图像特征提取方法、装置、存储介质及电子设备与流程

本公开涉及人脸识别技术领域，具体地，涉及一种图像特征提取方法、装置、存储介质及电子设备。

背景技术

人脸识别技术是是基于人的脸部特征信息进行身份识别的一种生物识别技术，其原理是将海量人员图像分别提取特征后存储在人脸识别终端中作为人脸识别数据库，然后对摄像头捕捉的图像进行提取特征后在人脸识别数据库中进行比对，人员图像的特征提取是人脸识别的基础。

相关技术中，人员图像的特征提取主要是通过云端平台向各人脸识别终端下发所有待进行特征提取的人员图像，然后各人脸识别终端对所有的人员图像分别进行特征提取。如果待进行特征提取的人员图像数量众多，那么将所有人员图像下发到每个人脸识别终端就将耗费大量的网络带宽，并且，每个人脸识别终端对接收到的所有人员图像进行特征提取，还将耗费各人脸识别终端大量的计算资源。

技术实现要素：

本公开的目的是提供一种图像特征提取方法、装置、存储介质及电子设备，以解决相关技术中图像特征提取存在的耗费大量网络带宽，以及耗费人脸识别终端大量计算资源的问题。

第一方面，本公开提供一种图像特征提取方法，包括：

确定多个人脸识别终端的运行状况；

根据各人脸识别终端的运行状况，将待进行特征提取的多个人员图像进行分包处理；

将分包后的人员图像分发给对应运行状态的人脸识别终端，以使所述多个人脸识别终端对接收到的人员图像进行特征提取；

分别接收所述多个人脸识别终端发送的特征信息。

可选地，在分别接收所述多个人脸识别终端发送的特征信息之后，还包括：

按照各人脸识别终端的使用场景，将接收到的特征信息分发给所述多个人脸识别终端，以通过所述多个人脸识别终端进行人脸识别。

可选地，所述按照各人脸识别终端的使用场景，将接收到的特征信息分发给所述多个人脸识别终端，包括：

按照各人脸识别终端的使用场景，确定各人脸识别终端的识别人员；

分别给每个人脸识别终端发送该人脸识别终端的识别人员对应的特征信息。

可选地，在按照各人脸识别终端的使用场景，将接收到的特征信息分发给所述多个人脸识别终端之前，还包括：

分别确定所述多个人脸识别终端的标识信息，其中，所述标识信息用于唯一标识各人脸识别终端；

根据所述标识信息，确定各人脸识别终端的使用场景。

可选地，所述确定多个人脸识别终端的运行状态，包括：

获取所述多个人脸识别终端的中央处理器cpu使用率和/或内存使用率；

根据所述cpu使用率和/或内存使用率，确定所述多个人脸识别终端的运行状况。

第二方面，本公开还提供一种图像特征提取装置，所述装置包括：

第一确定模块，用于确定多个人脸识别终端的运行状况；

分包处理模块，用于根据各人脸识别终端的运行状况，将待进行特征提取的多个人员图像进行分包处理；

第一发送模块，用于将分包后的人员图像分发给对应运行状态的人脸识别终端，以使所述多个人脸识别终端对接收到的人员图像进行特征提取；

接收模块，用于分别接收所述多个人脸识别终端发送的特征信息。

可选地，所述装置还包括：

第二发送模块，用于按照各人脸识别终端的使用场景，将接收到的特征信息分发给所述多个人脸识别终端，以通过所述多个人脸识别终端进行人脸识别。

可选地，所述第二发送模块包括：

第二确定模块，用于按照各人脸识别终端的使用场景，确定各人脸识别终端的识别人员；

第三发送模块，用于分别给每个人脸识别终端发送该人脸识别终端的识别人员对应的特征信息。

可选地，所述装置还包括：

第三确定模块，用于在按照各人脸识别终端的使用场景，将接收到的特征信息分发给所述多个人脸识别终端之前，分别确定所述多个人脸识别终端的标识信息，其中，所述标识信息用于唯一标识各人脸识别终端；

第四确定模块，用于根据所述标识信息，确定各人脸识别终端的使用场景。

可选地，所述第一确定模块用于获取所述多个人脸识别终端的中央处理器cpu使用率和/或内存使用率，并根据所述cpu使用率和/或内存使用率，确定所述多个人脸识别终端的运行状况。

第三方面，本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面里任一项所述方法的步骤。

第四方面，本公开还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面里任一项所述方法的步骤。

通过上述技术方案，可以先确定多个人脸识别终端的运行状况，然后根据各人脸识别终端的运行状况，将待进行特征提取的多个人员图像进行分包处理，再将分包后的人员图像分发给对应运行状态的人脸识别终端，以使多个人脸识别终端对接收到的人员图像进行特征提取，最后分别接收多个人脸识别终端发送的特征信息。这样，各人脸识别终端不用接收所有待进行特征提取的人员图像，节省了网络带宽，并且，各人脸识别终端只需对接收到的人员图像进行特征提取，而不用对所有人员图像进行特征提取，因此，这也节省了各人脸识别终端的计算资源。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是将本公开的图像特征提取方法应用于云端平台时云端平台与人脸识别终端的架构示意图；

图2是根据本公开一示例性实施例示出的图像特征提取方法的流程图；

图3是根据本公开一示例性实施例示出的图像特征提取装置的框图；

图4是根据本公开一示例性实施例示出的一种电子设备的框图；

图5是根据本公开一示例性实施例示出的另一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

首先说明本公开的图像特征提取方法的应用场景，本公开的图像特征提取方法可以应用于云端平台，比如，saas(software-as-a-service，软件即服务)平台，参照图1，云端平台下管理有多个人脸识别终端，云端平台可以通过网络与各人脸识别终端进行数据交互。当然，本公开还可以应用于人脸识别终端，比如，多个人脸识别终端通过网络互相连接，当某一个人脸识别终端获取到的人员图像较多时，就可以通过本公开的方法将人员图像分发给其他人脸识别终端，通过其他人脸识别终端进行特征提取。

图2是根据本公开一示例性实施例示出的图像特征提取方法的流程图，参照图2，本公开的图像特征提取方法包括以下步骤：

步骤s201，确定多个人脸识别终端的运行状况。

步骤s202，根据各人脸识别终端的运行状况，将待进行特征提取的多个人员图像进行分包处理。

步骤s203，将分包后的人员图像分发给对应运行状态的人脸识别终端，以使多个人脸识别终端对接收到的人员图像进行特征提取。

步骤s204，分别接收多个人脸识别终端发送的特征信息。

人脸识别终端的运行状态可以是表征人脸识别终端繁忙程度的状态，比如，不繁忙状态，较繁忙状态，繁忙状态，等等，本公开对此不作限定。

确定多个人脸识别终端的运行状态可以是通过人脸识别终端的cpu(centralprocessingunit，中央处理器)使用率确定的，也可以是通过人脸识别终端的内存使用率确定的，还可以是通过结合人脸识别终端的cpu使用率和内存使用率确定的，等等，本公开对此不作限定。即，可选地，可以获取多个人脸识别终端的中央处理器cpu使用率和/或内存使用率，然后根据cpu使用率和/或内存使用率，确定多个人脸识别终端的运行状况。

例如，获取了一个人脸识别终端的cpu使用率为90％，那么根据cpu使用率可以确定该人脸识别终端的运行状况为较繁忙状态，又或者，获取了一个人脸识别终端的内存使用率为30％，那么根据内存使用率可以确定该人脸识别终端的运行状况为不繁忙状态。

在确定多个人脸识别终端的运行状况之后，就可以根据各人脸识别终端的运行状况，将待进行特征提取的多个人员图像进行分包处理。

分包处理中，每个人脸识别终端分得的人员图像数，可以是通过各人脸识别终端还可处理的最大数据容量确定的，每个人脸识别终端最终分得的人员图像数对应的数据容量可以小于或等于该最大数据容量。比如，根据运行状况确定了一个人脸识别终端还可处理的最大数据容量为20m，那么就可以分给该人脸识别终端数据容量为20m的人员图像，或者，为了减少人脸终端的负载，也可以分给该人脸识别终端数据容量少于20m的人员图像，本公开对此不作限定。

例如，待进行特征提取的人员图像为100张，云端平台下管理有两个人脸识别终端a和b，根据cpu使用率确定了人脸识别终端a和b的运行状况分别为不繁忙状态和较繁忙状态，且根据运行状况确定了人脸识别终端a和b还可以处理的最大数据容量分别为100m和20m，那么进行分包处理可以是将100张图像分为两个包，一个包中包括数据容量小于或等于100m的人员图像，另一个包中包括数据容量小于或等于20m的人员图像。

如果数据容量为100m对应的人员图像数为70张，数据容量为20m对应的人员图像数为30张，那么人脸识别终端a就可以分得70张人员图像或者比70张更少的人员图像，人脸识别终端b可以分得30张人员图像或者比30张更少的人员图像，即，根据运行状况确定的越繁忙的人脸识别终端分的包越小，包含的人员图像数越少。

需要说明的是，如果分包之后，还剩余待进行特征提取的人员图像，比如上述待进行特征提取的人员图像为100张的例子中，如果人脸识别终端a分得比70张更少的人员图像，人脸识别终端b分得比30张更少的人员图像，那么这100张人员图像并没有全部发送给人脸识别终端，在这种情况，可以进行等待，当某一个人脸识别终端对接收到的全部人员图像进行特征提取后，就将剩余未下发的人员图像发送给这个人脸识别终端进行特征提取。

另外，各人脸识别终端分得的人员图像还可以是根据各人脸识别终端的运行状况，按比例分配。比如，待进行特征提取的人员图像为100张，云端平台下管理有两个人脸识别终端a和b，根据cpu使用率，确定了人脸识别终端a和b的分得的人员图像比例分别为70％和30％，那么进行分包处理可以是将100张图像分为两个包，一个包中包括这100张图像中70％的图像，另一个包中包括100张图像中30％的图像，即，人脸识别终端a可以分得70张人员图像，人脸识别终端b可以分得30张人员图像。

需要说明的是，本公开对于将待进行特征提取的多个人员图像进行分包处理的具体方式包括但不仅限于上述的两种方式，用户可以根据需求自行确定分包处理的方式，只要是根据各人脸识别终端的运行状况进行的分包处理即可。

进行分包处理后，可以将分包后的人员图像分发给对应运行状态的人脸识别终端，以使多个人脸识别终端对接收到的人员图像进行特征提取。

例如，上述待进行特征提取的人员图像为100张的例子中，分包处理的结果为一个数据包中包括70张人员图像，另一个数据包中包括30张人员图像，那么分包处理后，就将包括70张人员图像的数据包发送给人脸识别终端a，将包括30张人员图像的数据包发送给人脸识别终端b，然后，人脸识别终端a和b就对接收到的人员图像进行特征提取。

人脸识别终端对接收到的人员图像进行特征提取后，就分别接收各人脸识别终端发送的特征信息。以本公开的图像特征提取方法应用于云端平台为例，当各人脸识别终端对接收到的人员图像进行特征提取后，云端平台就分别接收各人脸识别终端发送的特征信息。

需要说明的是，为了便于对人员图像和特征提取后得到的特征信息进行管理，每个人员图像对应于一个标识信息，该标识信息唯一标识人员图像。因此，在步骤s203中，将分包后的人员图像分发给对应运行状态的人脸识别终端的同时，也将人员图像对应的标识号发送给对应运行状态的人脸识别终端了，同样的，人脸识别终端对人员图像进行特征提取后，在发送特征信息的时候，也是将对应的标识号一起发送的，这样的话，在接收到特征信息时，就可以通过标识号对特征信息进行管理，从而将特征信息与对应的人员信息一一对应。

可选地，在分别接收多个人脸识别终端发送的特征信息之后，还可以按照各人脸识别终端的使用场景，将接收到的特征信息分发给多个人脸识别终端，以通过多个人脸识别终端进行人脸识别。

根据各人脸识别终端的使用场景，将特征信息分发给多个人脸识别终端，而不是将所有的特征信息分发给多个人脸识别终端，那么在将摄像头捕获的图像进行特征提取后在人脸识别数据库中进行比对时，就能在较少的特征信息中快速找到对应的特征信息，这提高了人脸识别的效率。

当然，如果对于人脸识别的效率没有较高的要求，在本公开实施例中也能将接收到的所有特征信息分发给各人脸识别终端，然后各人脸识别终端就将所有特征信息作为人脸识别数据库进行人脸识别。

对于各人脸识别终端的使用场景的确定方式，本公开不作限定，下面对可能的方式进行说明。

可选地，分别确定多个人脸识别终端的标识信息，然后根据标识信息，确定各人脸识别终端的使用场景

标识信息是用于唯一标识各人脸识别终端的，比如，可以是人脸识别终端的设备编号，等等，本公开对此不作限定，只要根据该标识信息可以确定人脸识别终端的使用场景即可。

例如，设置在第一部门的人脸识别终端的设备编号为001，那么根据设备编号为001可以确定该人脸识别终端的使用场景为第一部门，即，该人脸识别终端用于识别第一部门的相关人员。

通过标识信息确定人脸识别终端的使用场景，由于标识信息是唯一标识人脸识别终端的，因此，可以保证确定的人脸识别终端使用场景的准确性，从而保证将特征信息分发给对应使用场景的人脸识别终端。

可选地，按照各人脸识别终端的使用场景，将接收到的特征信息分发给多个人脸识别终端可以是先按照各人脸识别终端的使用场景，确定各人脸识别终端的识别人员，然后分别给每个人脸识别终端发送该人脸识别终端的识别人员对应的特征信息。

由于人脸识别终端的使用场景不同，其对应的识别人员不同，比如，设置在办公室c的人脸识别终端对应的识别人员为办公室c的工作人员，而设置在班级d的人脸识别终端对应的识别人员为班级d的老师和同学，因此，需要先按照人脸识别终端的使用场景，确定各人脸识别终端的识别人员。

在确定各人脸识别终端的识别人员后，就可以分别给每个人脸识别终端发送该人脸识别终端的识别人员对应的特征信息。比如，根据人脸识别终端的使用场景为办公室c，确定了该人脸识别终端的识别人员为办公室c的工作人员e1和工作人员e2，那么就给这个人脸识别终端发送工作人员e1和工作人员e2对应的特征信息，这样，该人脸识别终端在人脸识别的过程中，只需要将摄像头捕捉的图像进行特征提取后与这两个工作人员对应的特征信息进行比对，而不是与待进行特征提取的所有图像对应的所有特征进行比对，这一定程度上提高了人脸识别的效率。

基于同一发明构思，参照图3，本公开还提供一种图像特征提取装置300，包括：

第一确定模块301，用于确定多个人脸识别终端的运行状况；

分包处理模块302，用于根据各人脸识别终端的运行状况，将待进行特征提取的多个人员图像进行分包处理；

第一发送模块303，用于将分包后的人员图像分发给对应运行状态的人脸识别终端，以使多个人脸识别终端对接收到的人员图像进行特征提取；

接收模块304，用于分别接收多个人脸识别终端发送的特征信息。

可选地，装置300还包括：

第二发送模块，用于按照各人脸识别终端的使用场景，将接收到的特征信息分发给多个人脸识别终端，以通过多个人脸识别终端进行人脸识别。

可选地，第二发送模块包括：

第二确定模块，用于按照各人脸识别终端的使用场景，确定各人脸识别终端的识别人员；

第三发送模块，用于分别给每个人脸识别终端发送该人脸识别终端的识别人员对应的特征信息。

可选地，装置300还包括：

第三确定模块，用于在按照各人脸识别终端的使用场景，将接收到的特征信息分发给多个人脸识别终端之前，分别确定多个人脸识别终端的标识信息，其中，标识信息用于唯一标识各人脸识别终端；

第四确定模块，用于根据标识信息，确定各人脸识别终端的使用场景。

可选地，第一确定模块301用于获取多个人脸识别终端的中央处理器cpu使用率和/或内存使用率，并根据cpu使用率和/或内存使用率，确定多个人脸识别终端的运行状况。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是根据一示例性实施例示出的一种电子设备400的框图。如图4所示，该电子设备400可以被提供为一人脸识别终端，包括：处理器401，存储器402。该电子设备400还可以包括多媒体组件403，输入/输出(i/o)接口404，以及通信组件405中的一者或多者。

其中，处理器401用于控制该电子设备400的整体操作，以完成上述的图像特征提取方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作，这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕、音频组件、摄像组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号，摄像组件用于捕捉人员图像。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件405可以包括：wi-fi模块，蓝牙模块，nfc模块。

在一示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的图像特征提取方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的图像特征提取方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器402，上述程序指令可由电子设备400的处理器401执行以完成上述的图像特征提取方法。

图5是根据一示例性实施例示出的一种电子设备500的框图。例如，电子设备500可以被提供为一服务器。参照图5，电子设备500包括处理器522，其数量可以为一个或多个，以及存储器532，用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器522可以被配置为执行该计算机程序，以执行上述的图像特征提取方法。

另外，电子设备500还可以包括电源组件526和通信组件550，该电源组件526可以被配置为执行电子设备500的电源管理，该通信组件550可以被配置为实现电子设备500的通信，例如，有线或无线通信。此外，该电子设备500还可以包括输入/输出(i/o)接口558。电子设备500可以操作基于存储在存储器532的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm等等。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的图像特征提取方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器532，上述程序指令可由电子设备500的处理器522执行以完成上述的图像特征提取方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。