同应用场景下的前端设备中的传感模块获取。其中，提取所述样图的基础特征，包括：将所述实时检测图平均分割为多个图像块；提取预设数目个图像块作为样图，其中，所述预设数目大于等于1；确定所述样图中的基础特征点；计算所述基础特征点对应的特征值。计算所述基础特征点对应的特征值时，先计算所述基础特征点的亮度值，再计算所述基础特征点的三种预设颜色的色差值之差，最后计算所述基础特征点的除去所述三种预设颜色的其它颜色特征值。

具体实施时，综合考虑检测速度与精度等要求，对RGB图像数据进行平均分割处理，针对预设图像块，提取并检测图像块的基础特征。

基础特征的最小检测单元为：nX＝nW/mw，其中，nW为图像的宽度，mw为设置的检测列数；nY＝nH/mh，其中，nH为图像的高度，mh为设置的检测行数。

若nX小于1，则重新设置mw＝nW且nX＝1；若nY小于1，则重新设置mh＝nH且nY＝1。

最小检测单元面积为：S＝nX×nY。

基础特征点的数量为：L＝mw×mhhh。

基础特征分为十类，分别为红色(r)、绿色(g)、蓝色(b)、黄色(h)、青色(t)、紫色(s)、白色(w)、黑色(c)、灰色1(k1)、灰色2(k2)。

采样时计算基础特征点的各特征值时，先提取原图的每个像素点的R、G、B值，分别为buff(k₀)、buff(k₀+1)、buff(k₀+2)，k₀＝3×(h₀+h₁+h₂+y)，其中y为块内的像素点所在的列数，h₀、h₁、h₂的计算公式如下： h₀＝i×nY×nW，i为基础特征所在的行数。

h₁＝j×nX，j为基础特征所在的列数。

h₂＝×nW，x为块内像素点所在的行数。

第二步，计算基础特征点内的像素点个数：

sum₁＝nX×nY

第三步，设置基础特征点的各特征值判定的阈值：A₀为像素点判定为有色的阈值，B₀为像素点判定为白色的阈值，C₀为像素点判定为黑色的阈值，D₀为像素点R、G、B三色色差的阈值，E₀为像素点R、G、B三色色差最大值的阈值。

第四步，计算基础特征点的各特征值。

计算基础特征点的亮度值：

其中k₂＝i*mw+j，i为基础特征点所在行数，j为基础特征点所在的列数。

计算基础特征点的R、G、B三色的色差值之差：

计算R、G、B三色色差(绝对值)：

A＝|buff(k₀)-buff(k₀+1)|

B＝|buff(k₀)-buff(k₀+2)|

C＝|buff(k₀+1)-buff(k₀+2)|

计算R、G、B三色色差的最大值：

C_max＝Max(A,B,C)

计算R、G、B三色色差的最小值：

C_min＝Min(A,B,C)

计算各基础特征点的R、G、B三色色差值的差值：

计算特征点的白色特征值：

若同时满足以下条件：

a)亮度大于阈值B₀；

b)色差最大值小于阈值A₀；

c)色差的差值小于阈值D₀。

则d₀＝10，否则d₀＝0。

白色特征值计算公式为：

计算特征点的黑色特征值：

若同时满足以下条件：

a)亮度大于阈值C₀；

b)色差最大值小于阈值A₀；

c)色差的差值小于阈值D₀。

则d₀＝10，否则d₀＝0。

黑色特征值计算公式为：

计算特征点的红色特征值：

若同时满足以下条件：

a)色差最大值大于阈值E₀；

b)buff(k₀)>buff(k₀+1)；

c)buff(k₀)>buff(k₀+2)；

d)|buff(k₀+1)-buff(k₀+2)|为色差的最小值；e)色差的最大值与最小值的差值大于阈值D₀。则d₀＝10，否则d₀＝0。

红色特征值计算公式为：

计算特征点的绿色特征值：

若同时满足以下条件：

a)色差最大值大于阈值E₀；

b)buff(k₀+1)>buff(k₀)；

c)buff(k₀+1)>buff(k₀+2)；

d)|buff(k₀)-buff(k₀+2)|为色差的最小值；e)色差的最大值与最小值的差值大于阈值D₀。则d₀＝10，否则d₀＝0。

绿色特征值计算公式为：

计算特征点的蓝色特征值：

若同时满足以下条件：

a)色差最大值大于阈值E₀；

b)buff(k₀+2)>buff(k₀)；

c)buff(k₀+2)>buff(k₀+1)；

蓝色特征值计算公式为：

计算特征点的黄色特征值：

若同时满足以下条件：

a)色差最大值大于阈值E₀；

b)buff(k₀)>buff(k₀+2)；

c)buff(k₀+1)>buff(k₀+2)；

d)|buff(k₀)-buff(k₀+1)|为色差的最小值；e)色差的最大值与最小值的差值大于阈值D₀。则d₀＝10，否则d₀＝0。

黄色特征值计算公式为：

计算特征点的青色特征值：

若同时满足以下条件：

a)色差最大值大于阈值E₀；

b)buff(k₀)>buff(k₀+1)；

c)buff(k₀+2)>buff(k₀+1)；

青色特征值计算公式为：

/>

计算特征点的紫色特征值：

若同时满足以下条件：

a)色差最大值大于阈值E₀；

b)buff(k₀+1)>buff(k₀)；

c)buff(k₀+2)>buff(k₀)；

紫色特征值计算公式为：

计算特征点的灰色1特征值：

若同时满足以下条件：

a)色差最大值大于阈值E₀；

b)色差的最大值与最小值的差值大于阈值D₀；

c)上述③到⑩的条件都不成立。

则d₀＝10，否则d₀＝0。

灰色1特征值计算公式为：

计算特征点的灰色2特征值：

若上述③到

的条件都不成立。

则d₀＝10，否则d₀＝0。

灰色2特征值计算公式为：

然后保存采样的基础特征点的各特征值：

基础特征点的亮度值：bbuff1(k₂)＝abuff1(k₂)

基础特征点的色差值：bbuff2(k₂)＝abuff2(k₂)

基础特征点的白色特征值：bbuffw(k₂)＝abuffw(k₂)

基础特征点的黑色特征值：bbuffc(k₂)＝abuffc(k₂)

基础特征点的红色特征值：bbuffr(k₂)＝abuffr(k₂)

基础特征点的绿色特征值：bbuffg(k₂)＝abuffg(k₂)

基础特征点的蓝色特征值：bbuffb(k₂)＝abuffb(k₂)

基础特征点的黄色特征值：bbuffh(k₂)＝abuffh(k₂)

基础特征点的青色特征值：bbufft(k₂)＝abufft(k₂)

基础特征点的紫色特征值：bbuffs(k₂)＝abuffs(k₂)

基础特征点的灰色1特征值：bbuffk1(k₂)＝abuffk1(k₂)

基础特征点的灰色2特征值：bbuffk2(k₂)＝abuffk2(k₂)

提取所述实时检测图的基础特征的方法和采样中提取样图的基础特征方法相似。计算基础特征点的各特征值与采样特征值的差值时，可计算如下差值：

基础特征点的亮度特征值的差值abuff1d(k₂)，b为abuff1(k₂)与bbuff1(k₂)的最大值，若b小于1时，重新设定b的值为1。

当前检测的图像与采样图像的亮度特征值的差值为：

基础特征点的色差差值的差值abuff2d(k₂)，b为abuff2(k₂)与bbuff2(k₂)的最大值，若b小于1时，重新设定b的值为1。

当前检测的图像与采样图像的色差差值的差值为：

基础特征点的红色特征值的差值abuffrd(k₂)，若abuffr(k₂)>bbuffr(k₂)，则

否则abuffrd(k₂)＝0。

基础特征点的绿色特征值的差值abuffgd(k₂)，若abuffg(k₂)>bbuffg(k₂)，则

否则abuffgd(k₂)＝0

基础特征点的蓝色特征值的差值abuffbd(k₂)，若abuffb(k₂)>bbuffb(k₂)，则

否则abuffbd(k₂)＝0。

基础特征点的黄色特征值的差值abuffhd(k₂)，若abuffh(k₂)>bbuffh(k₂)，则

否则abuffhd(k₂)＝0。

基础特征点的青色特征值的差值abufftd(k₂)，若abufft(k₂)>bbufft(k₂)，则

否则abufftd(k₂)＝0。

基础特征点的紫色特征值的差值abuffsd(k₂)，若abuffs(k₂)>bbuffs(k₂)，则

否则abuffsd(k₂)＝0。

基础特征点的白色特征值的差值abuffwd(k₂)，若abuffw(k₂)>bbuffw(k₂)，则

否则abuffwd(k₂)＝0。

基础特征点的黑色特征值的差值abuffcd(k₂)，若abuffc(k₂)>bbuffc(k₂)，则

否则abuffcd(k₂)＝0。

基础特征点的灰色1特征值的差值abuffk1d(k₂)，若abuffk1(k₂)>bbuffk1(k₂)，则

否则abuffk1d(k₂)＝0。

基础特征点的灰色2特征值的差值abuffk2d(k₂)，若abuffk2(k₂)>bbuffk2(k₂)，则

否则abuffk2d(k₂)＝0。

在本申请的一些实施例中，基于所述实时检测图的基础特征和所述样图的基础特征之间的差异识别目标对象，包括：基于所述实时检测图的基础特征和所述样图的基础特征之间的差异确定所述实时检测图的基础特征；根据所述实时检测图的基础特征识别目标对象。其中，所述确定所述实时检测图的基础特征，包括：确定所述实时检测图中的基础特征点；计算所述实时检测图中的基础特征点对应的特征值。另外在所述确定所述实时检测图中的基础特征点之前，还包括：第一次去除检测孤点；第二次去除检测孤点。

具体地，第一次去除检测孤点时，基础特征点k₂的八个方向相连点分别为：

右：kk₁＝k₂+1

左：kk₂＝k₂-1

上：kk₃＝k₂-mw

下：kk₄＝k₂+mw

右上：kk₅＝kk₁-mw

右下：kk₆＝kk₁+mw

左上：kk₇＝kk₂-mw

左下：kk₈＝kk₂+mw

规定第一次判定的孤点阈值CC₀、CC₁、CC₂、CC₃、CC₄。

判定基础特征点k₂的红色特征值是否为孤点值

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffr(k₂)>CC₀

abuffrd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

分别判定基础特征点kk₁、kk₂、kk₃、kk₄、kk₅、kk₆、kk₇、kk₈是否满足以上条件，若满足，则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffr(k₂)＝1，否则为孤立点，标记为cbuffr(k₂)＝0。

判定基础特征点k₂的绿色特征值是否为孤点值

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffg(k₂)>CC₀

abuffgd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffg(k₂)＝1，否则为孤立点，标记为cbuffg(k₂)＝0。

判定基础特征点k₂的蓝色特征值是否为孤点值

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffb(k₂)>CC₀

abuffbd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffb(k₂)＝1，否则为孤立点，标记为cbuffb(k₂)＝0。

判定基础特征点k₂的黄色特征值是否为孤点值

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffh(k₂)>CC₀

abuffhd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffh(k₂)＝1，否则为孤立点，标记为cbuffh(k₂)＝0。

判定基础特征点k₂的青色特征值是否为孤点值

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abufft(k₂)>CC₀

abufftd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbufft(k₂)＝1，否则为孤立点，标记为cbufft(k₂)＝0。

判定基础特征点k₂的紫色特征值是否为孤点值

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffs(k₂)>CC₀

abuffsd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffs(k₂)＝1，否则为孤立点，标记为cbuffs(k₂)＝0。

判定基础特征点k₂的白色特征值是否为孤点值：

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffw(k₂)>CC₀

abuffwd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffw(k₂)＝1，否则为孤立点，标记为cbuffw(k₂)＝0。

判定基础特征点k₂的黑色特征值是否为孤点值：

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffc(k₂)>CC₀

abuffcd(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffc(k₂)＝1，否则为孤立点，标记为cbuffc(k₂)＝0。

判定基础特征点k₂的灰色1特征值是否为孤点值：

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffk1(k₂)>CC₀

abuffk1d(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffk1(k₂)＝1，否则为孤立点，标记为cbuffk1(k₂)＝0。

判定基础特征点k₂的灰色2特征值是否为孤点值：

孤点值为a，初始a＝0，若基础特征点k₂同时满足以下条件：

abuffk2(k₂)>CC₀

abuffk2d(k₂)>CC₁

abuff1(k₂)>CC₂或者abuff2(k₂)>CC₃

则a＝a+1累加1。

若a>CC₄，则判定为非孤立点，标记为cbuffk2(k₂)＝1，否则为孤立点，标记为cbuffk2(k₂)＝0。

再具体地，第二次去检测孤点时，基础特征点k₂的八个方向相连点分别为：

左：kk₁＝k₂-1

右：kk₂＝k₂+1

上：kk₃＝k₂-mw

下：kk₄＝k₂+mw

左上：kk₅＝kk₁-mw

左下：kk₆＝kk₁+mw

右上：kk₇＝kk₂-mw

右下：kk₈＝kk₂+mw

规定第二次判定的孤点阈值F₀。

第二次判定基础特征点k₂的红色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffr(k₂)>0，则a＝a+1累加1。

若cbuffr(kk₁)>0，则a＝a+1累加1。

若cbuffr(kk₂)>0，则a＝a+1累加1。

若cbuffr(kk₃)>0，则a＝a+1累加1。

若cbuffr(kk₄)>0，则a＝a+1累加1。

若cbuffr(kk₅)>0，则a＝a+1累加1。

若cbuffr(kk₆)>0，则a＝a+1累加1。

若cbuffr(kk₇)>0，则a＝a+1累加1。

若cbuffr(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的红色特征值为dbuffr(k₂)＝1，否则为dbuffr(k₂)＝0。

第二次判定基础特征点k₂的绿色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffg(k₂)>0，则a＝a+1累加1。

若cbuffg(kk₁)>0，则a＝a+1累加1。

若cbuffg(kk₂)>0，则a＝a+1累加1。

若cbuffg(kk₃)>0，则a＝a+1累加1。

若cbuffg(kk₄)>0，则a＝a+1累加1。

若cbuffg(kk₅)>0，则a＝a+1累加1。

若cbuffg(kk₆)>0，则a＝a+1累加1。

若cbuffg(kk₇)>0，则a＝a+1累加1。

若cbuffg(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的绿色特征值为dbuffg(k₂)＝1，否则为dbuffg(k₂)＝0。

第二次判定基础特征点k₂的蓝色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffb(k₂)>0，则a＝a+1累加1。

若cbuffb(kk₁)>0，则a＝a+1累加1。

若cbuffb(kk₂)>0，则a＝a+1累加1。

若cbuffb(kk₃)>0，则a＝a+1累加1。

若cbuffb(kk₄)>0，则a＝a+1累加1。

若cbuffb(kk₅)>0，则a＝a+1累加1。

若cbuffb(kk₆)>0，则a＝a+1累加1。

若cbuffb(kk₇)>0，则a＝a+1累加1。

若cbuffb(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的蓝色特征值为dbuffb(k₂)＝1，否则为dbuffb(k₂)＝0。

第二次判定基础特征点k₂的黄色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffh(k₂)>0，则a＝a+1累加1。

若cbuffh(kk₁)>0，则a＝a+1累加1。

若cbuffh(kk₂)>0，则a＝a+1累加1。

若cbuffh(kk₃)>0，则a＝a+1累加1。

若cbuffh(kk₄)>0，则a＝a+1累加1。

若cbuffh(kk₅)>0，则a＝a+1累加1。

若cbuffh(kk₆)>0，则a＝a+1累加1。

若cbuffh(kk₇)>0，则a＝a+1累加1。

若cbuffh(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的黄色特征值为dbuffh(k₂)＝1，否则为dbuffh(k₂)＝0。

第二次判定基础特征点k₂的青色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbufft(k₂)>0，则a＝a+1累加1。

若cbufft(kk₁)>0，则a＝a+1累加1。

若cbufft(kk₂)>0，则a＝a+1累加1。

若cbufft(kk₃)>0，则a＝a+1累加1。

若cbufft(kk₄)>0，则a＝a+1累加1。

若cbufft(kk₅)>0，则a＝a+1累加1。

若cbufft(kk₆)>0，则a＝a+1累加1。

若cbufft(kk₇)>0，则a＝a+1累加1。

若cbufft(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的青色特征值为dbufft(k₂)＝1，否则为dbufft(k₂)＝0。

第二次判定基础特征点k₂的紫色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffs(k₂)>0，则a＝a+1累加1。

若cbuffs(kk₁)>0，则a＝a+1累加1。

若cbuffs(kk₂)>0，则a＝a+1累加1。

若cbuffs(kk₃)>0，则a＝a+1累加1。

若cbuffs(kk₄)>0，则a＝a+1累加1。

若cbuffs(kk₅)>0，则a＝a+1累加1。

若cbuffs(kk₆)>0，则a＝a+1累加1。

若cbuffs(kk₇)>0，则a＝a+1累加1。

若cbuffs(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的紫色特征值为dbuffs(k₂)＝1，否则为dbuffs(k₂)＝0。

第二次判定基础特征点k₂的白色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffw(k₂)>0，则a＝a+1累加1。

若cbuffw(kk₁)>0，则a＝a+1累加1。

若cbuffw(kk₂)>0，则a＝a+1累加1。

若cbuffw(kk₃)>0，则a＝a+1累加1。

若cbuffw(kk₄)>0，则a＝a+1累加1。

若cbuffw(kk₅)>0，则a＝a+1累加1。

若cbuffw(kk₆)>0，则a＝a+1累加1。

若cbuffw(kk₇)>0，则a＝a+1累加1。

若cbuffw(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的白色特征值为dbuffw(k₂)＝1，否则为dbuffw(k₂)＝0。

第二次判定基础特征点k₂的黑色特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffc(k₂)>0，则a＝a+1累加1。

若cbuffc(kk₁)>0，则a＝a+1累加1。

若cbuffc(kk₂)>0，则a＝a+1累加1。

若cbuffc(kk₃)>0，则a＝a+1累加1。

若cbuffc(kk₄)>0，则a＝a+1累加1。

若cbuffc(kk₅)>0，则a＝a+1累加1。

若cbuffc(kk₆)>0，则a＝a+1累加1。

若cbuffc(kk₇)>0，则a＝a+1累加1。

若cbuffc(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的黑色特征值为dbuffc(k₂)＝1，否则为dbuffc(k₂)＝0。

第二次判定基础特征点k₂的灰色1特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffk1(k₂)>0，则a＝a+1累加1。

若cbuffk1(kk₁)>0，则a＝a+1累加1。

若cbuffk1(kk₂)>0，则a＝a+1累加1。

若cbuffk1(kk₃)>0，则a＝a+1累加1。

若cbuffk1(kk₄)>0，则a＝a+1累加1。

若cbuffk1(kk₅)>0，则a＝a+1累加1。

若cbuffk1(kk₆)>0，则a＝a+1累加1。

若cbuffk1(kk₇)>0，则a＝a+1累加1。

若cbuffk1(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的灰色1特征值为dbuffk1(k₂)＝1，否则为dbuffk1(k₂)＝0。

第二次判定基础特征点k₂的灰色2特征值是否为孤点值，孤点值为a，初始a＝0，基础特征点k₂判定是否满足以下条件：

若cbuffk2(k₂)>0，则a＝a+1累加1。

若cbuffk2(kk₁)>0，则a＝a+1累加1。

若cbuffk2(kk₂)>0，则a＝a+1累加1。

若cbuffk2(kk₃)>0，则a＝a+1累加1。

若cbuffk2(kk₄)>0，则a＝a+1累加1。

若cbuffk2(kk₅)>0，则a＝a+1累加1。

若cbuffk2(kk₆)>0，则a＝a+1累加1。

若cbuffk2(kk₇)>0，则a＝a+1累加1。

若cbuffk2(kk₈)>0，则a＝a+1累加1。

若孤点值若a>F₀，则经过第二次去孤点，基础特征点k₂的灰色2特征值为dbuffk2(k₂)＝1，否则为dbuffk2(k₂)＝0。

去除检测孤点后，再对所述实时检测图的基础特征点进行统计。求基础特征点的红色特征值的统计值时，块坐标左值ebuffr(k₂)，块坐标右值fbuffr(k₂)，块坐标上值gbuffr(k₂)，块坐标下值hbuffr(k₂)，块特征值的数量mbuffr(k₂)和nbuffr(k₂)。如果dbuffr(k₂)>0，求从基础特征点k₂开始的连续特征，算法的代码示意图如图5所示。同样地，求基础特征点的绿色特征值的统计值块坐标左值ebuffg(k₂)，块坐标右值fbuffg(k₂)，块坐标上值gbuffg(k₂)，块坐标下值hbuffg(k₂)，块特征值的数量mbuffg(k₂)和nbuffg(k₂)。如果dbuffg(k₂)>0，求从基础特征点k₂开始的连续特征。求基础特征点的蓝色特征值的统计值，块坐标左值ebuffb(k₂)，块坐标右值fbuffb(k₂)，块坐标上值gbuffb(k₂)，块坐标下值hbuffb(k₂)，块特征值的数量mbuffb(k₂)和nbuffb(k₂)。如果dbuffb(k₂)>0，求从基础特征点k₂开始的连续特征。求基础特征点的黄色特征值的统计值，块坐标左值ebuffh(k₂)，块坐标右值fbuffh(k₂)，块坐标上值gbuffh(k₂)，块坐标下值hbuffh(k₂)，块特征值的数量mbuffh(k₂)和nbuffh(k₂)。如果dbuffh(k₂)>0，求从基础特征点k₂开始的连续特征。求基础特征点的青色特征值的统计值，块坐标左值ebufft(k₂)，块坐标右值fbufft(k₂)，块坐标上值gbufft(k₂)，块坐标下值hbufft(k₂)，块特征值的数量mbufft(k₂)和nbufft(k₂)。如果dbufft(k₂)>0，求从基础特征点k₂开始的连续特征。再同样地，求基础特征点的紫色特征值的统计值，块坐标左值ebuffs(k₂)，块坐标右值fbuffs(k₂)，块坐标上值gbuffs(k₂)，块坐标下值hbuffs(k₂)，块特征值的数量mbuffs(k₂)和nbuffs(k₂)。如果dbuffs(k₂)>0，求从基础特征点k₂开始的连续特征。求基础特征点的白色特征值的统计值，块坐标左值ebuffw(k₂)，块坐标右值fbuffw(k₂)，块坐标上值gbuffw(k₂)，块坐标下值hbuffw(k₂)，块特征值的数量mbuffw(k₂)和nbuffw(k₂)。如果dbuffw(k₂)>0，求从基础特征点k₂开始的连续特征。求基础特征点的黑色特征值的统计值，块坐标左值ebuffc(k₂)，块坐标右值fbuffc(k₂)，块坐标上值gbuffc(k₂)，块坐标下值hbuffc(k₂)，块特征值的数量mbuffc(k₂)和nbuffc(k₂)。如果dbuffc(k₂)>0，求从基础特征点k₂开始的连续特征。求基础特征点的灰色1特征值的统计值，块坐标左值ebuffk1(k₂)，块坐标右值fbuffk1(k₂)，块坐标上值gbuffk1(k₂)，块坐标下值hbuffk1(k₂)，块特征值的数量mbuffk1(k₂)和nbuffk1(k₂)。如果dbuffk1(k₂)>0，求从基础特征点k₂开始的连续特征。求基础特征点的灰色2特征值的统计值，块坐标左值ebuffk2(k₂)，块坐标右值fbuffk2(k₂)，块坐标上值gbuffk2(k₂)，块坐标下值hbuffk2(k₂)，块特征值的数量mbuffk2(k₂)和nbuffk2(k₂)。如果dbuffk2(k₂)>0，求从基础特征点k₂开始的连续特征。最后根据不同的需求及不同的智能服务器请求，结合特征值的统计值，分析得出识别目标，如人员追踪识别、车辆动态识别、地质状态异常识别等等。

在本申请的一些实施例中，所述智慧服务器组根据各应用终端的功能需求命令、条件，对存储服务器组的基础信息进行融合、组合，以得到应用终端所需的功能数据。智慧服务器组根据系统数据交互和管理规则，实时将上传的基础数据智能分发到不同的存储服务器组，由存储服务器组进行基础数据的分类存储和管理。智慧服务器组还用于对从所述云服务器组和所述平台管理终端接收的数据分配自适应虚拟通道，如图6所示，所述虚拟通道包括音频通道、图像通道、信息通道；其中，所述信息包括除去音频和图像的数据。存储数据的方法包括：根据从不同所述虚拟通道中获取的数据快速分类存储，以存储有效数据。根据从不同所述虚拟通道中获取的数据快速分类存储，包括：对从不同所述虚拟通道中获取的数据进行解析与分类，并根据解析与分类结果确定数据对应的存储编码；根据所述数据对应的存储编码进行存储。具体地，本系统采用自适应虚拟网技术构建数据传输的虚拟通道，根据数据分类分配独立的虚拟通道，不同类型的数据通过不同的虚拟通道传输，通过不同虚拟通道的有效组合实现数据的快速交互、可控交互，这样不仅能解决数据粘包问题，同时也解决了数据安全传输的问题。在具体实施时，自适应虚拟通道的构建方法及工作模式包括设备备案上传、实时监管虚拟通道、解析并转发有效数据、存储有效数。设备备案上传时，系统自动分配数据、图像、语音三个独立的虚拟通道。实时监管虚拟通道(循环检测)时，根据不同时段的数据量情况自动调整数据的传输流量，充分利用系统资源，保证数据的稳定传输。例如将人工智能服务平台系统用在地址勘探场景中，解析有效地质数据时，根据数据分类分别解析不同虚拟通道的数据，提取有效数据，去除无效数据。转发有效数据时，通过对应的虚拟通道转发传输有效数据，丢弃或记录无效数据，减少传输的数据量，节省系统资源。通过存储有效数据，根据从不同虚拟通道获取的数据快速分类存储，只存储有效数据，节省存储空间。根据系统设备或用户的数量，灵活分配虚拟通道并使用，避免造成资源浪费和资源不足的矛盾；同时通过自适应调整数据传输的流量，能充分利用系统资源和保证数据传输的稳定。

在本申请的一些实施例中，通过数据仓存储技术主要应用在数据存储、数据查询、数据管理、数据融合方面，实现数据更高效的分类存储、精确查询、快速融合的功能。存储服务器组采用专有编码的多维数据仓存储技术，快速构建多维存储空间，结合私有云操作系统数据通信协议，根据系统中唯一的设备编号、数据分组属性、数据类型等规则，进行系统数据的快速编码、分类存储、精确查询，为系统提供高效、稳定的数据存储保障。参考图7，数据仓通过对接收到的数据进行指令解析，对数据进行分类，确定数据对应的存储编码。若判断为需要存储的数据，一般为基础数据或日志数据，根据得到的数据多维编码路径进行数据的快速存储；若判断为查询类型的指令数据，根据解析得到的数据多维编码路径，查询得到相关的基础数据，并根据对应请求查询的功能类型，进行功能数据融合，最终得到融合后的功能数据，并通过网络发送给请求方，功能融合数据不保存至数据仓中，仅通过功能请求进行数据融合得到临时的功能融合数据，使用完之后该功能融合数据直接清除，释放系统资源；若判断为数据仓管理类型的数据，或数据仓自动管理的操作，可对数据仓中的数据进行备份与恢复、自动或手动清理等操作。

在本申请的其它一些实施例中，各类型应用终端从各种业务场景中不断产生基础数据(如图片、音频、文本、指令等)，首先由终端自身简单筛选过滤基础数据信息，将有效的基础数据上传至后台，然后通过后台中心进行多级的数据信息融合处理，最终得出业务功能所需的融合数据。图8示意出一种数据融合工作过程，如图8所示，融合时多方面的，包括前端设备基础数据筛选融合、算法处理中心数据融合、存储服务器数据仓数据融合、智慧服务器组大数据融合等等。前端设备通过不同的传感模块采集到各类型基础数据(如摄像机采集的实时视频、麦克风采集的实时音频、温湿度传感器采集的实时温湿度信息等)，根据不同的业务功能需求会进行数据的筛选过滤，并对筛选之后的数据进行初步的融合处理，最终才将该部分融合数据上传至后台。以智慧“哨兵”为例，常规状态下不上传实时采集到的视频，而是将视频经过视觉识别算法处理后，只上传识别检测结果异常的图片和信息，通过视觉识别算法和基础的数据融合算法处理相结合，最大程度上降低数据量，降低数据通讯传输成本，节省后台存储空间。

算法处理中心通过视觉算法等各种算法处理对应业务的基础信息，提取有效的信息，然后对该部分信息数据进行初步的融合统计，向后台数据融合中心(智慧服务器组、存储服务器组)提供初步的功能融合数据。例如，手机APP(应用终端)拍照需要算法识别其中的目标，此时就将图片上传到后台的算法处理中心，识别完毕后返回结果到手机APP，可以看出通过算法处理中心可以根据用户提交的算法服务需求进行智能处理。算法处理中心主要负责对平台系统的大数据进行融合统计，为应用终端提供算法服务等，牺牲一定的时间成本，降低其他设备对性能的依赖，如用户的手机、电脑设备等，不需要有严格的性能要求。算法处理中心的职能与前端设备不同，前端设备是集成视觉识别等算法，由前端设备本身自行处理采集到的原始数据，实时性要求较高，运算量较大，所以将该类型的数据识别、融合处理任务分布到各个智慧前端设备中，自行处理后再将数据结果上传到系统后台，大大降低系统后台的数据处理压力。换言之，通过前端设备放置于各种客观环境中采集的实时视频并通过视觉算法进行处理；而算法处理中心可以满足各种主观需求即用户通过各种应用终端来申请相关智能服务，算法处理中心根据其服务请求给出相应的算法服务。

存储服务器数据仓数据融合时，存储服务器的数据仓根据平台系统业务功能进行一定程度的基础数据融合，从而生成平台系统中所需的新的基础数据，为平台系统业务的扩展提供更全面的、更具体的基础数据。另外，存储服务器的响应外部的数据请求操作，进行数据初步融合后将数据返回至请求方。智慧服务器是所述系统的数据融合处理中心，系统中所有的业务数据均需要通过智慧服务器组进行管理，对数据进行多重融合处理，最终得出对应业务的功能融合数据。智慧服务器组在接收到系统业务指令的时候，进行指令深度解析，之后主要进行的数据融合包括两大部分：直接融合和请求基础数据后再融合。直接融合的方法对于基础数据依赖性较弱，即根据所述系统传输的当前数据即可通过数据融合规则得出相应的功能融合数据，直接为系统业务提供功能数据。请求基础数据后再融合的方法则对于各类的基础数据依赖性较强，相应的数据融合规则较复杂多样。其基本的融合步骤为：根据指令深度解析的结果，明确业务功能所需的所有基础数据；依次向存储服务器的数据仓中请求相应的基础数据；按照业务功能数据规则及逻辑，开始对基础数据进行多级的数据融合，提取有效的功能数据；生成功能融合数据，将数据返回至业务功能操作方；清除功能融合数据本地缓存，释放内存空间。

在一些实施方式中，综合统计一定时间内不同巡逻点的检测结果数据，通过加权融合算法，可以快速得出智慧“哨兵”所在环境的综合情况，可以快速去掉误报等情况，避免因误报造成平台资源的浪费。实时融合传感检测数据及各巡逻点的巡逻数据，通过配置定制的加权融合算法，可以实时获取智慧“哨兵”的实时综合数据，然后对实时综合数据按一定时间为单位进行统计分析，可以大概率防止误报和漏报，提高了智慧“哨兵”的智慧能力。如图9所示，可通过预先录入各种应急事项的处理方案步骤，当出现安全事故或安全隐患时，平台自动启动相应的预案以及通知与之有关的责任人进行应急处理，并将现场数据及现场画面传送到相应的管理中心，管理中心可以直接远程指挥现场进行应急处理，平台同步记录指挥人员对事故的指挥操作，事后平台可智慧升级此类事故的应急处理方案。如图9所示，智慧应急处理流程步骤包括智慧监控、识别、触发报警，根据触发报警类型播放对应广播和指示灯闪烁颜色，自动通知值班人员手机终端及值班管理PC终端，自动或手动开启对应的应急处理预案，值班人员收到通知到现场或远程语音指挥解决报警事件。警情智慧触发报警可有效避免人员通过电话传达导致漏报、误报、谎报、瞒报引起的后果，系统可根据事故的大小和紧急情况，自动根据预先录入的应急预案做出实时响应。系统还可以自动根据事故的发展情况实时进行侦测，当事故升级，系统自动向上一级管理中心发出信息，并启动响应的应急处理预案。

在本申请其它一些实施方式中，参考图10，还提供了一种由后台中心实现的设备备案方法，平台系统中的所有部分都需要经过设备备案之后才能正常接入平台系统，使用平台提供的资源和服务。平台设备在首次安装的时候，需要读取本机硬件信息、手动填写备案相关信息，如设备/软件用途、用户实名信息、安装经办人信息等。将设备的备案信息提交到平台系统的后台中心，进行信息的验证、审核、分组存储等操作，最终返回相应的备案结果。若备案成功则返回与当前设备相关的备案信息，包含系统分配的唯一身份认证编号——设备编号，后续平台设备直接通过该认证的设备编号接入平台系统，正常使用平台系统提供的功能服务；如图10所示，若备案失败则提示设备/用户备案认证失败，需要重新认证或联系平台系统运营方进行处理。平台设备提交的备案信息需要由后台中心进行审核处理，审核通过才允许接入平台系统。备案信息审核分为两种方式，分别为自动审核和人工审核。根据不同类型的的设备/软件提供不一样的审核操作，自动审核和人工审核相结合，使得信息审核操作更加灵活、便捷、可靠。平台系统后台中心的平台设备管理终端可以统一管理系统内的所有设备。不仅如此，还可以实现设备状态的实时监控，可以对系统内的所有设备进行实时监管，实时展示平台设备的在线状态、故障状态及信息、设备基本信息等。另外，还可以统一对各个平台设备的软件程序进行升级更新管理，单个设备操作或批量操作，可随时维护对应设备/终端的软件服务。

本申请所述人工智能服务平台系统，通过三层相互独立的的物理网络，结合私有云操作系统数据通信协议，从源头解决了数据的安全问题。各类设备均内置独立的数据融合处理算法，分布式处理，将原始数据转换为有效数据后再传输至平台中心，最大限度减少地无效数据传输，大大降低通讯成本。采用独创的多维数据仓编码技术，更高效地实现数据的分布式存储和分布式融合。特别是前端设备中集成的视觉识别算法具有更高效的执行效率、更高精度的识别、更智能的统计分析的特点。系统提供的数据融合处理方法，更高效、更合理，根据不同的业务功能需求快速进行大数据的融合分析；功能融合数据只在使用的时候才生成，并不做存储，能够大大节省数据存储的成本。换言之，所述人工智能服务平台系统既能通过前端设备实现对各种客观环境中采集的实时视频进行处理，又能通过算法处理中心实现各种主观需求，即用户通过各种应用终端来申请相关智能服务，算法处理中心根据其服务请求给出相应的算法服务。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

在本申请的一些实施例中，还提供了一种人工智能服务平台系统的实现方法，所述人工智能服务平台系统包括后台中心、云服务器组、前端设备，所述前端设备与所述云服务器组通信连接，所述后台中心与所述云服务器组通信连接；所述后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；所述实现方法包括：

所述人工智能服务平台系统包括后台中心、云服务器组、前端设备、应用终端，所述前端设备与所述云服务器组通信连接，所述后台中心与所述云服务器组通信连接；所述后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；所述实现方法包括：接收所述应用终端发送的智能服务请求，并接收所述云服务器组和/或所述平台管理终端输入的数据，其中，所述输入的数据包括所述前端设备的视觉处理结果数据；基于云计算技术与大数据融合处理技术对接收的数据进行融合、统计、分析；基于多维数据仓编码技术与自适应虚拟网技术对接收的数据进行存储，并对已存储数据进行查询或转发；对接收的数据根据集成的各类型算法提供算法服务，并根据接收的智能服务请求提供相应的智能服务。

下面请参考图11，其示出了本申请的一些实施方式所提供的一种计算机设备的示意图。如图11所示，所述计算机设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的人工智能服务平台系统的实现方法。

其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其它网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述智能监控方法可以应用于处理器200中，或者由处理器200实现。

处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述人工智能服务平台系统的实现方法。

本申请实施方式还提供一种与前述实施方式所提供的人工智能服务平台系统对应的计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的人工智能服务平台系统的实现方法。

另外，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它光学、磁性存储介质，在此不再一一赘述。

本申请实施方式还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述任意实施方式所提供的人工智能服务平台系统的实现方法的步骤。

需要说明的是：在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

本领域那些技术人员可以理解，本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种人工智能服务平台系统，其特征在于，所述人工智能服务平台系统包括后台中心、云服务器组、前端设备、应用终端，所述前端设备与所述云服务器组通信连接，所述后台中心与所述云服务器组通信连接；所述后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；其中：

所述存储服务器组用于对系统数据进行存储、查询、管理；

2.根据权利要求1所述的人工智能服务平台系统，其特征在于，在所述接入服务器组实现用于管理云服务器组的数据接入的功能时，执行确定出云服务器组输入的数据具备安全性的步骤。

3.根据权利要求1所述的人工智能服务平台系统，其特征在于，在对系统数据进行融合、统计、分析之后，还包括：根据分析结果判定所述系统数据是否异常，若异常，则给出对应的应急处理。

4.根据权利要求1所述的人工智能服务平台系统，其特征在于，所述视觉算法包括视觉识别算法，所述视觉识别算法用于对目标对象的智能识别。

5.根据权利要求4所述的人工智能服务平台系统，其特征在于，所述对目标对象的智能识别包括：

获取实时视频，并将获取的实时视频转换为实时检测图；

在所述实时检测图中提取样图；

6.根据权利要求5所述的人工智能服务平台系统，其特征在于，提取所述样图的基础特征，包括：

将所述实时检测图平均分割为多个图像块；

确定所述样图中的基础特征点；

计算所述基础特征点对应的特征值。

7.根据权利要求6所述的人工智能服务平台系统，其特征在于，所述计算所述基础特征点对应的特征值，包括：

计算所述基础特征点的亮度值；

计算所述基础特征点的三种预设颜色的色差值之差；

8.根据权利要求5所述的人工智能服务平台系统，其特征在于，所述基于所述实时检测图的基础特征和所述样图的基础特征之间的差异识别目标对象，包括：

根据所述实时检测图的基础特征识别目标对象。

9.根据权利要求1所述的人工智能服务平台系统，其特征在于，所述智慧服务器组还用于对从所述云服务器组和所述平台管理终端接收的数据分配自适应虚拟通道，所述虚拟通道包括音频通道、图像通道、信息通道；其中，所述信息包括除去音频和图像的数据。

10.根据权利要求9所述的人工智能服务平台系统，其特征在于，所述存储服务器组存储数据的方法包括：

11.根据权利要求10所述的人工智能服务平台系统，其特征在于，所述根据从不同所述虚拟通道中获取的数据快速分类存储，包括：

根据所述数据对应的存储编码进行存储。

12.一种人工智能服务平台系统的实现方法，其特征在于，所述人工智能服务平台系统包括后台中心、云服务器组、前端设备、应用终端，所述前端设备与所述云服务器组通信连接，所述后台中心与所述云服务器组通信连接；所述后台中心包括接入服务器组、智慧服务器组、存储服务器组、算法处理中心、平台管理终端；所述实现方法包括：

13.一种计算机设备，包括存储器和处理器，其特征在于，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行如权利要求12所述的实现方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求12所述的实现方法。