一种基于云边端架构的人脸识别方法和系统与流程

1.本发明涉及人脸识别技术领域，尤其是涉及一种基于云边端架构的人脸识别方法和系统。


背景技术：

2.伴随着人脸识别技术的发展，人脸识别越来越多得融入了我们的日常生活。面对多异地分布，多网段划分和多系统交互的情况，如何能将人脸识别技术安全有效得进行部署？目前已经有的人脸识别解决方案，大多是将人脸信息下发到终端，在终端获取人脸信息之后进行算法处理；或者是将终端获取的人脸信息传送到云端，在云端进行算法处理；还有使用云边端融合技术，在边端进行人脸数据处理，将获取的人脸信息返回到云端进行对比。这些方案都能实现人脸识别的功能，但实施起来都存在一些缺陷以待提升。
3.目前存在如下现有技术：
4.现有技术一：在终端进行人脸算法比对的解决方案：在终端采集人脸信息之后，在终端进行人脸检测和人脸特征值的提取，调用算法获取比对结果，然后将结果推送到终端，并在终端储存和管理数据。
5.现有技术一的缺点：1.将人脸信息和相关数据都存储在终端，这样会导致人脸信息的泄露，不能保证信息安全。2.由于是脱机环境，所以基础信息不方便从oa等系统中同步，例如人员特征值的增减，阈值的定制化管理等。3.arm架构的终端设备性能非常有限，一旦人脸数量较多，比对的时间会大幅增大，导致体验不佳。
6.现有技术二：在云端进行人脸算法比对的解决方案：在终端采集人脸信息之后，将人脸信息传回云端，在云端进行算法的处理比对和数据的管理。
7.现有技术二的缺点：需要将数据传回后台，在传输过程中消耗大量时间。同时将算法处理和数据管理都放在云端处理，导致云端计算压力过大处理速度过慢，耦合度高。
8.现有技术三：使用云边端融合的技术，终端采集人脸信息，边端进行人脸检测，人脸跟踪和质量检测，然后向云端发送每个人脸图片对应的目标人脸图像，在云端进行人脸识别。
9.现有技术三的缺点：边端进行图像处理之后将图像返回给云端，相比较于技术二中不进行处理直接传输图像会减少冗余数据，但在传输的过程中仍会给传输网络带来负担。将人脸识别放在云端进行，对云端也会带来计算压力。


技术实现要素：

10.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于云边端架构的人脸识别方法和系统，以解决用户人脸信息安全性问题，减少人脸图像大报文交互对网络带宽的压力，提升人脸识别效率和可靠性。
11.本发明的目的可以通过以下技术方案来实现：
12.一种基于云边端架构的人脸识别方法，所述云边端架构包括依次通信连接的终
端、边端和云端，所述终端与边端均安装在同一本地网段，所述云端安装在远程网段，所述人脸识别方法包括以下步骤：
13.终端的数据处理步骤：通过终端实时采集人脸信息，对所述人脸信息进行质量检测和活体检测，若所述质量检测和活体检测均通过，则将所述人脸信息推送给边端；
14.边端的数据处理步骤：边端接收云端传输的人脸特征信息，根据终端传输的人脸信息进行特征提取，并与从云端传送至边端的人脸特征数据进行比对，获取对比结果；根据该对比结果控制所述终端的动作，并将对比结果推送至云端进行管理；
15.云端的数据处理步骤：对边端传输的数据进行统计、管理和存储，并与边端进行数据交互，根据人脸数据提取人脸特征信息。
16.进一步地，所述人脸特征信息存储在生物信息模型，该生物信息模型划分为多个生物库系统，所述边端选取对应的生物库系统进行人脸对比；
17.每个生物库系统均设有误识库和基础库，所述误识库和基础库中的每个对象均对应设有人脸识别阈值，同一对象在误识库中的人脸识别阈值大于在基础库中的人脸识别阈值；
18.所述边端进行人脸对比时，依次在误识库和基础库中进行查找，直至找到对应的人员，若在生物库系统中进行人脸对比获得的比分大于对应的人脸识别阈值，则判断识别出对应的人员。
19.进一步地，所述多个生物库系统按照机构、地区、位置进行划分。
20.进一步地，所述生物库系统还设有黑名单库，用于识别黑名单人员，所述边端进行人脸对比时，依次在黑名单库、误识库和基础库中进行查找，直至找到对应的人员。
21.进一步地，所述终端分布在各个园区的各个场景中，根据园区的类型、场景需求和人员信息，在对应的终端中配置生物库系统的误识库和基础库的人脸数据以及人脸识别阈值，实现针对各个园区的分布式人脸识别。
22.进一步地，所述终端采集人脸信息时还进行去重处理，该去重处理具体为：每隔一个预设的第一时间间隔上传一次人脸信息。
23.进一步地，所述终端的数据处理步骤还包括：若边端返回的对比结果为人脸识别成功，则在预设的第二时间间隔内，则不再重复处理人脸识别结果。
24.本发明还提供一种基于云边端架构的人脸识别系统，包括依次通信连接的终端、边端和云端，所述终端与边端均安装在同一本地网段，所述云端安装在远程网段，
25.所述终端被配置为：通过终端实时采集人脸信息，对所述人脸信息进行质量检测和活体检测，若所述质量检测和活体检测均通过，则将所述人脸信息推送给边端；
26.所述边端被配置为：边端接收云端传输的人脸特征信息，根据终端传输的人脸信息进行特征提取，并与从云端传送至边端的人脸特征数据进行比对，获取对比结果；根据该对比结果控制所述终端的动作，并将对比结果推送至云端进行管理；
27.所述云端被配置为：对边端传输的数据进行统计、管理和存储，并与边端进行数据交互。
28.进一步地，所述人脸特征信息存储在生物信息模型，该生物信息模型划分为多个生物库系统，所述边端选取对应的生物库系统进行人脸对比；
29.每个生物库系统均设有误识库和基础库，所述误识库和基础库中的每个对象均对
应设有人脸识别阈值，同一对象在误识库中的人脸识别阈值大于在基础库中的人脸识别阈值；
30.所述边端进行人脸对比时，依次在误识库和基础库中进行查找，直至找到对应的人员，若在生物库系统中进行人脸对比获得的比分大于对应的人脸识别阈值，则判断识别出对应的人员。
31.进一步地，所述终端分布在各个园区的各个场景中，根据园区的类型、场景需求和人员信息，在对应的终端中配置生物库系统的误识库和基础库的人脸数据以及人脸识别阈值，实现针对各个园区的分布式人脸识别。
32.与现有技术相比，本发明具有以下优点：
33.(1)本发明利用云边端架构，通过终端进行人脸信息和温度信息的采集，通过边端进行人脸信息对比，通过远端进行数据的管理和存储，主要由处在同一本地网段的终端和边端进行数据计算，实现将计算前置，使数据就近完成处理，传输更加安全，数据处理更加及时；使用多个的边端节点来处理数据，响应速度更快，计算效率更高；在异地部署边端，再统一将数据在云端管理，便于管理，增加了数据的安全性。
34.(2)使用多园区模式，面对复杂的使用场景实现灵活部署；另外使用了多生物库模型，增强了生物识别的速度和准确性；在实际使用过程中，还可以根据识别情况动态设置阈值，保证通过率和误识率。
35.(3)通过使用云边端的架构，在边端使用通用服务器，无需再使用专用服务器；将边端就近部署到各个园区，再集中在云端统一管理，极大得提高了人脸识别的速度；版本发布使用自助升级和远程发布两种机制，使版本发布更加灵活；在终端和后台使用两种去重机制，避免重复识别，增加效率；在使用云边端架构的基础上，结合实际使用中遇到的问题改进了相关功能，加快人脸识别的速度和效率，便于管理和各系统的互动，提高人脸识别信息的安全性。
附图说明
36.图1为本发明实施例中提供的一种基于云边端架构的人脸识别系统的网络架构示意图；
37.图2为本发明实施例中提供的一种基于云边端架构的人脸识别系统的物理架构示意图；
38.图3为本发明实施例中提供的一种基于云边端架构的人脸识别系统的云边端配置示意图；
39.图4为本发明实施例中提供的一种生物信息模型的示意图；
40.图5为本发明实施例中提供的一种多园区模式的示意图。
具体实施方式
41.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
42.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通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。
43.缩略语和关键术语定义：
44.人脸识别：
45.以人脸特征作为鉴别身份的一种生物特征识别方法。通过提取用户人脸图片特征并将该特征与已存储的模板特征进行对比，以识别用户身份。
46.云端：
47.由各服务器组成，将边缘计算无法处理的数据进行存储，处理，整理和分析，并实现和多系统的交互工作。
48.边端：
49.在靠近物或数据源头的一侧，利用靠近数据源的边缘地带来完成运算程序，不用将大量数据上传到云端。可部署于不同量级的智能设备和计算节点中，提供安全可靠、低延时、低成本、易扩展、弱依赖的本地计算服务。
50.终端：
51.设备端，即人脸识别门禁等设备，实现人脸采集，人脸检测功能。
52.实施例1
53.本实施例提供一种基于云边端架构的人脸识别方法，云边端架构包括依次通信连接的终端、边端和云端，终端与边端均安装在同一本地网段，云端安装在远程网段，人脸识别方法包括以下步骤：
54.终端的数据处理步骤：通过终端实时采集人脸信息，对人脸信息进行质量检测和活体检测，若质量检测和活体检测均通过，则将人脸信息推送给边端；还可通过终端采集人脸温度信息，推送给边端存储；
55.边端的数据处理步骤：边端接收云端传输的人脸特征信息，根据终端传输的人脸信息进行特征提取，并与从云端传送至边端的人脸特征数据进行比对，获取对比结果；根据该对比结果控制终端的动作，并将对比结果推送至云端进行管理。
56.作为一种优选的实施方式，终端采集人脸信息时还进行去重处理，该去重处理具体为：每隔一个预设的第一时间间隔上传一次人脸信息，避免多次重复识别，造成时间和资源的浪费。
57.作为一种优选的实施方式，若边端返回的对比结果为人脸识别成功，则在预设的第二时间间隔内，则不再重复处理人脸识别结果。
58.云端的数据处理步骤：对边端传输的数据进行统计、管理和存储，并与边端进行数据交互，根据人脸数据提取人脸特征信息。
59.利用云边端架构，将计算前置，分布在处于同一本地网络的终端和边端中，使数据就近完成处理，传输更加安全，数据处理更加及时；使用多个的边端节点来处理数据，响应速度更快，计算效率更高；在异地部署边端，再统一将数据在云端管理，便于管理，增加了数据的安全性；同时对抓拍技术的优化，是抓拍速度更快准确度更高，用户体验取得较大的提升。
60.人脸特征信息存储在生物信息模型，该生物信息模型按照机构、地区、位置等划分为多个生物库系统，边端选取对应的生物库系统进行人脸对比；
61.每个生物库系统均设有误识库和基础库，误识库和基础库中的每个对象均对应设有人脸识别阈值，同一对象在误识库中的人脸识别阈值大于在基础库中的人脸识别阈值；
62.边端进行人脸对比时，依次在误识库和基础库中进行查找，直至找到对应的人员，若在生物库系统中进行人脸对比获得的比分大于对应的人脸识别阈值，则判断识别出对应的人员。
63.使用该生物信息模型，可以提高生物识别的准确性，避免误识；同时在各个生物信息库中都会存储人员的姓名，证件等相关信息，便于查找到人员之后快速获取人员信息。
64.优选地，生物库系统还设有黑名单库，用于识别黑名单人员，边端进行人脸对比时，依次在黑名单库、误识库和基础库中进行查找，直至找到对应的人员。
65.优选地，终端分布在各个园区的各个场景中，根据园区的类型、场景需求和人员信息，在对应的终端中配置生物库系统的误识库和基础库的人脸数据以及人脸识别阈值，实现针对各个园区的分布式人脸识别。
66.实施例2
67.本实施例提供一种基于云边端架构的人脸识别系统，包括依次通信连接的终端、边端和云端，终端与边端均安装在同一本地网段，云端安装在远程网段，
68.终端被配置为：实时采集人脸信息和温度信息，对人脸信息进行质量检测，根据温度信息进行活体检测，若质量检测和活体检测均通过，则将人脸信息推送给边端；
69.边端被配置为：边端接收云端传输的人脸特征信息，根据终端传输的人脸信息进行特征提取，并与从云端传送至边端的人脸特征数据进行比对，获取对比结果；根据该对比结果控制终端的动作，并将对比结果推送至云端进行管理；
70.云端被配置为：对边端传输的数据进行统计、管理和存储，并与边端进行数据交互。
71.生物信息模型划分为多个生物库系统，边端选取对应的生物库系统进行人脸对比；
72.每个生物库系统均设有误识库和基础库，误识库和基础库中的每个对象均对应设有人脸识别阈值，同一对象在误识库中的人脸识别阈值大于在基础库中的人脸识别阈值；
73.边端进行人脸对比时，依次在误识库和基础库中进行查找，直至找到对应的人员，若在生物库系统中进行人脸对比获得的比分大于对应的人脸识别阈值，则判断识别出对应的人员。
74.下面进行具体描述。
75.1、网络架构
76.如图1所示，将终端设备和边端服务器安装在同一个网段，云端服务器设置在远程网段，在边端服务器和远程网络之间设置防火墙，实现不同网段直接的联通。
77.2、物理架构
78.如图2所示，终端由刷脸设备和测温设备组成，刷脸终端捕捉人脸信息，去重之后将抓拍的人脸信息同步推送到边端。测温设备获取温度之后再异步推送到边端。
79.边端就近部署多个边端服务器，调用算法进行人脸特征提取和人脸比对，将对比
的结果传给终端显示给用户，同时将对比结果推送到云端。另外边端还负责接收从云端传来的相关信息。
80.云端部署多个云端服务器，接收到从边端传来的信息之后存储到数据库中，并和其他各系统进行交互。
81.3、终端配置
82.如图3所示，在终端进行图像的采集，质量检测和活体检测等功能，把抓拍的人脸信息同步推送到边端，把识别的体温信息异步推送到边端，边端对人脸信息进行特征提取，并同步接收云端推送的人脸特征信息进行人脸比对；本方案结合实际情况，在终端对人脸识别机进行了一系列的优化：
83.a.添加去重的功能：由于检测对象可能长时间处在检测范围之内，因此会出现大量重复检测对象，所以规定一张人脸在一定时间内只能识别一次，避免多次重复识别，造成时间和资源的浪费。
84.b.设置请求时间间隔：进入抓拍区域后开始抓拍，人脸识别成功后在一定时间内不会重复识别。
85.c.有两种版本升级方式：自主版本升级和远程版本发布。
86.自助版本升级：在人脸识别设备上通过手动操作升级版本。
87.远程版本发布：在云端管理页面上远程控制终端版本升级。
88.d.新增阈值管理，根据实际应用中用户的识别结果，灵活设置阈值，同时保证通过率和误识率。
89.e.减少对算法的依赖：因为各种算法提取出来的特征值不同，故将原本往边端传特征值的方法改成传图片，这样对各大算法都可以兼容，减少对算法的依赖。
90.4、边端配置
91.就近设置多个边端处理数据，实现数据的点状分布。边端对终端传来的信息，调用算法进行特征提取和人脸比对，获得比对结果。将结果传给终端响应来控制闸机的开关和终端设备的显示信息，同时将结果推送到云端进行管理。另外还可以接受云端传来的信息进行处理。
92.5、云端配置
93.连接数据库，新建和管理该系统所需的表；将多地边端返回的数据统一在云端进行统计和管理，在去重之后存储进流水表；连接各系统，实现和多系统的交互；提供管理平台管理系统中的数据，同时还可以控制远程版本发布。
94.6、边端中人脸比对的生物信息模型
95.如图4所示，边端中设有生物信息模型用于进行人脸比对，生物信息模型划分为多个生物库系统，生物库系统按照机构、地区、位置等因素进行划分；在划分好的生物库系统中设置有黑名单库，误识库和基础库。在对应的生物库系统中查找人员时，会按顺序从黑名单库、误识库、基础库依次进行查找，直至找到对应人员。
96.每个生物库都有对应的阈值，一般来说，黑名单库和误识库的阈值会比基础库的高，用来提高生物识别的准确性。
97.表1使用误识库的对比示例
[0098][0099]
表1展示了如何使用误识库来避免误识：对象a在人脸比对时发现与对象b的得分高于与自身的比分，算法会取与查询对象人脸比分大于阈值的最高分作为识别结果，因此如果不使用误识库那么会误识对象b为对象a(85>83且大于阈值80)，造成识别错误。此时应该将对象b放进误识库，并设置误识库的阈值(87)高于对象a和对象b的对比得分(85)，那么就不会识别出对象b，可以正确识别对象a。
[0100]
使用该生物信息模型，可以提高生物识别的准确性，避免误识；同时在各个生物库系统中都会存储人员的姓名，证件等相关信息，便于查找到人员之后快速获取人员信息。
[0101]
7、终端和边端的多园区模式布局
[0102]
如图5所示，在实际使用时使用了多园区模式，即可以根据实际需求设置多种类型的园区，一个人员可以属于多个园区。在不同类型的园区中，以不同的场景建设为需求，在终端中进行配置。
[0103]
多园区模式对于人员数量众多，使用场景复杂的情况能够实现快速集成，快速部署，便于管理，试用于多种需求场景。
[0104]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。