一种驾驶员人像预分类方法、图像分类装置以及存储介质与流程

1.本技术涉及图像聚类技术领域，特别涉及一种驾驶员人像预分类方法、图像分类装置以及存储介质。


背景技术：

2.城市每年机动车保有量高速增长，驾车成为人们普遍的出行方式。为提高城市安防和管理水平，针对机动车和驾驶人员的监控显得十分重要。随着城市路口智能监控设备的全面覆盖，几个小时就会积累海量的过车数据。通过分布式计算对海量过车数据中的人像图片进行人像聚类，并以人为单位的类簇进行身份落档，可实现对驾驶人员的监控。
3.为防止分布式计算出现数据倾斜，需要对数据进行预分桶，使得计算节点负载均衡。监控设备之间地理位置跨度较大，直接将抓拍的海量的人像图片数据平均划分的预分桶方法，分桶后的数据关联度不强，会导致聚档的效果不佳。


技术实现要素：

4.本技术主要解决的技术问题是提供一种驾驶员人像预分类方法、图像分类装置以及存储介质，能够解决现有的驾驶员人像数据按照平均划分的方式进行分类导致分类后的数据关联性不强、聚档效果不佳的问题。
5.为解决上述技术问题，本技术采用的一个技术方案是：提供一种驾驶员人像预分类方法，该方法包括：
6.获取多个驾驶员图像；其中，驾驶员图像由监控设备采集得到，驾驶员图像包括驾驶员人像和对应车辆的车辆信息；根据车辆信息，确定同一车辆的行驶路径对应的监控设备；根据车辆的行驶路径对应的监控设备，确定监控设备之间的关联关系；根据监控设备之间的关联关系，对多个驾驶员图像进行预分类。
7.可选地，在上述方法中，根据车辆信息，确定同一车辆的行驶路径对应的监控设备，包括：
8.根据车辆信息，对多个驾驶员图像进行分组，以得到目标车辆对应的驾驶员图像组；根据目标车辆对应的驾驶员图像组，确定目标车辆的行驶路径；根据目标车辆的行驶路径，确定目标车辆的行驶路径对应的监控设备。
9.可选地，在上述方法中，车辆信息包括车牌信息；根据车辆信息，对多个驾驶员图像进行分组，以得到目标车辆对应的驾驶员图像组，包括：
10.基于多个驾驶员图像对应的车牌信息，对多个驾驶员图像进行分组，以得到目标车辆对应的第一驾驶员图像组；基于驾驶员图像的采集时间，对第一驾驶员图像组中的驾驶员图像进行排序，以得到第二驾驶员图像组；对第二驾驶员图像组进行去重处理，以得到目标车辆对应的驾驶员图像组。
11.可选地，在上述方法中，根据目标车辆对应的驾驶员图像组，确定目标车辆的行驶路径，包括：
12.获取目标车辆对应的驾驶员图像组中每一驾驶员图像对应的监控设备的位置信息；根据驾驶员图像组中每一驾驶员图像对应的监控设备的位置信息，确定目标车辆对应的行驶路径。
13.可选地，在上述方法中，根据车辆的行驶路径对应的监控设备，确定监控设备之间的关联关系，包括：
14.采用fp-growth算法对车辆的行驶路径对应的监控设备进行关联规则计算，以确定监控设备之间的关联关系。
15.可选地，在上述方法中，采用fp-growth算法对车辆的行驶路径对应的监控设备进行关联规则计算之前，还包括：
16.去除只包含一个监控设备的行驶路径。
17.可选地，在上述方法中，根据监控设备之间的关联关系，对多个驾驶员图像进行预分类，包括：
18.根据监控设备之间的关联关系，将监控设备划分为多个监控设备集合；将同一监控设备集合中的驾驶员图像预分类为同一类。
19.可选地，在上述方法中，根据监控设备之间的关联关系，将监控设备划分为多个监控设备集合，包括：
20.根据监控设备之间的关联关系，以一监控设备为key值、与该监控设备满足正相关的强关联规则的另一监控设备为value值，建立监控设备字典；根据监控设备字典，将监控设备划分为多个监控设备集合。
21.可选地，在上述方法中，根据监控设备字典，将监控设备划分为多个监控设备集合，包括：
22.根据监控设备字典，建立监控设备图结构；
23.获取监控设备图结构中与value值满足正相关的强关联规则的监控设备；
24.对满足正相关的强关联规则的监控设备进行去重处理，以得到满足正相关的强关联规则的监控设备集合。
25.可选地，在上述方法中，该方法还包括：
26.若有未划分至任何监控设备集合的监控设备，将未划分的监控设备划分至已有的一监控设备集合中。
27.可选地，在上述方法中，该方法还包括：
28.在预分类后的目标驾驶员图像集合中驾驶员图像的数量大于第一预设阈值时，对目标驾驶员图像集合进行切分；或在预分类后的目标驾驶员图像集合中驾驶员图像的数量小于第二预设阈值时，将目标驾驶员图像集合合并至除目标驾驶员图像之外的剩余驾驶员图像集合中。
29.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种图像分类装置，该图像分类装置包括处理器和存储器。
30.具体地，存储器用于存储程序指令，处理器用于执行该程序指令以实现上述驾驶员人像预分类方法。
31.为解决上述技术问题，本技术采用的又一个技术方案是：提供一种存储介质，该存储介质存储有程序指令，该程序指令能够被执行以实现上述驾驶员人像预分类方法。
32.区别于现有技术，本技术提供了一种驾驶员人像预分类方法、图像分类装置以及存储介质，该方法包括：获取多个驾驶员图像；其中，驾驶员图像由监控设备采集得到，驾驶员图像包括驾驶员人像和对应车辆的车辆信息；根据车辆信息，确定同一车辆的行驶路径对应的监控设备；根据车辆的行驶路径对应的监控设备，确定监控设备之间的关联关系；根据监控设备之间的关联关系，对多个驾驶员图像进行预分类。通过上述方法，根据车辆行驶路径确定监控设备之间的关联关系，再根据监控设备之间的关联关系对驾驶员图像进行预分类，能够增强预分类后驾驶员图像集合中驾驶员图像之间的关联度，提升驾驶员人像聚档的效果。
附图说明
33.为了更清楚地说明本技术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技术的一些实施例，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。其中：
34.图1是本技术提供的驾驶员人像预分类方法一实施例的流程示意图；
35.图2是图1中s12的流程示意图；
36.图3是图2中s121的流程示意图；
37.图4是图2中s122的流程示意图；
38.图5是图1中s13的流程示意图；
39.图6是图1中s14的流程示意图；
40.图7是图6中s141的流程示意图；
41.图8是图7中s1412的流程示意图；
42.图9是本技术提供的图像分类装置一实施例的结构示意图；
43.图10是本技术提供的存储介质一实施例的结构示意图。
具体实施方式
44.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
45.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
46.本技术实施例中的步骤并不一定是按照所描述的步骤顺序进行处理，可以按照需求有选择的将步骤打乱重排，或者删除实施例中的步骤，或者增加实施例中的步骤，本技术实施例中的步骤描述只是可选的顺序组合，并不代表本技术实施例的所有步骤顺序组合，实施例中的步骤顺序不能认为是对本技术的限制。
47.本技术实施例中的术语“和/或”指的是包括相关联的列举项目中的一个或多个的任何和全部的可能组合。还要说明的是：当用在本说明书中时，“包括/包含”指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他特征、整数、步骤、操作、元件和/或组件和/或它们的组群的存在或添加。
48.本技术中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
49.在城市安防和管理过程中，通过分布式计算对道路监控设备采集的驾驶员图像进行人像聚类，并以人为单位的类簇进行身份落档，可实现对驾驶人员的监控。现有技术中直接将监控设备采集的驾驶员图像按照平均划分的方式进行分类，往往导致分类后的数据关联度不强、聚档效果不佳。
50.基于此，本技术提出了一种驾驶员人像预分类方法，该方法根据车辆行驶路径确定监控设备之间的关联关系，再根据监控设备之间的关联关系对驾驶员图像进行预分类，能够增强预分类后驾驶员图像集合中驾驶员图像之间的关联度，提升驾驶员人像聚档的效果。
51.参阅图1，图1是本技术提供的驾驶员人像预分类方法一实施例的流程示意图，该方法包括：
52.s11：获取多个驾驶员图像；其中，所述驾驶员图像由监控设备采集得到，所述驾驶员图像包括驾驶员人像和对应车辆的车辆信息。
53.可选地，获取驾驶员图像的地理范围为地级市大小，即获取一个地级市范围内监控设备采集的驾驶员图像；根据出行时间分析，获取驾驶员图像的时间周期为3小时，即每3小时获取一批监控设备采集的驾驶员图像。可以理解地，获取驾驶员图像的地理范围和时间周期可以根据城市安防和管理的具体要求进行设定，在此不做具体限定。
54.可选地，获取的驾驶员图像可以包括多种信息，比如监控设备的编号、经纬度坐标，驾驶员的人像，车辆的车牌、颜色、车型等等，在此也不做具体限定。
55.s12：根据所述车辆信息，确定同一车辆的行驶路径对应的监控设备。
56.可选地，车辆信息包括车辆的车牌、颜色、车型等信息，可以根据车辆信息比如车牌，对获取到的驾驶员图像进行分组，从而确定车辆的行驶路径，再根据车辆的行驶路径确定其行驶路径对应的监控设备。
57.s13：根据车辆的行驶路径对应的监控设备，确定监控设备之间的关联关系。
58.可选地，根据车辆的行驶路径对应的监控设备，采用关联规则挖掘算法对车辆的行驶路径对应的监控设备进行关联规则计算，可以确定监控设备之间的关联关系。
59.可选地，常用的关联规则挖掘算法主要包括apriori算法与fp-growth算法，其中，fp-growth算法相对于apriori算法在效率上具有很大提高，本实施例主要采用fp-growth算法进行关联规则计算。
60.s14：根据所述监控设备之间的关联关系，对所述多个驾驶员图像进行预分类。
61.可以理解地，为提高驾驶员人像聚档的效果，在对驾驶员图像进行预分类时，应尽
量将属于同一个驾驶员的驾驶员图像划分在一起。如果两个监控设备之间满足正相关的强关联规则，那么这两个监控设备采集到同一个驾驶员的驾驶员图像的可能性最大，比如驾驶员小明驾车被监控设备a拍到，而监控设备a与监控设备b满足正相关的强关联规则，则小明驾车被监控设备b拍到的可能性也非常高。因此，满足正相关的强关联规则的监控设备采集到的驾驶员图像之间也具有较强的关联度。
62.可选地，根据监控设备之间的关联关系，将满足正相关的强关联规则的监控设备采集的驾驶员图像预分类为同一类，能够增强得到的驾驶员图像集合中驾驶员图像之间的关联度。
63.相比于现有技术，本实施例提供了一种驾驶员人像预分类方法，该方法包括：获取多个驾驶员图像；其中，驾驶员图像由监控设备采集得到，驾驶员图像包括驾驶员人像和对应车辆的车辆信息；根据车辆信息，确定同一车辆的行驶路径对应的监控设备；根据车辆的行驶路径对应的监控设备，确定监控设备之间的关联关系；根据监控设备之间的关联关系，对多个驾驶员图像进行预分类。通过上述方法，根据车辆行驶路径确定监控设备之间的关联关系，再根据监控设备之间的关联关系对驾驶员图像进行预分类，能够增强预分类后驾驶员图像集合中驾驶员图像之间的关联度，提升驾驶员人像聚档的效果。
64.参阅图2，图2是图1中s12的流程示意图，s12还可以包括：
65.s121：根据所述车辆信息，对所述多个驾驶员图像进行分组，以得到目标车辆对应的驾驶员图像组。
66.可选地，车辆信息还包括车辆的车牌信息，根据车牌信息对多个驾驶员图像进行分组，可以得到每一车辆对应的驾驶员图像组。
67.s122：根据所述目标车辆对应的驾驶员图像组，确定所述目标车辆的行驶路径。
68.可选地，根据车辆对应的驾驶员图像组，可以确定该车辆行驶过程中经过的装有监控设备的路口，进而确定该车辆可选的多条行驶路径。
69.s123：根据所述目标车辆的行驶路径，确定所述目标车辆的行驶路径对应的监控设备。
70.可选地，根据车辆的行驶路径包括的监控设备的位置信息，确定对应的监控设备。比如根据监控设备的经纬度坐标，确定与其对应的监控设备编号，其中监控设备的经纬度坐标和编号是一一对应的。
71.参阅图3，图3是图2中s121的流程示意图，s121还可以包括：
72.s1211：基于所述多个驾驶员图像对应的车牌信息，对所述多个驾驶员图像进行分组，以得到目标车辆对应的第一驾驶员图像组。
73.可选地，根据车牌信息，将同一车辆的驾驶员图像划分到同一组，得到第一驾驶员图像组。
74.s1212：基于驾驶员图像的采集时间，对所述第一驾驶员图像组中的驾驶员图像进行排序，以得到第二驾驶员图像组。
75.可以理解的，多个驾驶员图像的采集时间具有先后顺序，与驾驶员驾驶车辆经过装有监控设备的路口的时间相对应。
76.可选地，根据驾驶员图像的采集时间，按照采集时间的先后顺序对第一驾驶员图像组中的驾驶员图像进行排序，得到第二驾驶员图像组。
77.s1213：对所述第二驾驶员图像组进行去重处理，以得到所述目标车辆对应的驾驶员图像组。
78.可以理解地，同一个驾驶员在驾驶车辆经过一个装有监控设备的路口时，监控设备一般会采集多张驾驶员图像，这些驾驶员图像存在重复；同一个路口装有两个监控设备时，这两个监控设备采集的驾驶员图像也存在重复。在上述分组过程中，这些重复的驾驶员图像被分在了同一个组。
79.可选地，对第二驾驶员图像组进行去重处理，以得到目标车辆的驾驶员图像组。
80.参阅图4，图4是图2中s122的流程示意图，s122还可以包括：
81.s1221：获取所述目标车辆对应的驾驶员图像组中每一驾驶员图像对应的监控设备的位置信息。
82.可选地，驾驶员图像包括监控设备的位置信息，比如经纬度坐标，因此可以获取车辆的驾驶员图像组中每一驾驶员图像对应的监控设备的经纬度坐标。
83.s1222：根据所述驾驶员图像组中每一驾驶员图像对应的监控设备的位置信息，确定所述目标车辆对应的行驶路径。
84.可选地，对于一车辆，将其对应的驾驶员图像组中每一驾驶员图像对应的监控设备的位置信息，比如监控设备的经纬度坐标，输入地图搜索工具，可以得到该车辆可选的多条行驶路径。
85.可选地，地图搜索工具预设多种推荐策略，比如距离最短、时间最短、经过的红绿灯最少和收费最少等，根据这些推荐策略，可以得到车辆对应的多条行驶路径。
86.参阅图5，图5是图1中s13的流程示意图，s13还可以包括：
87.s131：去除只包含一个监控设备的行驶路径。
88.可选地，在车辆的行驶路径只包含一个监控设备时，其对于计算监控设备之间的关联关系没有用处，因此将只包含一个监控设备的行驶路径去除。
89.可以理解地，在所有车辆的行驶路径都包含两个及两个以上监控设备时，可以不执行此步骤。
90.s132：采用fp-growth算法对车辆的行驶路径对应的监控设备进行关联规则计算，以确定监控设备之间的关联关系。
91.可选地，设置最小支持度(min_support)和最小置信度(min_confidence)，采用fp-growth算法对车辆的行驶路径对应的监控设备进行关联规则计算，获取频繁项，按从大到小排序。
92.具体地，fp-growth算法是一种高效的关联规则挖掘算法，可以用于从大量数据中挖掘项集之间的相互联系。关联规则挖掘的一个典型例子就是购物篮分析，该过程通过发现顾客放入其购物篮中不同商品之间的联系，分析出顾客的购买习惯，通过了解哪些商品频繁地被顾客同时买入，能够帮助零售商制定合理的营销策略。
93.具体地，在数据中不可分割的最小单位信息，称为项。项的集合称为项集。
94.具体地，关联规则的支持度是指同时包含x和y的项集数与所有项集数之比，记为support(x＝》y)。支持度反映了同时包含x和y的项集在所有项集中出现的概率。
95.具体地，关联规则的置信度是同时包含x和y的项集数与包含x的项集数之比，记为confidence(x＝》y)。置信度反映了包含x的项集中，出现y的条件概率。
96.具体地，同时满足最小置信度阈值和最小支持度阈值，即support(x＝》y)和confidence(x＝》y)同时大于等于设置的阈值，则称关联规则x＝》y为强关联规则。此外，如果提升度大于1，表示正相关的强关联规则；如果提升度小于1，表示负相关的强关联规则。其中，提升度表示含有x的条件下，同时含有y的概率，与y总体发生的概率之比。
97.可选地，最小支持度和最小置信度的大小决定了具有强关联规则的监控设备的数量，因此最小支持度和最小置信度可以根据驾驶员人像预分类的具体要求进行设置。
98.可选地，获取具有强关联规则的监控设备，选择提升度大于1的规则，进而确定满足正相关的强关联规则的监控设备，得到监控设备之间的关联关系。
99.参阅图6，图6是图1中s14的流程示意图，s14还可以包括：
100.s141：根据所述监控设备之间的关联关系，将监控设备划分为多个监控设备集合。
101.可选地，根据监控设备之间的关联关系，将满足正相关的强关联规则的监控设备划分到同一监控设备集合中，以得到多个监控设备集合。
102.可选地，在其他一些实施例中，若有未划分至任何监控设备集合的监控设备，将未划分的监控设备划分至已有的一监控设备集合中。
103.可以理解地，在上述s131中，去除了只包含一个监控设备的行驶路径，而且部分监控设备与其他设备之间不满足正相关的强关联规则，因此需要将这部分监控设备也合并到监控设备集合中。
104.可选地，从所有监控设备中筛选出这部分监控设备，获取这部分监控设备分别对应的位置信息，比如经纬度坐标，根据位置信息分别计算这部分监控设备与监控设备集合中监控设备之间的距离，按照距离的远近将这部分监控设备分别合并到距离最近的监控设备集合中。
105.s142：将同一监控设备集合中的驾驶员图像预分类为同一类。
106.可选地，同一监控设备集合中的监控设备采集的驾驶员图像具有较强的关联度，将同一监控设备集合中的驾驶员图像预分类为同一类，以得到对应的驾驶员图像集合。
107.s143：在预分类后的目标驾驶员图像集合中驾驶员图像的数量大于第一预设阈值时，对所述目标驾驶员图像集合进行切分。
108.可选地，根据驾驶员人像预分类的业务要求和硬件设备的处理速度，设置一个驾驶员图像集合中驾驶员图像的数量的阈值范围，以保证预分类得到的驾驶员图像集合数据量更加均衡；其中，该阈值范围的上限为第一预设阈值，下限为第二预设阈值。
109.可选地，在预分类后的驾驶员图像集合中的驾驶员图像的数量大于第一预设阈值时，对该驾驶员图像集合进行拆分，以使其中的驾驶员图像数量满足阈值范围的要求。
110.可选地，在预分类后的驾驶员图像集合中的驾驶员图像的数量小于第二预设阈值时，执行s144。
111.s144：在预分类后的目标驾驶员图像集合中驾驶员图像的数量小于第二预设阈值时，将所述目标驾驶员图像集合合并至除所述目标驾驶员图像集合之外的剩余驾驶员图像集合中。
112.可选地，在预分类后的驾驶员图像集合中的驾驶员图像的数量小于第二预设阈值时，将该驾驶员图像集合合并至除该驾驶员集合之外的其他驾驶员图像集合中，以使得所有驾驶员图像集合中驾驶员图像的数量均满足阈值范围的要求。
113.参阅图7，图7是图6中s141的流程示意图，s141还可以包括：
114.s1411：根据所述监控设备之间的关联关系，以一监控设备为key值、与所述一监控设备满足正相关的强关联规则的另一监控设备为value值，建立监控设备字典。
115.可选地，根据监控设备之间的关联关系，对监控设备进行映射，以一监控设备为key值、与该监控设备满足正相关的强关联规则的另一监控设备为value值，建立监控设备字典。
116.在一可选的实施例中，假设监控设备a涉及的正相关的强关联规则一共有以下几种情况：a＝》b；a,b＝》c；a＝》d,c；e＝》a；e＝》a,b。
117.首先选取a＝》b；a＝》d,c。选择b、d、c，并按照confidence值降序排序。
118.其次选取e＝》a；e＝》a,b。这里选择e，并不选择b，因为这里是为了找a，e出发可以找到a，从e出发也可以找到b，或从e出发可以知道从a出发到b的结果，这种情况对于a来说效果可能不佳，因此此处先不选b。
119.最后选取a,b＝》c。选择b，c，并按照confidence值降序排序。
120.因此生成以下数据a＝》(b,d,c),(e,b),(b,c)。然后对相关监控设备进行去重，得到a＝》b,d,c,e。最后将与a对应的监控设备存入监控设备字典中。
121.s1412：根据所述监控设备字典，将监控设备划分为多个监控设备集合。
122.可选地，根据监控设备字典，将满足正相关的强关联规则的监控设备划分到同一监控设备集合中。
123.参阅图8，图8是图7中s1412的流程示意图，s1412还可以包括：
124.s14121：根据所述监控设备字典，建立监控设备图结构。
125.可选地，采用图的方式对打标的结果进行去重。建立监控设备图结构会在监控设备与监控设备之间添加一条边。
126.s14122：获取所述监控设备图结构中与所述value值满足正相关的强关联规则的监控设备。
127.可选地，取出监控设备字典中key值对应的value值，即与该监控设备满足正相关的强关联规则的另一监控设备，采用深度遍历的方式获取与value值满足正相关的强关联规则的监控设备。在进行深度遍历时，与value值满足正相关的强关联规则的监控设备进行边连接。
128.具体地，深度遍历的方法包括：从图结构中的某个顶点v出发，访问顶点v；依次从v的未被访问的邻接点出发，对图进行深度遍历；直至图结构中和v有路径相通的顶点都被访问；若此时图结构中尚有顶点未被访问，则从一个未被访问的顶点出发，重新进行深度遍历，直到图结构中所有顶点均被访问过为止。
129.s14123：对满足正相关的强关联规则的监控设备进行去重处理，以得到满足正相关的强关联规则的监控设备集合。
130.可选地，当出现重复的监控设备时，则将监控设备图结构中相应的边进行删除。在一可选的实施例中，假设a＝》b,d,c,e；b＝》f,e,h，则删除e和f之间的边。
131.可选地，对监控设备图结构中满足正相关的强关联规则的监控设备进行去重处理后，可以得到满足正相关的强关联规则的监控设备集合。
132.参阅图9，图9是本技术提供的图像分类装置一实施例的结构示意图，该图像分类
装置200包括处理器201和存储器202。
133.具体地，存储器202用于存储程序指令，处理器201用于执行该程序指令以实现上述实施例中任一个或任一不冲突的组合所提供的方法。
134.可选地，处理器201为中央处理器(cpu)，是电子计算机的主要设备之一，电脑中的核心配件。其功能主要是解释计算机指令以及处理计算机软件中的数据。cpu是计算机中负责读取指令，对指令译码并执行指令的核心部件。中央处理器主要包括两个部分，即控制器、运算器，其中还包括高速缓冲存储器及实现它们之间联系的数据、控制的总线。中央处理器的功效主要为处理指令、执行操作、控制时间、处理数据。在计算机体系结构中，cpu是对计算机的所有硬件资源(如存储器、输入输出单元)进行控制调配、执行通用运算的核心硬件单元。cpu是计算机的运算和控制核心。计算机系统中所有软件层的操作，最终都将通过指令集映射为cpu的操作。
135.可选地，存储器202为只读存储器(rom)或随机存取存储器(ram)，是计算机系统中的记忆设备，主要用来存放程序和数据。计算机中的全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果，都保存在存储器中。它是根据控制器指定的位置存入和取出信息。
136.在一可选的实施例中，图像分类装置200为城市安防管理系统后台的服务器，用于周期性地获取该城市一区域的道路监控设备采集的驾驶员图像，并根据上述实施例中任一个或任一不冲突的组合所提供的方法对驾驶员人像进行预分类，以使分布式计算过程中各计算节点的负载保持均衡。
137.参阅图10，图10是本技术提供的存储介质一实施例的结构示意图，该存储介质300包括程序指令301，程序指令301能够被执行以实现上述实施例中任一个或任一不冲突的组合所提供的方法。其中，存储介质300的容量大小能够满足存储程序指令301的要求。
138.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的存储介质300(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
139.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由存储介质300实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些存储介质300到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的程序指令301产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
140.这些存储介质300也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该存储介质300中的程序指令301产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
141.这些存储介质300也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其
他可编程设备上执行的程序指令301提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
142.以上所述仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是根据本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。