本發(fā)明涉及圖像識別技術領域，特別是涉及一種圖像識別處理裝置、系統(tǒng)及方法。

背景技術：

當前的深度學習算法已經在圖像識別領域達到很高的準確率，但由于能夠精確識別圖像的深度學習網(wǎng)絡需要大量的計算資源，所以以當前的計算機技術，必須把深度學習網(wǎng)絡部署在云端，而本地設備由于CPU處理能力有限，無法很好的識別圖像。

然而把大型深度學習網(wǎng)絡放在云端，有兩大缺陷：首先，因為云端和本地硬件是一對多的關系，當本地硬件同時有云端處理請求時，則對云端的計算資源要求很高；其次，對云端的網(wǎng)絡接口帶寬也要求很高，因為圖像的傳送需要很大的帶寬。

技術實現(xiàn)要素：

為克服上述現(xiàn)有技術存在的不足，本發(fā)明之目的在于提供一種圖像識別處理裝置、系統(tǒng)及方法，以減輕云端處理器的處理負荷和網(wǎng)絡接口帶寬。

為達上述目的，本發(fā)明提出一種圖像識別處理裝置，該圖像識別處理裝置部署有小型深度學習神經網(wǎng)絡，利用圖像獲取單元獲取圖像，并利用小型深度學習網(wǎng)絡對獲取的圖像進行識別處理以識別是否存在人臉，于識別出存在人臉圖像時將獲取的圖像傳送至云端處理器。

進一步地，該圖像識別處理裝置包括：

圖像獲取單元，用于獲取圖像；

人臉識別單元，用于利用該小型深度學習神經網(wǎng)絡對該圖像獲取單元獲取的圖像進行人臉識別處理，以識別獲取的圖像中是否存在人臉；

判斷單元，用于判斷該人臉識別單元的識別結果是否存在人臉，并于判斷出該人臉識別單元的識別結果存在人臉時，啟動傳輸單元；

傳輸單元，用于將該圖像獲取單元獲取的存在人臉的圖像傳送至云端處理器。

進一步地，所述小型深度學習神經網(wǎng)絡采用二分類網(wǎng)絡，以識別圖像是否存在人臉。

進一步地，該圖像識別處理裝置為本地智能硬件，該圖像獲取單元為攝像頭。

為達到上述目的，本發(fā)明還提供一種圖像識別處理系統(tǒng)，包括：

圖像識別處理裝置，其上部署有小型深度學習神經網(wǎng)絡，利用圖像獲取單元獲取圖像，并利用小型深度學習網(wǎng)絡對獲取的圖像進行識別處理以識別是否存在人臉，于識別出存在人臉圖像時將獲取的圖像傳送至云端處理器；

云端處理器，用于接收該圖像識別處理設置傳送的圖像，利用大型深度學習網(wǎng)絡對獲取的圖像進行人臉識別，識別出人臉類型。

進一步地，該云端處理器具有深度學習網(wǎng)絡訓練模塊，將預先訓練錄入的人臉視頻或圖像，轉化為人臉數(shù)據(jù)，將人臉數(shù)據(jù)與該人臉數(shù)據(jù)的其他信息進行對應，將對應后的結果以信息中的某一特征為標簽，分類保存至人員信息數(shù)據(jù)庫中，以上述標簽生成深度學習網(wǎng)絡中的各層級參數(shù)，形成提取特征參數(shù)予以保存。

進一步地，該云端處理器于獲取圖像進行人臉識別時，從獲取的圖像中提取人臉的數(shù)據(jù)，查找人員信息數(shù)據(jù)庫中已經保存的人臉數(shù)據(jù)并進行匹配識別，輸出匹配識別結果。

為達到上述目的，本發(fā)明還提供一種圖像識別處理方法，包括如下步驟：

步驟一，圖像識別處理裝置利用圖像獲取單元獲取圖像；

步驟二，利用小型深度學習神經網(wǎng)絡對獲取的圖像進行圖像識別，以確定獲取的圖像中是否存在人臉；

步驟三，于判斷獲取的圖像中存在人臉時，將獲取的圖像傳送至云端處理器；

步驟四，該云端處理器利用大型深度學習神經網(wǎng)絡對獲取的圖像進行人臉識別，識別出人臉類型。

進一步地，該小型深度學習神經網(wǎng)絡為二分類網(wǎng)絡，僅把獲得的圖像分成有人臉和沒有人臉兩類。

進一步地，該大型深度學習神經網(wǎng)絡為復雜的多分類網(wǎng)絡。

與現(xiàn)有技術相比，本發(fā)明一種圖像識別處理裝置、系統(tǒng)及方法通過于本地的圖像識別處理裝置上部署小型深度學習網(wǎng)絡，于云端處理器上部署大型深度學習網(wǎng)絡，利用該小型深度學習網(wǎng)絡對獲取的圖像識別以判斷是否存在人臉，于判斷出存在人臉后才將獲取的圖像發(fā)送至云端處理器，以利用云端處理器的大型深度學習網(wǎng)絡識別出人臉類型，大大減輕了云端處理器的處理負荷和網(wǎng)絡接口帶寬。

附圖說明

圖1為本發(fā)明一種圖像識別處理裝置的系統(tǒng)架構圖；

圖2為本發(fā)明一種圖像識別處理系統(tǒng)的系統(tǒng)架構圖；

圖3為本發(fā)明具體實施例采用的圖像識別處理系統(tǒng)的系統(tǒng)架構圖；

圖4為本發(fā)明具體實施例的圖像識別處理過程示意圖；

圖5為本發(fā)明一種圖像識別處理方法的步驟流程圖。

具體實施方式

以下通過特定的具體實例并結合附圖說明本發(fā)明的實施方式，本領域技術人員可由本說明書所揭示的內容輕易地了解本發(fā)明的其它優(yōu)點與功效。本發(fā)明亦可通過其它不同的具體實例加以施行或應用，本說明書中的各項細節(jié)亦可基于不同觀點與應用，在不背離本發(fā)明的精神下進行各種修飾與變更。

圖1為本發(fā)明一種圖像識別處理裝置的系統(tǒng)架構圖。本發(fā)明一種圖像識別處理裝置，部署一小型深度學習神經網(wǎng)絡，利用圖像獲取單元獲取圖像，并利用小型深度學習神經網(wǎng)絡對獲取的圖像進行識別處理以識別是否存在人臉，于識別出存在人臉圖像時將獲取的圖像傳送至云端處理器，如圖1所示，本發(fā)明之圖像識別處理裝置包括：圖像獲取單元101、人臉識別單元102、判斷單元103以及傳輸單元104。

其中，圖像獲取單元101，用于獲取圖像，在本發(fā)明具體實施例中，圖像獲取單元101可為攝像裝置，例如攝像機的攝像鏡頭或智能手機的攝像頭；人臉識別單元102，利用該小型深度學習神經網(wǎng)絡對圖像獲取單元101獲取的圖像進行人臉識別處理，以識別獲取的圖像中是否存在人臉，由于這里的人臉識別采用的是現(xiàn)有技術，在此不予贅述；判斷單元103，用于判斷人臉識別單元102的識別結果是否存在人臉，并于判斷出人臉識別單元102的識別結果存在人臉時，啟動傳輸單元104；傳輸單元104，用于將圖像獲取單元101獲取的存在人臉的圖像傳送至云端處理器。

圖2為本發(fā)明一種圖像識別處理系統(tǒng)的系統(tǒng)架構圖。如圖2所示，本發(fā)明一種圖像識別處理系統(tǒng)，包括：圖像識別處理裝置20以及云端處理器30。

其中，圖像識別處理設置20設置于本地端，其上部署有一小型深度學習神經網(wǎng)絡，圖像識別處理設置20利用圖像獲取單元獲取圖像，并利用所部署的小型深度學習神經網(wǎng)絡對獲取的圖像進行人臉識別處理以識別是否存在人臉，于識別出存在人臉圖像時將獲取的圖像傳送至云端處理器30。

云端處理器30，用于接收圖像識別處理設置20傳送的圖像，利用大型深度學習神經網(wǎng)絡對獲取的圖像進行人臉識別，識別出人臉類型。具體地說，云端處理器30具有深度學習網(wǎng)絡訓練模塊，將預先訓練錄入的人臉視頻或圖像，轉化為人臉數(shù)據(jù)，將人臉數(shù)據(jù)與該人臉數(shù)據(jù)的其他信息(例如媽媽、爸爸或爺爺、奶奶)進行對應，將對應后的結果以信息中的某一特征為標簽，分類保存至人員信息數(shù)據(jù)庫中，以上述標簽生成深度學習神經網(wǎng)絡中的各層級參數(shù)，形成提取特征參數(shù)予以保存，當云端處理器30獲取圖像進行人臉識別時，從獲取的圖像中提取人臉的數(shù)據(jù)，查找人員信息數(shù)據(jù)庫中已經保存的人臉數(shù)據(jù)并進行匹配識別，輸出匹配識別結果。

以下將通過一具體實施例來進一步說明本發(fā)明：在本發(fā)明具體實施例中，其解決的場景是在實際視頻中識別出人臉并進行定位，例如說作為圖像識別處理裝置的智能攝像機放在家中，需要在攝像頭取到的視頻流中自動辨認出爸爸、媽媽、爺爺、奶奶、兒子，為了保證系統(tǒng)的實時性，假設本實施例中要求硬件的處理能力達到2幀/秒。

若采用現(xiàn)有技術的方案，智能攝像機每秒鐘捕獲2幀圖像，然后通過Internet傳送到云端處理器，由云端處理器處理識別出人臉的類型，當然圖像中有可能有人臉，也可能沒有人臉，如果有的話，必須鑒別出是爸爸、媽媽還是其他人。假設云端處理器必須同時為1萬臺智能硬件服務，則他的處理能力必須達到20000幀/秒。

圖3為本發(fā)明具體實施例采用的圖像識別處理系統(tǒng)的系統(tǒng)架構圖。在本發(fā)明具體實施例中，于智能攝像機上部署小型深度學習神經網(wǎng)絡，在云端處理器上部署大型深度學習神經網(wǎng)絡，這里的小型深度學習神經網(wǎng)絡只能辨別圖像中有沒有人臉。即把圖像分成兩類，有人臉和沒有人臉，即簡單的二分類網(wǎng)絡；大型深度學習神經網(wǎng)絡可以辨別出是否是爸爸還是媽媽或其他人的臉，即復雜的多分類網(wǎng)絡。以下為本發(fā)明具體實施例的圖像識別處理過程(如圖4所示)：

1、智能攝像機的圖像獲取單元以實時的30frame/s收集圖像數(shù)據(jù)；

2、圖像數(shù)據(jù)傳給智能攝像機的人臉識別單元；

3、智能攝像機上建有小型神經網(wǎng)絡，為二分類網(wǎng)絡，可分別人或非人。(由于智能攝像機上的CPU處理能力有限，只有建立小型神經網(wǎng)絡)

4、人臉識別單元利用二分類網(wǎng)絡確定所獲得的圖像為非人時，判別終止，不再傳給云端處理器做進一步判別。

5、當人臉識別單元利用二分類網(wǎng)絡確定所獲得的圖像是人時，進一步傳給云端處理器做進一步判別，。

6、云端處理器于接收到智能攝像機傳送的圖像時，利用大型深度學習神經網(wǎng)絡進一步進行人臉識別，以確定對象是誰，例如圖像中的人是爸爸、媽媽、爺爺、奶奶還是兒子。

在本發(fā)明具體實施例中，攝像頭獲取的圖像為30frames/s,所以小型神經網(wǎng)絡處理的速率為30fps，由于絕大部分圖像都是“非人”，所以云上的大型神經網(wǎng)絡處理的圖像速率要遠遠小于30fps。

可見，本發(fā)明中，當智能硬件(例如攝像機)捕獲圖像時，智能硬件(例如攝像機)首先通過本地的小型深度學習神經網(wǎng)絡辨別是否有人臉存在，如果有，則發(fā)送圖像到云端處理器，如果沒有，則丟棄圖像，因為在正常視頻中，有人臉出現(xiàn)的場景并不多，這樣傳送到云端處理器的圖像則大大減少，可大大減輕云端處理器的處理負荷和網(wǎng)絡接口帶寬。

圖5為本發(fā)明一種圖像識別處理方法的步驟流程圖。如圖5所示，本發(fā)明一種圖像識別處理方法，包括如下步驟：

步驟501，圖像識別處理裝置利用圖像獲取單元獲取圖像，在本發(fā)明中，圖像識別處理裝置為本地設備，圖像獲取單元采用攝像頭。

步驟502，利用小型深度學習神經網(wǎng)絡對獲取的圖像進行圖像識別，以確定獲取的圖像中是否存在人臉。在本發(fā)明具體實施例中，該小型深度學習神經網(wǎng)絡為簡單的二分類網(wǎng)絡，即僅把圖像分成兩類，有人臉和沒有人臉。

步驟503，于判斷獲取的圖像中存在人臉時，將獲取的圖像傳送至云端處理器。

步驟504，云端處理器利用大型深度學習神經網(wǎng)絡對獲取的圖像進行人臉識別，識別出人臉類型。本發(fā)明具體實施例中，該大型深度學習神經網(wǎng)絡為復雜的多分類網(wǎng)絡，即可以識別出圖像中的人臉的類型，例如是爸爸還是媽媽或其他人的臉。

綜上所述，本發(fā)明一種圖像識別處理裝置、系統(tǒng)及方法通過于本地的圖像識別處理裝置上部署小型深度學習網(wǎng)絡，于云端處理器上部署大型深度學習網(wǎng)絡，利用該小型深度學習網(wǎng)絡對獲取的圖像識別以判斷是否存在人臉，于判斷出存在人臉后才將獲取的圖像發(fā)送至云端處理器，以利用云端處理器的大型深度學習網(wǎng)絡識別出人臉類型，大大減輕了云端處理器的處理負荷和網(wǎng)絡接口帶寬。

任何本領域技術人員均可在不違背本發(fā)明的精神及范疇下，對上述實施例進行修飾與改變。因此，本發(fā)明的權利保護范圍，應如權利要求書所列。