CN117493434A - 一种人脸图像存储方法、设备及介质 - Google Patents

一种人脸图像存储方法、设备及介质 Download PDF

Info

Publication number
CN117493434A
CN117493434A CN202311459057.3A CN202311459057A CN117493434A CN 117493434 A CN117493434 A CN 117493434A CN 202311459057 A CN202311459057 A CN 202311459057A CN 117493434 A CN117493434 A CN 117493434A
Authority
CN
China
Prior art keywords
image
target
face
historical
processed
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
Application number
CN202311459057.3A
Other languages
English (en)
Other versions
CN117493434B (zh
Inventor
孟雨桐
李凡平
石柱国
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.)
Qingdao Yisa Data Technology Co Ltd
ISSA Technology Co Ltd
Original Assignee
Qingdao Yisa Data Technology Co Ltd
ISSA 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 Qingdao Yisa Data Technology Co Ltd, ISSA Technology Co Ltd filed Critical Qingdao Yisa Data Technology Co Ltd
Priority to CN202311459057.3A priority Critical patent/CN117493434B/zh
Publication of CN117493434A publication Critical patent/CN117493434A/zh
Application granted granted Critical
Publication of CN117493434B publication Critical patent/CN117493434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

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

Abstract

本发明提供了一种人脸图像存储方法、设备及介质，涉及数据处理领域，该方法包括：对每一待处理图像中的目标人员的人脸特征数据与每一历史人员的若干人脸特征数据进行匹配度对比，得到若干人脸特征匹配度；根据该人脸特征匹配度对应的历史人员、目标人员、待处理图像，生成第一目标人脸标识，并将第一目标人脸标识存储至该人脸特征匹配度对应的历史人员的历史人脸标识组中。本发明通过对每一待处理图像进行处理，得到待处理图像对应的第一目标人脸信息、第一目标车辆信息、第一目标人脸标识，并将其分别存储至不同的信息表中，以使数据存储库中存储的人脸图像数据可以根据人脸特征信息进行检索，以提高后续的检索精度。

Description

一种人脸图像存储方法、设备及介质
技术领域
本发明涉及数据处理领域，特别是涉及一种人脸图像存储方法、设备及介质。
背景技术
目前的人员信息存储档案库中会存储有记录的若干人员信息，人员信息包括对应的证件信息、车辆信息等，当需要对人员信息存储档案库中的若干人员信息进行条件检索时，需要先根据检索证件号对人员信息存储档案库中的若干人员信息进行筛选，确定需要检索的目标人员信息，再通过查找目标人员信息对应的目标人员在检索时间段内的行程数据，确定目标人员的行驶路径，由于人员信息存储档案库中存储的人员信息是以证件信息作为检索标识的，所以检索条件过于单一，且数据存储过于繁乱，无法根据人脸进行检索。
发明内容
针对上述技术问题，本发明采用的技术方案为：
一种人脸图像存储方法，应用于人脸图像存储系统，人脸图像存储系统连接有数据存储库和若干图像采集设备，每一图像采集设备对应唯一图像采集设备标识，数据存储库中存储有第一信息表、第二信息表、第三信息表、若干历史人脸图像、若干历史车辆图像；第一信息表中存储有每一历史人脸图像对应的历史人脸信息，历史人脸信息中包括对应的历史人员的人脸特征数据，每一历史人脸信息对应唯一历史人脸标识，每一历史人脸标识对应唯一历史人员；第二信息表中存储有每一历史车辆图像对应的历史车辆信息；第三信息表中存储有若干历史人脸标识组，每一历史人脸标识组中包括若干历史人脸标识，且同一历史人脸标识组的若干历史人脸标识对应的历史人员相同；
所述人脸图像存储方法，包括如下步骤：
步骤S100、每隔预设图像采集时间段，获取每一图像采集设备在图像采集时间段内采集的待处理图像；
步骤S200、对每一待处理图像进行信息提取，以获取每一待处理图像中包括的目标人员的人脸特征数据；
步骤S300、对每一目标人员的人脸特征数据与每一历史人员的若干人脸特征数据进行匹配度对比，得到每一目标人员对应的每一人脸特征匹配度；
步骤S400、若人脸特征匹配度满足预设阈值条件，则将该人脸特征匹配度对应的历史人员确定为第一历史人员，以及将该人脸特征匹配度对应的目标人员确定为第一目标人员，将第一目标人员对应的待处理图像确定为第一待处理图像；
步骤S500、获取第一待处理图像中包括的第一目标人脸图像和第一目标车辆图像；
步骤S600、将第一目标人脸图像和第一目标车辆图像存储至数据存储库中；
步骤S700、根据第一目标人脸图像对应的第一目标人员的人脸特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标人脸图像对应的第一目标人脸信息，并将第一目标人脸信息存储至第一信息表中；
步骤S800、根据第一目标车辆图像对应的第一目标车辆的车辆特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标车辆图像对应的第一目标车辆信息，并将第一目标车辆信息存储至第二信息表中；
步骤S900、根据第一目标人脸信息和第一目标车辆信息，生成第一待处理图像对应的第一目标人脸标识，并将第一目标人脸标识存储至第一历史人员对应的历史人脸标识组中。
在本申请的一种示例性实施例中，步骤S300包括：
步骤S310、根据每一待处理图像中包括的目标人员的人脸特征数据，生成每一待处理图像对应的目标人脸特征向量，得到目标人脸特征向量列表V1,V2,...,Vm,...,Vn；其中，m＝1,2,...,n；n为待处理图像的数量；Vm为第m个待处理图像对应的目标人脸特征向量；
步骤S311、根据每一历史人脸信息中包括的历史人员的人脸特征数据，生成每一历史人脸信息对应的历史人脸特征向量，得到历史人脸特征向量列表W1,W2,...,Wi,...,Wj；其中，i＝1,2,...,j；j为历史人脸信息的数量；Wi为第i个历史人脸信息对应的历史人脸特征向量；
步骤S312、将Vm分别与W1,W2,...,Wi,...,Wj进行匹配度对比，得到第m个待处理图像对应的人脸特征匹配度，以确定第m个待处理图像对应的人脸特征匹配度集Pm＝(Pm1,Pm2,...,Pmi,...,Pmj)；其中，Pmi为第m个待处理图像中的目标人员与第i个历史人脸信息对应的历史人员的人脸特征匹配度。
在本申请的一种示例性实施例中，步骤S400包括：
步骤S410、若MAX(Pm)≥E0，则将MAX(Pm)对应的历史人员确定为第一历史人员，将第m个待处理图像对应的目标人员确定为第一目标人员，将第m个待处理图像确定为第一待处理图像；其中，MAX()为预设的最大值确定函数；E0为预设的人脸特征匹配度阈值。
在本申请的一种示例性实施例中，步骤S410还包括：
步骤S411、若MAX(Pm)＜E0，则将第m个待处理图像确定为第二待处理图像；
步骤S412、将第二待处理图像中包括的第二目标人脸图像和第二目标车辆图像存储至数据存储库中；
步骤S413、根据第二目标人脸图像对应的第二目标人员的人脸特征数据、第二待处理图像的采集时间、对应的图像采集设备标识，生成第二目标人脸图像对应的第二目标人脸信息，并将第二目标人脸信息存储至第一信息表中；
步骤S414、根据第二目标车辆图像对应的第二目标车辆的车辆特征数据、第二待处理图像的采集时间、对应的图像采集设备标识，生成第二目标车辆图像对应的第二目标车辆信息，并将第二目标车辆信息存储至第二信息表中；
步骤S415、在第三信息表中建立目标人脸标识组；
步骤S416、根据第二目标人脸信息和第二目标车辆信息，生成第二待处理图像对应的第二目标人脸标识，并将第二目标人脸标识存储至目标人脸标识组中。
在本申请的一种示例性实施例中，步骤S300包括：
步骤S320、根据每一待处理图像中包括的目标人员的人脸特征数据，生成每一待处理图像对应的目标人脸特征向量；
步骤S321、对若干个目标人脸特征向量进行向量聚类，得到若干个目标人脸特征向量组；
步骤S322、对每一目标人脸特征向量组内的若干个目标人脸特征向量进行平均处理，得到每一目标人脸特征向量组对应的目标人脸特征中心向量，以确定目标人脸特征中心向量列表C1,C2,...,Ca,...,Cb；其中，a＝1,2,...,b；b为目标人脸特征向量组的数量；Ca为第a个目标人脸特征向量组对应的目标人脸特征中心向量；
步骤S323、根据每一历史人员对应的每一历史人脸信息中包括的人脸特征数据，生成每一历史人员对应的若干历史人脸特征向量；
步骤S324、对每一历史人员对应的若干历史人脸特征向量进行平均处理，得到每一历史人员对应的历史人脸特征中心向量，以确定历史人脸特征中心向量列表D1,D2,...,De,...,Ds；其中，e＝1,2,...,s；s为历史人员的数量；De为第e个历史人员对应的历史人脸特征中心向量；
步骤S325、将Ca分别与D1,D2,...,De,...,Ds进行匹配度对比，得到第a个目标人脸特征向量组对应的人脸特征匹配度，以确定第a个目标人脸特征向量组对应的人脸特征匹配度集Za＝(Za1,Za2,...,Zae,...,Zas)；其中，Zae为第a个目标人脸特征向量组对应的目标人员与第e个历史人员的人脸特征匹配度。
在本申请的一种示例性实施例中，步骤S400包括：
步骤S420、若MAX(Za)≥E0，则将MAX(Za)对应的历史人员确定为第一历史人员，将第a个目标人脸特征向量组对应的目标人员确定为第一目标人员，将第a个目标人脸特征向量组对应的若干个待处理图像确定为第一待处理图像；其中，MAX()为预设的最大值确定函数；E0为预设的人脸特征匹配度阈值。
在本申请的一种示例性实施例中，步骤S420还包括：
步骤S421、若MAX(Za)＜E0，则获取第a个目标人脸特征向量组对应的若干待处理图像的图像质量指数，得到第a个目标人脸特征向量组对应的第一图像质量指数集Fa＝(Fa1,Fa2,...,Fax,...,Faf(a))；其中，x＝1,2,...,f(a)；f(a)为第a个目标人脸特征向量组对应的待处理图像的数量；Fax为第a个目标人脸特征向量组对应的第x个待处理图像的图像质量指数；
步骤S422、获取每一历史人员对应的若干历史人脸图像的图像质量指数，得到每一历史人员对应的第二图像质量指数列表集G＝(G1,G2,...,Ge,...,Gs)；Ge＝(Ge1,Ge2,...,Geg,...,Geh(e))；其中，Ge为第e个历史人员对应的第二图像质量指数列表；g＝1,2,...,h(e)；h(e)为第e个历史人员对应的历史人脸图像的数量；Geg为第e个历史人员对应的第g个历史人脸图像的图像质量指数；
步骤S423、遍历G，对MAX(Fa)对应的待处理图像和MAX(Ge)对应的历史人脸图像进行图像对比处理，得到第a个目标人脸特征向量组对应的s个图像匹配度Ya1,Ya2,...,Yae,...,Yas；其中，Yae为MAX(Fa)对应的待处理图像和MAX(Ge)对应的历史人脸图像进行图像对比处理后得到的图像匹配度；
步骤S424、若Yae≥Y0，则将第e个历史人员确定为第一历史人员，将第a个目标人脸特征向量组对应的目标人员确定为第一目标人员，将第a个目标人脸特征向量组对应的f(a)个待处理图像确定为第一待处理图像；其中，Y0为预设的图像匹配度阈值。
在本申请的一种示例性实施例中，第一目标人脸图像通过以下步骤确定：
步骤S510、对第一待处理图像进行人脸识别处理，确定第一待处理图像中第一目标人员的人脸所在的第一目标人脸区域；
步骤S520、将第一目标人脸区域对应的图像确定为第一目标人脸图像。
根据本申请的一个方面，提供一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现前述的人脸图像存储方法。
根据本申请的一个方面，提供一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。
本发明至少具有以下有益效果：
本发明通过对每一待处理图像中包括的目标人员的人脸特征数据与每一历史人员的若干人脸特征数据进行匹配度对比，得到每一目标人员对应的每一人脸特征匹配度，若人脸特征匹配度满足预设阈值条件，则将该人脸特征匹配度对应的历史人员确定为第一历史人员，以及将该人脸特征匹配度对应的目标人员确定为第一目标人员，将第一目标人员对应的待处理图像确定为第一待处理图像，根据第一目标人脸图像对应的第一目标人员的人脸特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标人脸图像对应的第一目标人脸信息，根据第一目标车辆图像对应的第一目标车辆的车辆特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标车辆图像对应的第一目标车辆信息，根据第一目标人脸信息和第一目标车辆信息，生成第一待处理图像对应的第一目标人脸标识，并将第一目标人脸标识存储至第一历史人员对应的历史人脸标识组中，并将其分别存储至不同的信息表中，以使数据存储库中存储的人脸图像数据可以根据人脸特征信息进行检索，且根据人脸特征信息可以检索到对应的目标人员的目标车辆信息，提高了后续的检索精度，降低了人员数据的存储复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
图1为本发明实施例提供的人脸图像存储方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种人脸图像存储方法，应用于人脸图像存储系统，人脸图像存储系统连接有数据存储库和若干图像采集设备，每一图像采集设备对应唯一图像采集设备标识，数据存储库中存储有第一信息表、第二信息表、第三信息表、若干历史人脸图像、若干历史车辆图像；第一信息表中存储有每一历史人脸图像对应的历史人脸信息，历史人脸信息中包括对应的历史人员的人脸特征数据，每一历史人脸信息对应唯一历史人脸标识，每一历史人脸标识对应唯一历史人员；第二信息表中存储有每一历史车辆图像对应的历史车辆信息；第三信息表中存储有若干历史人脸标识组，每一历史人脸标识组中包括若干历史人脸标识，且同一历史人脸标识组的若干历史人脸标识对应的历史人员相同。
历史人脸图像为已经被记录的历史人员的人脸图像，历史人员为在历史时刻被记录的人员，每一历史人员对应有若干历史人脸图像，每一历史人脸图像对应有一历史人脸信息，历史人脸信息包括对应的历史人员的人脸特征数据、对应的历史人脸图像在数据存储库中的存储地址和对应的历史车辆的历史车辆标识，历史人脸信息中包括的历史车辆标识为该历史人脸信息对应的历史人脸图像的原始图像中的历史车辆的车辆标识，即原始图像中包括历史人员的人脸图像和历史车辆的车辆图像，且该历史车辆为对应的原始图像中的历史人员所驾驶或乘坐的车辆。历史车辆标识根据对应的历史车辆的车牌标识、对应的历史车辆图像的采集时间和采集位置标识得到，通过历史车辆对应的历史车辆标识生成对应的历史人脸信息，可以将历史人员和其驾乘的历史车辆建立关联关系，即将两者对应的历史人员图像和历史车辆图像建立关联关系，以使后续在查找历史人员时，可以一并找到历史人员对应的历史人脸图像和历史车辆图像。历史人脸信息存储至第一信息表中，通过查看历史人脸信息，即可获知对应的历史人员的人脸特征以及查找到对应的历史人脸图像，每一历史人脸信息对应的历史人脸标识用于后续对历史人员的查找。
历史车辆图像为已经被记录的历史车辆的车辆图像，历史车辆为在历史时刻被记录的车辆，每一历史车辆对应有若干历史车辆图像，每一历史车辆图像对应有一历史车辆信息，历史车辆信息包括对应的历史车辆图像在数据存储库中的存储地址、对应的历史车辆的车辆类型标识和车牌标识，即对应的历史车辆图像中的车辆信息。
车辆类型为对应的历史车辆的类型，如小型轿车、中型轿车、小型SUV、中型SUV、越野车等，用于表示历史车辆的类型，车牌标识为历史车辆的车牌号。
通过历史车辆图像的存储地址、历史车辆的车辆类型标识和车牌标识，生成历史车辆图像对应的历史车辆信息，以使通过查看历史车辆信息，即可查找到对应的历史车辆图像，以及获知历史车辆的车辆类型和车牌号，扩大了查询条件和范围。
第三信息表中存储的若干历史人脸标识是以历史人员作为维度聚类的，即每一历史人员对应一个历史人脸标识组，历史人员对应的历史人脸标识组中的所有历史人脸标识对应的人员均为该历史人员，同一个历史人脸标识组中的所有历史人脸标识对应的历史人脸图像均为同一个历史人员的人脸图像。
本申请所述的人脸图像存储方法，如图1所示，包括如下步骤：
步骤S100、每隔预设图像采集时间段，获取每一图像采集设备在图像采集时间段内采集的待处理图像；
待处理图像由设置在若干图像采集点位处的图像采集设备采集，每一图像采集点位对应一采集位置标识，用于表示待处理图像的图像采集点位的地理位置，图像采集点位可以为公路的各个路口。
图像采集设备会实时的采集通过图像采集点位处的人员图像，将其确定为待处理图像，待处理图像中必定会包括人脸图像，该人脸图像可能为人员的正脸或侧脸对应的图像，由于图像采集点位可能会设置在车流量较大的公路路口处，所以，待处理图像中也可能会包括车辆图像，该车辆图像为人员驾乘的车辆的图像。
步骤S200、对每一待处理图像进行信息提取，以获取每一待处理图像中包括的目标人员的人脸特征数据；
步骤S300、对每一目标人员的人脸特征数据与每一历史人员的若干人脸特征数据进行匹配度对比，得到每一目标人员对应的每一人脸特征匹配度；
步骤S400、若人脸特征匹配度满足预设阈值条件，则将该人脸特征匹配度对应的历史人员确定为第一历史人员，以及将该人脸特征匹配度对应的目标人员确定为第一目标人员，将第一目标人员对应的待处理图像确定为第一待处理图像；
步骤S500、获取第一待处理图像中包括的第一目标人脸图像和第一目标车辆图像；
其中，第一目标人脸图像通过以下步骤确定：
步骤S510、对第一待处理图像进行人脸识别处理，确定第一待处理图像中第一目标人员的人脸所在的第一目标人脸区域；
步骤S511、将第一目标人脸区域对应的图像确定为第一目标人脸图像。
其中，第一目标车辆图像通过以下步骤确定：
步骤S520、对第一待处理图像进行车辆识别处理，确定第一待处理图像中车辆所在的目标车辆区域；
步骤S521、将目标车辆区域对应的图像确定为第一目标车辆图像。
由于第一待处理图像为只包含一个第一目标人员驾乘车辆状态的图像，因此，在对第一待处理图像进行车辆识别时，确定出的第一待处理图像中的车辆即为第一目标人员驾乘的目标车辆。
对图像进行车辆识别和人脸识别的方法采用现有的图像处理方法即可。
此外，若第一待处理图像中不存在目标车辆区域，则表示第一待处理图像采集的第一目标人员可能为没有乘坐或驾驶交通工具的行人，没有对应的目标车辆，则无需对第一目标车辆图像的获取及后续的数据处理，只需要将对应的第一目标人员的第一目标人脸图像进行存储即可。
步骤S600、将第一目标人脸图像和第一目标车辆图像存储至数据存储库中；
步骤S700、根据第一目标人脸图像对应的第一目标人员的人脸特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标人脸图像对应的第一目标人脸信息，并将第一目标人脸信息存储至第一信息表中；
步骤S800、根据第一目标车辆图像对应的第一目标车辆的车辆特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标车辆图像对应的第一目标车辆信息，并将第一目标车辆信息存储至第二信息表中；
步骤S900、根据第一目标人脸信息和第一目标车辆信息，生成第一待处理图像对应的第一目标人脸标识，并将第一目标人脸标识存储至第一历史人员对应的历史人脸标识组中。
在本发明的第一实施例中，步骤S300包括：
步骤S310、根据每一待处理图像中包括的目标人员的人脸特征数据，生成每一待处理图像对应的目标人脸特征向量，得到目标人脸特征向量列表V1,V2,...,Vm,...,Vn；其中，m＝1,2,...,n；n为待处理图像的数量；Vm为第m个待处理图像对应的目标人脸特征向量；
步骤S311、根据每一历史人脸信息中包括的历史人员的人脸特征数据，生成每一历史人脸信息对应的历史人脸特征向量，得到历史人脸特征向量列表W1,W2,...,Wi,...,Wj；其中，i＝1,2,...,j；j为历史人脸信息的数量；Wi为第i个历史人脸信息对应的历史人脸特征向量；
步骤S312、将Vm分别与W1,W2,...,Wi,...,Wj进行匹配度对比，得到第m个待处理图像对应的人脸特征匹配度，以确定第m个待处理图像对应的人脸特征匹配度集Pm＝(Pm1,Pm2,...,Pmi,...,Pmj)；其中，Pmi为第m个待处理图像中的目标人员与第i个历史人脸信息对应的历史人员的人脸特征匹配度。
在本发明的第一实施例中，步骤S400包括：
步骤S410、若MAX(Pm)≥E0，则将MAX(Pm)对应的历史人员确定为第一历史人员，将第m个待处理图像对应的目标人员确定为第一目标人员，将第m个待处理图像确定为第一待处理图像；其中，MAX()为预设的最大值确定函数；E0为预设的人脸特征匹配度阈值；
步骤S411、若MAX(Pm)＜E0，则将第m个待处理图像确定为第二待处理图像；
步骤S412、将第二待处理图像中包括的第二目标人脸图像和第二目标车辆图像存储至数据存储库中；
步骤S413、根据第二目标人脸图像对应的第二目标人员的人脸特征数据、第二待处理图像的采集时间、对应的图像采集设备标识，生成第二目标人脸图像对应的第二目标人脸信息，并将第二目标人脸信息存储至第一信息表中；
步骤S414、根据第二目标车辆图像对应的第二目标车辆的车辆特征数据、第二待处理图像的采集时间、对应的图像采集设备标识，生成第二目标车辆图像对应的第二目标车辆信息，并将第二目标车辆信息存储至第二信息表中；
步骤S415、在第三信息表中建立目标人脸标识组；
步骤S416、根据第二目标人脸信息和第二目标车辆信息，生成第二待处理图像对应的第二目标人脸标识，并将第二目标人脸标识存储至目标人脸标识组中。
在本发明的第二实施例中，步骤S300包括：
步骤S320、根据每一待处理图像中包括的目标人员的人脸特征数据，生成每一待处理图像对应的目标人脸特征向量；
步骤S321、对若干个目标人脸特征向量进行向量聚类，得到若干个目标人脸特征向量组；
若目标人脸特征向量的数量过多，可能存在不同目标人脸特征向量对应同一目标人员的情况，所以，为了降低数据处理量和提高数据处理的精确度，将若干个目标人脸特征向量进行聚类，向量聚类方法采用现有技术即可，每一目标人脸特征向量组中的若干个目标人脸特征向量均对应同一个目标人员，即每一目标人脸特征向量组中的若干个目标人脸特征向量对应的待处理图像中的人员为同一个目标人员。
步骤S322、对每一目标人脸特征向量组内的若干个目标人脸特征向量进行平均处理，得到每一目标人脸特征向量组对应的目标人脸特征中心向量，以确定目标人脸特征中心向量列表C1,C2,...,Ca,...,Cb；其中，a＝1,2,...,b；b为目标人脸特征向量组的数量；Ca为第a个目标人脸特征向量组对应的目标人脸特征中心向量；
为了进一步降低数据处理量，对每一目标人脸特征向量组的若干目标人脸特征向量进行向量平均，得到每一目标人脸特征向量组对应的目标人脸特征中心向量，目标人脸特征中心向量表示该目标人脸特征向量组对应的目标人员的人脸特征信息。
步骤S323、根据每一历史人员对应的每一历史人脸信息中包括的人脸特征数据，生成每一历史人员对应的若干历史人脸特征向量；
步骤S324、对每一历史人员对应的若干历史人脸特征向量进行平均处理，得到每一历史人员对应的历史人脸特征中心向量，以确定历史人脸特征中心向量列表D1,D2,...,De,...,Ds；其中，e＝1,2,...,s；s为历史人员的数量；De为第e个历史人员对应的历史人脸特征中心向量；
相应的，为了便于匹配度对比，历史人脸信息也进行向量化处理。
步骤S325、将Ca分别与D1,D2,...,De,...,Ds进行匹配度对比，得到第a个目标人脸特征向量组对应的人脸特征匹配度，以确定第a个目标人脸特征向量组对应的人脸特征匹配度集Za＝(Za1,Za2,...,Zae,...,Zas)；其中，Zae为第a个目标人脸特征向量组对应的目标人员与第e个历史人员的人脸特征匹配度。
在本发明的第二实施例中，步骤S400包括：
步骤S420、若MAX(Za)≥E0，则将MAX(Za)对应的历史人员确定为第一历史人员，将第a个目标人脸特征向量组对应的目标人员确定为第一目标人员，将第a个目标人脸特征向量组对应的若干个待处理图像确定为第一待处理图像；其中，MAX()为预设的最大值确定函数；E0为预设的人脸特征匹配度阈值；
设置一个人脸特征匹配度阈值E0，该阈值采用现有的图像对比方法中的人员判定阈值或用户自定数值。
步骤S421、若MAX(Za)＜E0，则获取第a个目标人脸特征向量组对应的若干待处理图像的图像质量指数，得到第a个目标人脸特征向量组对应的第一图像质量指数集Fa＝(Fa1,Fa2,...,Fax,...,Faf(a))；其中，x＝1,2,...,f(a)；f(a)为第a个目标人脸特征向量组对应的待处理图像的数量；Fax为第a个目标人脸特征向量组对应的第x个待处理图像的图像质量指数；
图像质量指数表示对应的图像的清晰度等质量的参数，可通过现有的图像处理方法获得，如获取每一历史人脸图像的清晰度，将清晰度确定为对应的历史人脸图像的图像质量指数。
若第a个目标人脸特征向量组对应的目标人员与第e个历史人员的最大的人脸特征匹配度都比人脸特征匹配度阈值小，则表示第a个目标人脸特征向量组对应的目标人员与第e个历史人员可能不为同一人，但为了进一步提高判断的精确度，再通过对第a个目标人脸特征向量组对应的若干待处理图像与历史人脸图像进行再一次对比。
步骤S422、获取每一历史人员对应的若干历史人脸图像的图像质量指数，得到每一历史人员对应的第二图像质量指数列表集G＝(G1,G2,...,Ge,...,Gs)；Ge＝(Ge1,Ge2,...,Geg,...,Geh(e))；其中，Ge为第e个历史人员对应的第二图像质量指数列表；g＝1,2,...,h(e)；h(e)为第e个历史人员对应的历史人脸图像的数量；Geg为第e个历史人员对应的第g个历史人脸图像的图像质量指数；
步骤S423、遍历G，对MAX(Fa)对应的待处理图像和MAX(Ge)对应的历史人脸图像进行图像对比处理，得到第a个目标人脸特征向量组对应的s个图像匹配度Ya1,Ya2,...,Yae,...,Yas；其中，Yae为MAX(Fa)对应的待处理图像和MAX(Ge)对应的历史人脸图像进行图像对比处理后得到的图像匹配度；
步骤S424、若Yae≥Y0，则将第e个历史人员确定为第一历史人员，将第a个目标人脸特征向量组对应的目标人员确定为第一目标人员，将第a个目标人脸特征向量组对应的f(a)个待处理图像确定为第一待处理图像；其中，Y0为预设的图像匹配度阈值。
选取图像质量最好的历史人脸图像与图像质量最好的待处理图像进行进一步图像对比，若得到的图像匹配度比预设的图像匹配度阈值大，则表示目标人员与对应的历史人员可能为同一人，反之，若得到的图像匹配度比预设的图像匹配度阈值小，则表示目标人员与对应的历史人员可能不为同一人，即目标人员为在数据存储库中没有存储相关信息的人员，因此在第三信息表中要建立一个新的人脸标识组，即目标人脸标识组，并将目标人脸标识存储至目标人脸标识组中，以使若再采集到目标人员的图像时，根据采集的图像生成新的目标人脸标识，并存储至目标人脸标识组中。
本发明通过对每一待处理图像中包括的目标人员的人脸特征数据与每一历史人员的若干人脸特征数据进行匹配度对比，得到每一目标人员对应的每一人脸特征匹配度，若人脸特征匹配度满足预设阈值条件，则将该人脸特征匹配度对应的历史人员确定为第一历史人员，以及将该人脸特征匹配度对应的目标人员确定为第一目标人员，将第一目标人员对应的待处理图像确定为第一待处理图像，根据第一目标人脸图像对应的第一目标人员的人脸特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标人脸图像对应的第一目标人脸信息，根据第一目标车辆图像对应的第一目标车辆的车辆特征数据、第一待处理图像的采集时间、对应的图像采集设备标识，生成第一目标车辆图像对应的第一目标车辆信息，根据第一目标人脸信息和第一目标车辆信息，生成第一待处理图像对应的第一目标人脸标识，并将第一目标人脸标识存储至第一历史人员对应的历史人脸标识组中，并将其分别存储至不同的信息表中，以使数据存储库中存储的人脸图像数据可以根据人脸特征信息进行检索，且根据人脸特征信息可以检索到对应的目标人员的目标车辆信息，提高了后续的检索精度，降低了人员数据的存储复杂度。
本发明的实施例还提供一种计算机程序产品，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
根据本发明的这种实施方式的电子设备。电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：上述至少一个处理器、上述至少一个储存器、连接不同系统组件(包括储存器和处理器)的总线。
其中，所述储存器存储有程序代码，所述程序代码可以被所述处理器执行，使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
储存器可以包括易失性储存器形式的可读介质，例如随机存取储存器(RAM)和/或高速缓存储存器，还可以进一步包括只读储存器(ROM)。
储存器还可以包括具有一组(至少一个)程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种，包括储存器总线或者储存器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器通过总线与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种人脸图像存储方法，其特征在于，应用于人脸图像存储系统，所述人脸图像存储系统连接有数据存储库和若干图像采集设备，每一所述图像采集设备对应唯一图像采集设备标识，所述数据存储库中存储有第一信息表、第二信息表、第三信息表、若干历史人脸图像、若干历史车辆图像；所述第一信息表中存储有每一所述历史人脸图像对应的历史人脸信息，所述历史人脸信息中包括对应的历史人员的人脸特征数据，每一所述历史人脸信息对应唯一历史人脸标识，每一所述历史人脸标识对应唯一历史人员；所述第二信息表中存储有每一所述历史车辆图像对应的历史车辆信息；所述第三信息表中存储有若干历史人脸标识组，每一所述历史人脸标识组中包括若干所述历史人脸标识，且同一历史人脸标识组的若干所述历史人脸标识对应的历史人员相同；
所述方法包括如下步骤：
步骤S100、每隔预设图像采集时间段，获取每一所述图像采集设备在所述图像采集时间段内采集的待处理图像；
步骤S200、对每一所述待处理图像进行信息提取，以获取每一所述待处理图像中包括的目标人员的人脸特征数据；
步骤S300、对每一所述目标人员的人脸特征数据与每一历史人员的若干人脸特征数据进行匹配度对比，得到每一所述目标人员对应的每一人脸特征匹配度；
步骤S400、若所述人脸特征匹配度满足预设阈值条件，则将该所述人脸特征匹配度对应的历史人员确定为第一历史人员，以及将该所述人脸特征匹配度对应的目标人员确定为第一目标人员，将所述第一目标人员对应的待处理图像确定为第一待处理图像；
步骤S500、获取所述第一待处理图像中包括的第一目标人脸图像和第一目标车辆图像；
步骤S600、将所述第一目标人脸图像和所述第一目标车辆图像存储至所述数据存储库中；
步骤S700、根据所述第一目标人脸图像对应的第一目标人员的人脸特征数据、所述第一待处理图像的采集时间、对应的所述图像采集设备标识，生成所述第一目标人脸图像对应的第一目标人脸信息，并将所述第一目标人脸信息存储至所述第一信息表中；
步骤S800、根据所述第一目标车辆图像对应的第一目标车辆的车辆特征数据、所述第一待处理图像的采集时间、对应的所述图像采集设备标识，生成所述第一目标车辆图像对应的第一目标车辆信息，并将所述第一目标车辆信息存储至所述第二信息表中；
步骤S900、根据所述第一目标人脸信息和所述第一目标车辆信息，生成所述第一待处理图像对应的第一目标人脸标识，并将所述第一目标人脸标识存储至所述第一历史人员对应的历史人脸标识组中。
2.根据权利要求1所述的方法，其特征在于，所述步骤S300包括：
步骤S310、根据每一所述待处理图像中包括的目标人员的人脸特征数据，生成每一所述待处理图像对应的目标人脸特征向量，得到目标人脸特征向量列表V1,V2,...,Vm,...,Vn；其中，m＝1,2,...,n；n为所述待处理图像的数量；Vm为第m个所述待处理图像对应的目标人脸特征向量；
步骤S311、根据每一所述历史人脸信息中包括的历史人员的人脸特征数据，生成每一所述历史人脸信息对应的历史人脸特征向量，得到历史人脸特征向量列表W1,W2,...,Wi,...,Wj；其中，i＝1,2,...,j；j为所述历史人脸信息的数量；Wi为第i个所述历史人脸信息对应的历史人脸特征向量；
步骤S312、将Vm分别与W1,W2,...,Wi,...,Wj进行匹配度对比，得到第m个所述待处理图像对应的人脸特征匹配度，以确定第m个所述待处理图像对应的人脸特征匹配度集Pm＝(Pm1,Pm2,...,Pmi,...,Pmj)；其中，Pmi为第m个所述待处理图像中的目标人员与第i个历史人脸信息对应的历史人员的人脸特征匹配度。
3.根据权利要求2所述的方法，其特征在于，所述步骤S400包括：
步骤S410、若MAX(Pm)≥E0，则将MAX(Pm)对应的历史人员确定为第一历史人员，将第m个所述待处理图像对应的目标人员确定为第一目标人员，将第m个所述待处理图像确定为第一待处理图像；其中，MAX()为预设的最大值确定函数；E0为预设的人脸特征匹配度阈值。
4.根据权利要求3所述的方法，其特征在于，所述步骤S410还包括：
步骤S411、若MAX(Pm)＜E0，则将第m个所述待处理图像确定为第二待处理图像；
步骤S412、将所述第二待处理图像中包括的第二目标人脸图像和第二目标车辆图像存储至所述数据存储库中；
步骤S413、根据所述第二目标人脸图像对应的第二目标人员的人脸特征数据、所述第二待处理图像的采集时间、对应的所述图像采集设备标识，生成所述第二目标人脸图像对应的第二目标人脸信息，并将所述第二目标人脸信息存储至所述第一信息表中；
步骤S414、根据所述第二目标车辆图像对应的第二目标车辆的车辆特征数据、所述第二待处理图像的采集时间、对应的所述图像采集设备标识，生成所述第二目标车辆图像对应的第二目标车辆信息，并将所述第二目标车辆信息存储至所述第二信息表中；
步骤S415、在所述第三信息表中建立目标人脸标识组；
步骤S416、根据所述第二目标人脸信息和所述第二目标车辆信息，生成所述第二待处理图像对应的第二目标人脸标识，并将所述第二目标人脸标识存储至所述目标人脸标识组中。
5.根据权利要求1所述的方法，其特征在于，所述步骤S300包括：
步骤S320、根据每一所述待处理图像中包括的目标人员的人脸特征数据，生成每一所述待处理图像对应的目标人脸特征向量；
步骤S321、对若干个所述目标人脸特征向量进行向量聚类，得到若干个目标人脸特征向量组；
步骤S322、对每一所述目标人脸特征向量组内的若干个所述目标人脸特征向量进行平均处理，得到每一所述目标人脸特征向量组对应的目标人脸特征中心向量，以确定目标人脸特征中心向量列表C1,C2,...,Ca,...,Cb；其中，a＝1,2,...,b；b为所述目标人脸特征向量组的数量；Ca为第a个所述目标人脸特征向量组对应的目标人脸特征中心向量；
步骤S323、根据每一所述历史人员对应的每一历史人脸信息中包括的人脸特征数据，生成每一所述历史人员对应的若干历史人脸特征向量；
步骤S324、对每一所述历史人员对应的若干历史人脸特征向量进行平均处理，得到每一所述历史人员对应的历史人脸特征中心向量，以确定历史人脸特征中心向量列表D1,D2,...,De,...,Ds；其中，e＝1,2,...,s；s为所述历史人员的数量；De为第e个所述历史人员对应的历史人脸特征中心向量；
步骤S325、将Ca分别与D1,D2,...,De,...,Ds进行匹配度对比，得到第a个所述目标人脸特征向量组对应的人脸特征匹配度，以确定第a个所述目标人脸特征向量组对应的人脸特征匹配度集Za＝(Za1,Za2,...,Zae,...,Zas)；其中，Zae为第a个所述目标人脸特征向量组对应的目标人员与第e个历史人员的人脸特征匹配度。
6.根据权利要求5所述的方法，其特征在于，所述步骤S400包括：
步骤S420、若MAX(Za)≥E0，则将MAX(Za)对应的历史人员确定为第一历史人员，将第a个所述目标人脸特征向量组对应的目标人员确定为第一目标人员，将第a个所述目标人脸特征向量组对应的若干个所述待处理图像确定为第一待处理图像；其中，MAX()为预设的最大值确定函数；E0为预设的人脸特征匹配度阈值。
7.根据权利要求6所述的方法，其特征在于，所述步骤S420还包括：
步骤S421、若MAX(Za)＜E0，则获取第a个所述目标人脸特征向量组对应的若干所述待处理图像的图像质量指数，得到第a个所述目标人脸特征向量组对应的第一图像质量指数集Fa＝(Fa1,Fa2,...,Fax,...,Faf(a))；其中，x＝1,2,...,f(a)；f(a)为第a个所述目标人脸特征向量组对应的待处理图像的数量；Fax为第a个所述目标人脸特征向量组对应的第x个待处理图像的图像质量指数；
步骤S422、获取每一所述历史人员对应的若干历史人脸图像的图像质量指数，得到每一所述历史人员对应的第二图像质量指数列表集G＝(G1,G2,...,Ge,...,Gs)；Ge＝(Ge1,Ge2,...,Geg,...,Geh(e))；其中，Ge为第e个所述历史人员对应的第二图像质量指数列表；g＝1,2,...,h(e)；h(e)为第e个所述历史人员对应的历史人脸图像的数量；Geg为第e个所述历史人员对应的第g个历史人脸图像的图像质量指数；
步骤S423、遍历G，对MAX(Fa)对应的待处理图像和MAX(Ge)对应的历史人脸图像进行图像对比处理，得到第a个所述目标人脸特征向量组对应的s个图像匹配度Ya1,Ya2,...,Yae,...,Yas；其中，Yae为MAX(Fa)对应的待处理图像和MAX(Ge)对应的历史人脸图像进行图像对比处理后得到的图像匹配度；
步骤S424、若Yae≥Y0，则将第e个所述历史人员确定为第一历史人员，将第a个所述目标人脸特征向量组对应的目标人员确定为第一目标人员，将第a个所述目标人脸特征向量组对应的f(a)个所述待处理图像确定为第一待处理图像；其中，Y0为预设的图像匹配度阈值。
8.根据权利要求1所述的方法，其特征在于，所述第一目标人脸图像通过以下步骤确定：
步骤S510、对所述第一待处理图像进行人脸识别处理，确定所述第一待处理图像中第一目标人员的人脸所在的第一目标人脸区域；
步骤S520、将所述第一目标人脸区域对应的图像确定为第一目标人脸图像。
9.一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-8中任意一项所述的方法。
10.一种电子设备，其特征在于，包括处理器和权利要求9中所述的非瞬时性计算机可读存储介质。
CN202311459057.3A 2023-11-03 2023-11-03 一种人脸图像存储方法、设备及介质 Active CN117493434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311459057.3A CN117493434B (zh) 2023-11-03 2023-11-03 一种人脸图像存储方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311459057.3A CN117493434B (zh) 2023-11-03 2023-11-03 一种人脸图像存储方法、设备及介质

Publications (2)

Publication Number Publication Date
CN117493434A true CN117493434A (zh) 2024-02-02
CN117493434B CN117493434B (zh) 2024-05-03

Family

ID=89675855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311459057.3A Active CN117493434B (zh) 2023-11-03 2023-11-03 一种人脸图像存储方法、设备及介质

Country Status (1)

Country Link
CN (1) CN117493434B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857894A (zh) * 2019-01-24 2019-06-07 平安科技（深圳）有限公司 停车场寻车方法、装置、存储介质及计算机设备
CN110569390A (zh) * 2019-08-20 2019-12-13 武汉大千信息技术有限公司 基于区分存储介质的海量案件数据高效检索方法
CN110781759A (zh) * 2019-09-29 2020-02-11 浙江大华技术股份有限公司 车辆与驾驶人员的信息绑定方法、装置及计算机存储介质
WO2020253349A1 (zh) * 2019-06-19 2020-12-24 深圳壹账通智能科技有限公司 基于图像识别的驾驶行为预警方法、装置和计算机设备
CN112270257A (zh) * 2020-10-27 2021-01-26 深圳英飞拓科技股份有限公司 一种运动轨迹确定方法、装置及计算机可读存储介质
CN114360019A (zh) * 2021-12-31 2022-04-15 北京汇通天下物联科技有限公司 人车核验方法、装置、电子设备及存储介质
CN116110100A (zh) * 2023-01-14 2023-05-12 深圳市大数据研究院 一种人脸识别方法、装置、计算机设备及存储介质
CN116189334A (zh) * 2023-01-09 2023-05-30 深圳阜时科技有限公司 人脸识别方法及其装置、计算机可读存储介质以及车辆
CN116844093A (zh) * 2023-07-27 2023-10-03 以萨技术股份有限公司 一种基于实时视频流的人员识别方法、设备及介质
CN116844094A (zh) * 2023-07-27 2023-10-03 以萨技术股份有限公司 一种基于实时视频流的人员点名方法、设备及介质
CN116884076A (zh) * 2023-08-01 2023-10-13 以萨技术股份有限公司 一种指定人员预警方法、电子设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857894A (zh) * 2019-01-24 2019-06-07 平安科技（深圳）有限公司 停车场寻车方法、装置、存储介质及计算机设备
WO2020253349A1 (zh) * 2019-06-19 2020-12-24 深圳壹账通智能科技有限公司 基于图像识别的驾驶行为预警方法、装置和计算机设备
CN110569390A (zh) * 2019-08-20 2019-12-13 武汉大千信息技术有限公司 基于区分存储介质的海量案件数据高效检索方法
CN110781759A (zh) * 2019-09-29 2020-02-11 浙江大华技术股份有限公司 车辆与驾驶人员的信息绑定方法、装置及计算机存储介质
CN112270257A (zh) * 2020-10-27 2021-01-26 深圳英飞拓科技股份有限公司 一种运动轨迹确定方法、装置及计算机可读存储介质
CN114360019A (zh) * 2021-12-31 2022-04-15 北京汇通天下物联科技有限公司 人车核验方法、装置、电子设备及存储介质
CN116189334A (zh) * 2023-01-09 2023-05-30 深圳阜时科技有限公司 人脸识别方法及其装置、计算机可读存储介质以及车辆
CN116110100A (zh) * 2023-01-14 2023-05-12 深圳市大数据研究院 一种人脸识别方法、装置、计算机设备及存储介质
CN116844093A (zh) * 2023-07-27 2023-10-03 以萨技术股份有限公司 一种基于实时视频流的人员识别方法、设备及介质
CN116844094A (zh) * 2023-07-27 2023-10-03 以萨技术股份有限公司 一种基于实时视频流的人员点名方法、设备及介质
CN116884076A (zh) * 2023-08-01 2023-10-13 以萨技术股份有限公司 一种指定人员预警方法、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARUN DAS 等: "Distributed AI-Driven Search Engine on Visual Internet-of-Things for Event Discovery in the Cloud", 2022 17TH ANNUAL SYSTEM OF SYSTEMS ENGINEERING CONFERENCE (SOSE), 6 June 2022 (2022-06-06), pages 514 - 521, XP034144465, DOI: 10.1109/SOSE55472.2022.9812698 *
李洁: "基于Hadoop的海量视频的分布式存储与检索研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), 15 May 2016 (2016-05-15), pages 138 - 1378 *

Also Published As

Publication number Publication date
CN117493434B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN109086669B (zh) 人脸识别身份验证方法、装置、电子设备
US11363210B2 (en) In-vehicle device and vehicle search system
CN112307978B (zh) 目标检测方法、装置、电子设备及可读存储介质
CN112650868B (zh) 图像检索方法、装置及存储介质
CN114170516B (zh) 一种基于路侧感知的车辆重识别方法、装置及电子设备
CN113189989B (zh) 车辆意图预测方法、装置、设备及存储介质
CN113033631A (zh) 一种模型的增量训练方法和装置
CN113837669B (zh) 一种标签体系的评价指标构建方法和相关装置
CN112163074A (zh) 用户意图识别方法、装置、可读存储介质及电子设备
CN111881740A (zh) 人脸识别方法、装置、电子设备及介质
CN110728287A (zh) 图像识别方法及装置、电子设备、存储介质
CN117493434B (zh) 一种人脸图像存储方法、设备及介质
CN110619280B (zh) 一种基于深度联合判别学习的车辆重识别方法及装置
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN113435502B (zh) 站点流量确定方法、装置、设备及存储介质
CN117493415B (zh) 一种车辆驾乘人员查询方法、电子设备及存储介质
CN111860661B (zh) 基于用户行为的数据分析方法、装置、电子设备及介质
CN116258190A (zh) 一种量化方法、装置及相关设备
CN113255703A (zh) 图像识别方法以及电子设备、计算机可读存储介质
CN117496571A (zh) 一种基于人脸识别的人员数据存储方法、设备及介质
CN117496719B (zh) 一种车辆信息查询方法、电子设备及存储介质
CN117493415A (zh) 一种车辆驾乘人员查询方法、电子设备及存储介质
CN112419366A (zh) 车辆的追踪方法、系统及计算机可读存储介质
CN113792569A (zh) 对象识别方法、装置、电子设备及可读介质
CN113469159B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质

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