云雾诊断防转租方法、装置、计算机设备及存储介质与流程

1.本发明涉及租房处理方法，更具体地说是指云雾诊断防转租方法、装置、计算机设备及存储介质。


背景技术：

2.为进一步提升流动人口和出租房屋管理工作，防止和打击流动人口违法犯罪，将辖区流动人口信息采集、出租房屋信息登记作为走访重点工作，组织民警到辖区企业务工人员、建筑工地、出租房屋等开展全面核查，摸排不稳定因素，排查安全隐患，加强流动人口和出租房屋信息的采集，确保流动人口和出租房屋信息的完整、准确，切实提高流动人口管理的动态化、时效性。
3.在海量的出租房与承租人的信息数据中，现有的防转租方法一般是采用人工排查或者智能门锁排查方式，但是人工排查存在需要大量人工与投放许多宣传资源、费用的弊端；智能门锁通过身份证验证或者指纹验证的方式进行排查，由于各省或者各个地方身份证生成厂家不同与标准存在不一致，门锁上面的身份证读卡设备兼容性要求很高，身份证现在是验证合法身份唯一途径，如果丢失带来以系列安全问题，如果长期使用身份证开锁是否会导致身份证的内置芯片损坏，还需要一定时间去验证等等；而指纹验证方式的指纹头长时间使用会影响识别率或者老人与小孩子指纹识别率不太高。
4.因此，有必要设计一种新的方法，实现识别率高，提高防转租诊断准确率，且耗时短，人工成本低。


技术实现要素：

5.本发明的目的在于克服现有技术的缺陷，提供云雾诊断防转租方法、装置、计算机设备及存储介质。
6.为实现上述目的，本发明采用以下技术方案：云雾诊断防转租方法，包括：
7.关联房间信息以及承租人信息，以得到租房信息；
8.获取房间的摄像头所拍摄的人脸图像；
9.判断所述人脸图像对应的人脸信息是否保存；
10.若所述人脸图像对应的人脸信息未保存，则根据所述人脸图像进行云雾计算；
11.若所述人脸图像对应的人脸信息已保存，则将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果；
12.发送所述核对结果至终端。
13.其进一步技术方案为：所述关联房间信息以及承租人信息，以得到租房信息，包括：
14.获取房间对应的承租人信息，并将所述承租人信息与房间的联网智能锁的卡进行关联，以得到关联数据；
15.存储房间信息以及承租人信息，以得到基础数据；
16.获取摄像头的位置、安装时间以及像素，并与基础数据结合，形成结合数据；
17.获取承租人的人脸标志信息，将所述人脸标志信息与所述结合信息以及关联信息整合，形成租房信息。
18.其进一步技术方案为：所述根据所述人脸图像进行云雾计算，包括：
19.对所述人脸图像进行人脸信息的云雾计算，并采用深度学习进行人脸信息的优化，以形成待存储人脸信息；
20.保存所述待存储人脸信息。
21.其进一步技术方案为：所述将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果，包括：
22.将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对；
23.判断房间、整个单元、整栋楼、整个小区的人脸是否都进行云雾计算；
24.若所述房间、整个单元、整栋楼、整个小区的人脸都进行云雾计算，则采用深度学习对所述人脸图像进行人脸信息的优化，并保存优化后的人脸信息；
25.若所述房间、整个单元、整栋楼、整个小区的人脸中有至少一个未进行云雾计算，则经过最优化次数进行人脸信息优化；
26.发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息，以得到核对结果。
27.其进一步技术方案为：所述发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息，包括：
28.发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，若对应的人员不配合采集信息，确定对应人员并不是承租人，以得到核对结果，记录并且报告给业主单位；若对应的人员配合采集信息，则采集新的人脸图像；
29.获取新的人脸图像，并执行所述将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对。
30.本发明还提供了云雾诊断防转租装置，包括：
31.关联单元，用于关联房间信息以及承租人信息，以得到租房信息；
32.图像获取单元，用于获取房间的摄像头所拍摄的人脸图像；
33.保存判断单元，用于判断所述人脸图像对应的人脸信息是否保存；
34.云雾计算单元，用于若所述人脸图像对应的人脸信息未保存，则根据所述人脸图像进行云雾计算；
35.核对单元，用于若所述人脸图像对应的人脸信息已保存，则将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果；
36.发送单元，用于发送所述核对结果至终端。
37.其进一步技术方案为：所述关联单元包括：
38.卡关联子单元，用于获取房间对应的承租人信息，并将所述承租人信息与房间的联网智能锁的卡进行关联，以得到关联数据；
39.信息存储子单元，用于存储房间信息以及承租人信息，以得到基础数据；
40.摄像头信息获取子单元，用于获取摄像头的位置、安装时间以及像素，并与基础数
据结合，形成结合数据；
41.整合子单元，用于获取承租人的人脸标志信息，将所述人脸标志信息与所述结合信息以及关联信息整合，形成租房信息。
42.其进一步技术方案为：所述云雾计算单元包括：
43.第一计算子单元，用于对所述人脸图像进行人脸信息的云雾计算，并采用深度学习进行人脸信息的优化，以形成待存储人脸信息；
44.第一保存子单元，用于保存所述待存储人脸信息。
45.本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
46.本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
47.本发明与现有技术相比的有益效果是：本发明通过关联房间信息以及承租人信息，利用摄像头拍摄人脸图像，对人脸图像进行保存判断，未保存则进行云雾计算，已保存则进行人脸核对，实现识别率高，提高防转租诊断准确率，且耗时短，人工成本低。
48.下面结合附图和具体实施例对本发明作进一步描述。
附图说明
49.为了更清楚地说明本发明实施例技术方案，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。
50.图1为本发明实施例提供的云雾诊断防转租方法的应用场景示意图；
51.图2为本发明实施例提供的云雾诊断防转租方法的流程示意图；
52.图3为本发明实施例提供的云雾诊断防转租方法的子流程示意图；
53.图4为本发明实施例提供的云雾诊断防转租方法的子流程示意图；
54.图5为本发明实施例提供的云雾诊断防转租方法的子流程示意图；
55.图6为本发明实施例提供的云雾诊断防转租方法的子流程示意图；
56.图7为本发明实施例提供的二维平面上的两个点集的分布示意图；
57.图8为本发明实施例提供的多类数据集的分布示意图；
58.图9为本发明实施例提供的还原为人脸图像的示意图；
59.图10为本发明实施例提供的云雾诊断防转租装置的示意性框图；
60.图11为本发明实施例提供的云雾诊断防转租装置的关联单元的示意性框图；
61.图12为本发明实施例提供的云雾诊断防转租装置的云雾计算单元的示意性框图；
62.图13为本发明实施例提供的云雾诊断防转租装置的核对单元的示意性框图；
63.图14为本发明实施例提供的云雾诊断防转租装置的消息发送子单元的示意性框图；
64.图15为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
65.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。基于本发明中的实施例，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，都属于本发明保护的范围。
66.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
67.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
68.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
69.请参阅图1和图2，图1为本发明实施例提供的云雾诊断防转租方法的应用场景示意图。图2为本发明实施例提供的云雾诊断防转租方法的示意性流程图。该云雾诊断防转租方法应用于服务器中。该服务器为可执行云雾计算的设备，该服务器与摄像头以及终端进行数据交互，实现云雾诊断人脸信息的防转租，实现识别率高，提高防转租诊断准确率，且耗时短，人工成本低。
70.在本实施例中，在出租房间需要安装联网门锁，此门锁需要对开门消息即时处理，联网摄像头安装在必经的地方，例如单元门口、一楼楼梯口或者电梯中人员必经地方的方便抓取人脸位置。
71.图2是本发明实施例提供的云雾诊断防转租方法的流程示意图。如图2所示，该方法包括以下步骤s110至s160。
72.s110、关联房间信息以及承租人信息，以得到租房信息。
73.在本实施例中，租房信息是指房间信息与承租人信息相关联后形成的信息。
74.在一实施例中，请参阅图3，上述的步骤s110可包括步骤s111～s114。
75.s111、获取房间对应的承租人信息，并将所述承租人信息与房间的联网智能锁的卡进行关联，以得到关联数据。
76.在本实施例中，关联数据是指承租人信息与房间的联网智能锁的卡进行关联后形成的数据。
77.联网智能锁安装在指定的房间中，此时如果有人租了这个房间，那么承租人姓名、手机、人脸、身份证等基础数据将会录入至该房间中，并且承租人信息和联网智能锁的卡产生关联，并生成唯一的关联数据。
78.s112、存储房间信息以及承租人信息，以得到基础数据。
79.在本实施例中，基础数据是指房间信息以及承租人信息。
80.具体地，房间的位置、大小、户型等房间信息与承租人姓名、手机、人脸、身份证等承租人信息会进入数据中台服务中形成基础数据。
81.s113、获取摄像头的位置、安装时间以及像素，并与基础数据结合，形成结合数据。
82.在本实施例中，结合数据是指摄像头的位置、安装时间以及像素，并与基础数据结合形成的数据。
83.s114、获取承租人的人脸标志信息，将所述人脸标志信息与所述结合信息以及关
联信息整合，形成租房信息。
84.具体地，摄像头安装在指定位置，摄像头的位置、安装时间、像素等也会初始化进入数据中台服务中形成基础数据，同时数据中台的租户数据会在摄像头中进行记录，根据人脸标志信息下载摄像头并生成唯一数据。
85.s120、获取房间的摄像头所拍摄的人脸图像。
86.在本实施例中，人脸图像是指承租人经过摄像头前获取到的图像，服务器会判断是否进行过人脸保存，如果经过人脸保存，则会有唯一的数据与之对应，并对各种业务分层做相对应处理。承租人要刷脸打开联网门锁时，服务器也会对各种业务分层做相对应处理。
87.s130、判断所述人脸图像对应的人脸信息是否保存。
88.在本实施例中，人脸信息是否保存代表了该人脸是否属于承租人。
89.s140、若所述人脸图像对应的人脸信息未保存，则根据所述人脸图像进行云雾计算。
90.在一实施例中，请参阅图4，上述的步骤s140可包括步骤s141～s142。
91.s141、对所述人脸图像进行人脸信息的云雾计算，并采用深度学习进行人脸信息的优化，以形成待存储人脸信息。
92.在本实施例中，待存储人脸信息是指对人脸图像进行人脸信息的云雾计算，即承租人每次经过摄像头前的时候都会将当前角度的用户人脸进行云雾计算并与之前计算过的人脸信息进行比较，选取最合适的人脸角度，采用深度学习方式进行人脸信息的优化后形成最合适的用户信息。
93.s142、保存所述待存储人脸信息。
94.承租人经过摄像头前时，服务器会判断是否进行过人脸保存，如果没存过人脸，那么人脸信息重新下发云雾计算，如果无法匹配，先做临时数据存储、次数等数据进行收集。
95.s150、若所述人脸图像对应的人脸信息已保存，则将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果。
96.在本实施例中，核对结果是指人脸图像与所述租房信息进行人脸核对形成的结果或采集人脸信息的结果。
97.在一实施例中，请参阅图5，上述的步骤s150可包括步骤s151～s155。
98.s151、将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对；
99.s152、判断房间、整个单元、整栋楼、整个小区的人脸是否都进行云雾计算；
100.s153、若所述房间、整个单元、整栋楼、整个小区的人脸都进行云雾计算，则采用深度学习对所述人脸图像进行人脸信息的优化，并保存优化后的人脸信息；
101.s154、若所述房间、整个单元、整栋楼、整个小区的人脸中有至少一个未进行云雾计算，则经过最优化次数进行人脸信息优化；
102.s155、发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息，以得到核对结果。
103.在一实施例中，请参阅图6，上述的步骤s155可包括步骤s1551～s1552。
104.s1551、发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，若对应的人员不配合采集信息，确定对应人员并不是承租人，以得到核对结果，记
录并且报告给业主单位；若对应的人员配合采集信息，则采集新的人脸图像；
105.s1552、获取新的人脸图像，并执行所述将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对。
106.具体地，承租人在开锁或者经过摄像头前的时候，服务器会将其与预存的人脸进行逐一核对，通过此单元数据核对、此幢数据核对、此小区数据核对等逐步扩大核对范围。各分层充分利用云雾计算，进过深度学习后重新优化数据进行保存，再度下发云雾计算进行匹配。
107.当分层没有充分利用云雾计算，经过最优化次数后发送验证或者需要复核人脸信息的消息，通过自助终端或者人工窗口进行重新采集数据，更新个人信息或者家庭信息。如果不配合采集信息，那么就认定该人不少承租人，记录并且报告给业主单位。如果配合进行信息采集，那么用之前采集的信息进行校验比对，逐层优化之前算法并更新承租人人脸信息。算法不断深入与自我学习，优化与反复学习。
108.在本实施例中，人脸核对的算法是基于的lda(线性判别分析，linear discriminant analysis)理论和特征脸里用到的pca有相似之处，都是对原有数据进行整体降维映射到低维空间的方法，lda和pca都是从数据整体入手而不同于lbp提取局部纹理特征。当数据集是二类情况时，通常情况下，待匹配人脸要和人脸库内的多张人脸匹配，所以这是一个多分类的情况。出于简单考虑，可以先介绍二类的情况然后拓展到多类。假设有二维平面上的两个点集x(x是包含横纵坐标的二维向量)，如图7所示，原有数据是散布在平面上的二维数据，如果想用一维的量(比如到圆点的距离)来合理的表示而且区分开这些数据，该怎么办呢？一种有效的方法是找到一个合适的向量w(和数据相同维数)，将数据投影到w上(会得到一个标量，直观的理解就是投影点到坐标原点的距离)，根据投影点来表示和区分原有数据。以数学公式给出投影点到到原点的距离：y＝y＝wtx。给出了两种w方案，w以从原点出发的直线来表示，直线上的点是原数据的投影点。直观判断右侧的w更好些，其上的投影点能够合理的区分原有的两个数据集。但是计算机不知道这些，所以必须要有确定的方法来计算这个w。首先计算每类数据的均值(中心点)：这里的i是数据的分类个数，ni代表某个分类下的数据点数，比如u1代表红点的中心，u2代表蓝点的中心。数据点投影到w上的中心为：如何判断向量w最佳呢，可以从两方面考虑：不同的分类得到的投影点要尽量分开；同一个分类投影后得到的点要尽量聚合。从这两方面考虑，可以定义如下公式：j(w)代表不同分类投影中心的距离，它的值越大越好。
109.上式称之为散列值(scatter matrixs)，代表同一个分类投影后的散列值，也就是投影点的聚合度，它的值越小代表投影点越聚合，结合两个公式，第一个公式做分子另一个做分母：上式是w的函数，值越大w降维性能越好，所以下面的问题就是求解使上式取最大值的w。
110.把散列函数展开：
可以发现除w和w^t外，剩余部分可以定义为：其实这就是原数据的散列矩阵了，对不对。对于固定的数据集来说，它的散列矩阵也是确定的。
111.另外定义：sw＝s1+s2；sw称为within-class scatter matrix。回到并用上面的两个定义做替换，得到：展开j(w)的分子并定义sb，sb称为between-class scatter。这样就得到了j(w)的最终表示：
112.上式求极大值可以利用拉格朗日乘数法，不过需要限定一下分母的值，否则分子分母都变，怎么确定最好的w呢。可以令，利用拉格朗日乘数法得到：其中w是矩阵，所以求导时可以把w
t
sww当做sww2。上式两边同乘以可以得到：sw-1
sbw＝λw。可以发现w其实就是矩阵的特征向量了对不对。
113.通过上式求解w还是有些困难的，而且w会有多个解，考虑下式：sb＝(μ
1-μ2)(μ
1-μ2)
t
；将其带入下式：sbw＝(μ
1-μ2)(μ
1-μ2)
t
w＝(μ
1-μ2)*λw；其中λw是以w为变量的数值，因为(u1-u2)^t和w是相同维数的，前者是行向量后者列向量。继续带入以前的公式：由于w扩大缩小任何倍不影响结果，所以可以约去两遍的未知常数λ和λw：到这里，w就能够比较简单的求解了。
114.当数据集是多类的情况，假设有c个人的人脸图像，每个人可以有多张图像，所以按人来分，可以将图像分为c类，这节就是要解决如何判别这c个类的问题。判别之前需要先处理下图像，将每张图像按照逐行逐列的形式获取像素组成一个向量，和第一节类似设该向量为x，设向量维数为n，设x为列向量(n行1列)。和上述的二维数据分类不同，这里的n有可能成千上万，比如100x100的图像得到的向量为10000维，所以第一节里将x投影到一个向量的方法可能不适用了，如图8所示，平面内找不到一个合适的向量，能够将所有的数据投影到这个向量而且不同类间合理的分开。所以我们需要增加投影向量w的个数(当然每个向量维数和数据是相同的，不然怎么投影呢)，设w为：w＝[w1|w2|...|wk]，w1、w2等是n维的列向量，所以w是个n行k列的矩阵，这里的k其实可以按照需要随意选取，只要能合理表征原数据就好。x在w上的投影可以表示为：y＝w
t
x，所以这里的y是k维的列向量。
[0115]
将从投影后的类间散列度和类内散列度来考虑最优的w，考虑图(2)中二维数据分为三个类别的情况。与第一节类似，μi依然代表类别i的中心，而sw定义如下：其中：代表类别i的类内散列度，它是一个nxn的矩阵。所有x的中心μ定
义为：类间散列度定义和两类数据集有较大不同：代表的是每个类别到μ距离的加和，注意ni代表类别i内x的个数，也就是某个人的人脸图像个数。
[0116]
上述内容都是投影之间的各种数据，而j(w)的计算实际是依靠投影之后数据分布的，所以有：的，所以有：分别代表投影后的类别i的中心，所有数据的中心，类内散列矩阵，类间散列矩阵。与上节类似j(w)可以定义为：似j(w)可以定义为：j(w)的分子是两类中心距，分母是每个类自己的散列度。现在投影方向是多维了(好几条直线)，分子需要做一些改变，我们不是求两两样本中心距之和(这个对描述类别间的分散程度没有用)，而是求每类中心相对于全样本中心的散列度之和。得到：最后化为：还是求解矩阵的特征向量，然后根据需求取前k个特征值最大的特征向量。
[0117]
另外还需注意：由于sb中的(μi-μ)秩为1，所以sb的至多为c(矩阵的秩小于等于各个相加矩阵的和)。又因为知道了前c-1个μi后，最后一个μc可以用前面的μi来线性表示，因此sb的秩至多为c-1，所以矩阵的特征向量个数至多为c-1。因为c是数据集的类别，所以假设有n个人的照片，那么至多可以取到n-1个特征向量来表征原数据。
[0118]
pca里求得的特征向量都是正交的，但是这里的并不是对称的，所以求得的k个特征向量不一定正交，这是lda和pca最大的不同。如果在一个人脸集合上求得k个特征向量，还原为人脸图像如图9所示，得到了k个特征向量，如何匹配某人脸和数据库内人脸是否相似呢，方法是将这个人脸在k个特征向量上做投影，得到k维的列向量或者行向量，然后和已有的投影求得欧式距离，根据阈值来判断是否匹配。具体的方法在人脸识别经典算法一：特征脸方法(eigenface)里有。
[0119]
分布式云雾计算构建成物联网群，进行分层次大数据分析诊断转租信息。使得运算更加快速、准确。云雾计算并非是些性能强大的服务器，而是由性能较弱、更为分散的各种功能计算机组成，渗入电器、工厂、汽车、街灯及人们生活中的各种物品。雾计算是介于云计算和个人计算之间的半虚拟化的服务计算架构模型，强调数量，不管单个计算节点能力多么弱都要发挥作用。计算实验室的多个项目，不断推进雾计算技术在智能驾驶、机器人、智慧楼宇、智慧电网等多领域的应用。
[0120]
雾计算是以个人云，私有云，企业云等小型云为主，这和云计算完全不同。云计算是以it运营商服务，社会公有云为主的。雾计算以量制胜，强调数量，不管单个计算节点能力多么弱都要发挥作用。云计算则强调整体计算能力，一般由一堆集中的高性能计算设备完成计算。雾计算扩大了云计算的网络计算模式，将网络计算从网络中心扩展到了网络边缘，从而更加广泛地应用于各种服务。
[0121]
据了解，雾计算能够充分利用网络环境中分散存在的计算、存储、通信和控制等能力，通过资源共享机制和协同服务架构以实现更短的服务响应时间、更强的本地化计算能
力、更少的数据传输负载、更安全的分散式服务架构、以及更快更精准的分析、决策和控制。
[0122]
与云计算相比，雾计算所采用的架构更呈分布式，更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中，而不像云计算那样将它们几乎全部保存在云中。数据的存储及处理更依赖本地设备，而非服务器。所以，云计算是新一代的集中式计算，而雾计算是新一代的分布式计算。搭配分布式的雾计算，通过智能路由器等设备和技术手段，在不同设备之间组成数据传输带，可以有效减少网络流量，数据中心的计算负荷也相应减轻。雾计算可以作为介于m2m(机器与机器对话)网络与云计算之间的计算处理，以应对m2m网络产生的大量数据
‑‑
运用处理程序对这些数据进行预处理，以提升其使用价值。比如说像在小区分层防转租场景中利用雾计算应用的一个很好的例子。当承租人进入出租小区，第一步摄像头抓拍人脸信息，然后进行数据处理，建立现小区、楼幢、单元、层次等等租赁人员信息，根据救小区附近临时布置的雾计算节点，就可以发挥及时响应、提供更强大信息处理能力的作用。可以预见，随着雾计算技术的不断发展成熟和普及应用，智能物联网将越来越便捷、高效，雾计算将和云计算互补协作，为每个人提供触手可及、无处不在的智能服务，为万物互联的智能城市注入发展动力。建立更多雾节点出来租房信息，给政府以及业主方提供强大数据支撑给租客提供更加优质服务与数据支撑。
[0123]
s160、发送所述核对结果至终端。
[0124]
上述的云雾诊断防转租方法，通过关联房间信息以及承租人信息，利用摄像头拍摄人脸图像，对人脸图像进行保存判断，未保存则进行云雾计算，已保存则进行人脸核对，实现识别率高，提高防转租诊断准确率，且耗时短，人工成本低。
[0125]
图10是本发明实施例提供的一种云雾诊断防转租装置300的示意性框图。如图10所示，对应于以上云雾诊断防转租方法，本发明还提供一种云雾诊断防转租装置300。该云雾诊断防转租装置300包括用于执行上述云雾诊断防转租方法的单元，该装置可以被配置于服务器中。具体地，请参阅图10，该云雾诊断防转租装置300包括关联单元301、图像获取单元302、保存判断单元303、云雾计算单元304、核对单元305以及发送单元306。
[0126]
关联单元301，用于关联房间信息以及承租人信息，以得到租房信息；图像获取单元302，用于获取房间的摄像头所拍摄的人脸图像；保存判断单元303，用于判断所述人脸图像对应的人脸信息是否保存；云雾计算单元304，用于若所述人脸图像对应的人脸信息未保存，则根据所述人脸图像进行云雾计算；核对单元305，用于若所述人脸图像对应的人脸信息已保存，则将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果；发送单元306，用于发送所述核对结果至终端。
[0127]
在一实施例中，如图11所示，所述关联单元301包括卡关联子单元3011、信息存储子单元3012、摄像头信息获取子单元3013以及整合子单元3014。
[0128]
卡关联子单元3011，用于获取房间对应的承租人信息，并将所述承租人信息与房间的联网智能锁的卡进行关联，以得到关联数据；信息存储子单元3012，用于存储房间信息以及承租人信息，以得到基础数据摄像头信息获取子单元3013，用于获取摄像头的位置、安装时间以及像素，并与基础数据结合，形成结合数据；整合子单元3014，用于获取承租人的人脸标志信息，将所述人脸标志信息与所述结合信息以及关联信息整合，形成租房信息。
[0129]
在一实施例中，如图12所示，所述云雾计算单元304包括第一计算子单元3041以及第一保存子单元3042。
[0130]
第一计算子单元3041，用于对所述人脸图像进行人脸信息的云雾计算，并采用深度学习进行人脸信息的优化，以形成待存储人脸信息；第一保存子单元3042，用于保存所述待存储人脸信息。
[0131]
在一实施例中，如图13所示，所述核对单元305包括人脸核对子单元3051、计算判断子单元3052、优化保存子单元3053、人脸优化子单元3054以及消息发送子单元3055。
[0132]
人脸核对子单元3051，用于将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对；计算判断子单元3052，用于判断房间、整个单元、整栋楼、整个小区的人脸是否都进行云雾计算；优化保存子单元3053，用于若所述房间、整个单元、整栋楼、整个小区的人脸都进行云雾计算，则采用深度学习对所述人脸图像进行人脸信息的优化，并保存优化后的人脸信息；人脸优化子单元3054，用于若所述房间、整个单元、整栋楼、整个小区的人脸中有至少一个未进行云雾计算，则经过最优化次数进行人脸信息优化；消息发送子单元3055，用于发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息，以得到核对结果。
[0133]
在一实施例中，如图14所示，所述消息发送子单元3055包括发送模块30551以及获取模块30552。
[0134]
发送模块30551，用于发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，若对应的人员不配合采集信息，确定对应人员并不是承租人，以得到核对结果，记录并且报告给业主单位；若对应的人员配合采集信息，则采集新的人脸图像；获取模块30552，用于获取新的人脸图像，并执行所述将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对。
[0135]
需要说明的是，所属领域的技术人员可以清楚地了解到，上述云雾诊断防转租装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
[0136]
上述云雾诊断防转租装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图15所示的计算机设备上运行。
[0137]
请参阅图15，图15是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
[0138]
参阅图15，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
[0139]
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种云雾诊断防转租方法。
[0140]
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
[0141]
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种云雾诊断防转租方法。
[0142]
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图15中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用
于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0143]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
[0144]
关联房间信息以及承租人信息，以得到租房信息；获取房间的摄像头所拍摄的人脸图像；判断所述人脸图像对应的人脸信息是否保存；若所述人脸图像对应的人脸信息未保存，则根据所述人脸图像进行云雾计算；若所述人脸图像对应的人脸信息已保存，则将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果；发送所述核对结果至终端。
[0145]
在一实施例中，处理器502在实现所述关联房间信息以及承租人信息，以得到租房信息步骤时，具体实现如下步骤：
[0146]
获取房间对应的承租人信息，并将所述承租人信息与房间的联网智能锁的卡进行关联，以得到关联数据；存储房间信息以及承租人信息，以得到基础数据；获取摄像头的位置、安装时间以及像素，并与基础数据结合，形成结合数据；获取承租人的人脸标志信息，将所述人脸标志信息与所述结合信息以及关联信息整合，形成租房信息。
[0147]
在一实施例中，处理器502在实现所述根据所述人脸图像进行云雾计算步骤时，具体实现如下步骤：
[0148]
对所述人脸图像进行人脸信息的云雾计算，并采用深度学习进行人脸信息的优化，以形成待存储人脸信息；保存所述待存储人脸信息。
[0149]
在一实施例中，处理器502在实现所述将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果步骤时，具体实现如下步骤：
[0150]
将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对；判断房间、整个单元、整栋楼、整个小区的人脸是否都进行云雾计算；若所述房间、整个单元、整栋楼、整个小区的人脸都进行云雾计算，则采用深度学习对所述人脸图像进行人脸信息的优化，并保存优化后的人脸信息；若所述房间、整个单元、整栋楼、整个小区的人脸中有至少一个未进行云雾计算，则经过最优化次数进行人脸信息优化；发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息，以得到核对结果。
[0151]
在一实施例中，处理器502在实现所述发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息步骤时，具体实现如下步骤：
[0152]
发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，若对应的人员不配合采集信息，确定对应人员并不是承租人，以得到核对结果，记录并且报告给业主单位；若对应的人员配合采集信息，则采集新的人脸图像；获取新的人脸图像，并执行所述将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对。
[0153]
应当理解，在本技术实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑
器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
[0154]
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
[0155]
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
[0156]
关联房间信息以及承租人信息，以得到租房信息；获取房间的摄像头所拍摄的人脸图像；判断所述人脸图像对应的人脸信息是否保存；若所述人脸图像对应的人脸信息未保存，则根据所述人脸图像进行云雾计算；若所述人脸图像对应的人脸信息已保存，则将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果；发送所述核对结果至终端。
[0157]
在一实施例中，所述处理器在执行所述计算机程序而实现所述关联房间信息以及承租人信息，以得到租房信息步骤时，具体实现如下步骤：
[0158]
获取房间对应的承租人信息，并将所述承租人信息与房间的联网智能锁的卡进行关联，以得到关联数据；存储房间信息以及承租人信息，以得到基础数据；获取摄像头的位置、安装时间以及像素，并与基础数据结合，形成结合数据；获取承租人的人脸标志信息，将所述人脸标志信息与所述结合信息以及关联信息整合，形成租房信息。
[0159]
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述人脸图像进行云雾计算步骤时，具体实现如下步骤：
[0160]
对所述人脸图像进行人脸信息的云雾计算，并采用深度学习进行人脸信息的优化，以形成待存储人脸信息；保存所述待存储人脸信息。
[0161]
在一实施例中，所述处理器在执行所述计算机程序而实现所述将所述人脸图像与所述租房信息进行人脸核对，以得到核对结果步骤时，具体实现如下步骤：
[0162]
将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对；判断房间、整个单元、整栋楼、整个小区的人脸是否都进行云雾计算；若所述房间、整个单元、整栋楼、整个小区的人脸都进行云雾计算，则采用深度学习对所述人脸图像进行人脸信息的优化，并保存优化后的人脸信息；若所述房间、整个单元、整栋楼、整个小区的人脸中有至少一个未进行云雾计算，则经过最优化次数进行人脸信息优化；发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息，以得到核对结果。
[0163]
在一实施例中，所述处理器在执行所述计算机程序而实现所述发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，更新个人信息或者家庭信息步骤时，具体实现如下步骤：
[0164]
发送验证或者需要复核人脸信息的消息至终端，以供终端进行重新采集人脸信息，若对应的人员不配合采集信息，确定对应人员并不是承租人，以得到核对结果，记录并且报告给业主单位；若对应的人员配合采集信息，则采集新的人脸图像；获取新的人脸图像，并执行所述将所述人脸图像与所述租房信息内的人脸进行逐一核对，且与整个单元的人脸、整栋楼的人脸、整个小区的人脸进行核对。
[0165]
所述存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
[0166]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0167]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0168]
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
[0169]
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0170]
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，可轻易想到各种等效的修改或替换，这些修改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。