CN111046705A - 图像识别的方法、装置、系统及计算设备 - Google Patents

Abstract

本申请涉及一种图像识别方法、装置、系统及计算设备，该方法包括：首先，数据中心接收第一边缘小站发送的第一特征值，数据中心通过网络与第一边缘小站通信，第一特征值为第一边缘小站根据其获取的第一图像进行预处理获得；根据第一特征值确定第一属性；再向边缘小站集合中的边缘小站发送第一标签，第一标签包括目标特征值和第一属性，目标特征值为与第一属性关联的特征值，边缘小站集合包括第一边缘小站；接收边缘小站集合中的边缘小站发送的至少一个图像识别结果；最后，根据每个图像识别结果确定目标物的位置。以此解决视频数据均由数据中心进行处理，导致数据中心的负载较大，影响图像识别效率的问题。

Description

图像识别的方法、装置、系统及计算设备

技术领域

本申请涉及图像识别领域，特别涉及一种图像识别方法、装置、系统及计算设备。

背景技术

随着城市化步伐的加快，面对城市道路建设的迅速发展以及日益复杂的社会治安情况，城市的安全防护布控系统日益健全。

目前的布控系统主要包括数据中心和前端录像设备，数据中心配置有中心数据库，中心数据库中记录有多个人脸图像和其对应的多个标签。该布控系统用于进行人脸识别，具体过程包括：前端录像设备实时地将采集的视频数据发送至数据中心，该数据中心对接收到的视频数据进行人脸图像提取处理，并将处理得到的人脸图像与中心数据库的所有人脸图像进行对比，从而得到该人脸图像与所有人脸图像的相似度比对结果。当中心数据库存在与处理得到的人脸图像的相似度达到预设值的人脸图像，将该人脸图像对应的标签作为本次图像识别的结果。

但是，在上述布控系统中，由于视频数据均由数据中心进行处理，导致数据中心的负载较大。而且，当多个前端录像设备同时向数据中心发送人脸图像时，数据中心需要并行处理较多人脸图像，影响图像识别效率。

发明内容

本申请提供了一种图像识别的方法、装置、系统及计算设备，可以解决相关技术中数据中心的负载较大，图像识别效率的问题。

第一方面，提供一种图像识别方法，方法包括：首先，数据中心接收第一边缘小站发送的第一特征值，数据中心通过网络与第一边缘小站通信，第一特征值为第一边缘小站根据其获取的第一图像进行预处理获得；然后，根据第一特征值确定第一属性，第一属性用于唯一标识第一图像标识的目标物的属性。再向边缘小站集合中的边缘小站发送第一标签，第一标签包括目标特征值和第一属性，目标特征值为与第一属性关联的特征值，边缘小站集合包括第一边缘小站。接收边缘小站集合中的边缘小站发送的至少一个图像识别结果，每个图像识别结果为各个边缘小站根据采集的第二图像和第一标签确定。最后，根据每个图像识别结果确定目标物的位置。

由于第一边缘小站对获取的图像进行了预处理，得到该图像对应的特征值，分担了数据中心需要执行的处理任务，因此减少了数据中心的负载，提高了图像识别效率。并且，数据中心将第一标签发送至边缘小站集合中的边缘小站，该边缘小站可以根据该第一标签对第二图像进行识别处理，得到图像识别结果，从而使该数据中心根据该识别结果确定目标物的位置，分担了数据中心需要的处理任务，因此减少了数据中心的负载，提高了图像识别效率。

作为一种可能的实现方式，当目标物为人脸时，第一图像和第二图像均为人脸图像。

作为另一种可能的实现方式，在数据中心向边缘小站集合中的边缘小站发送第一标签之前，数据中心选择至少一个边缘小站，组成边缘小站集合，至少一个边缘小站和第一边缘小站位于同一区域内，同一区域可以为地理区域，如包括同一城市区域、同一省份区域或同一国家区域中的至少一个；同一区域也可以为网络区域，如包括同一局域网、同一城域网或同一广域网中至少一个。

作为另一种可能的实现方式，数据中心选择至少一个边缘小站的实现方式有多种，可以是按照与第一边缘小站的距离由近到远的顺序，选择至少一个边缘小站，也可以是按照目标物的识别等级选择至少一个边缘小站。

作为另一种可能的实现方式，当数据中心按照目标物的识别等级选择至少一个边缘小站时，其选择至少一个边缘小站的过程可以是：数据中心先确定目标物的识别等级，然后，根据识别等级确定目标物所在区域，之后，将目标物所在区域中的边缘小站确定为至少一个边缘小站。其中，数据中心根据识别等级确定目标物所在区域的方式，可以是数据中心根据识别等级查询等级与区域的对应关系，得到目标物理所在区域。对应关系中，识别等级与区域的覆盖范围的大小正相关，对应关系中的区域包括：局域网、城域网与广域网，且局域网、城域网与广域网的覆盖范围的大小依次增大。

通过上述实现方式可以实现目标物的分级布控，提高目标物的识别灵活性，在追踪场景中，也提高了目标物追踪的灵活性。

作为另一种可能的实现方式，数据中心还可以按照预先划分的多个区域，选择至少一个边缘小站。例如，数据中心首先确定第一区域，该第一区域为该第一边缘小站所处的区域；然后，将该第一区域中所有边缘小站或指定个数边缘小站确定为边缘小站集合

第二方面，提供另一种图像识别方法，该方法包括：第一边缘小站向数据中心发送第一特征值，第一边缘小站通过网络与数据中心通信，第一特征值为第一边缘小站根据其获取的第一图像进行预处理获得。然后，接收第一标签，第一标签包括目标特征值和第一属性，第一属性用于唯一标识第一图像标识的目标物的属性，目标特征值为与第一属性关联的特征值，第一标签为数据中心向边缘小站集合中的边缘小站发送的数据，边缘小站集合包括第一边缘小站。再根据采集的第二图像和第一标签确定图像识别结果。向数据中心发送图像识别结果，图像识别结果用于供数据中心确定目标物的位置。

由于第一边缘小站对获取的图像进行了预处理，得到该图像对应的特征值，分担了数据中心需要执行的处理任务，因此减少了数据中心的负载，提高了图像识别效率。并且，该第一边缘小站可以根据该第一标签对第二图像进行识别处理，得到图像识别结果并发送至数据中心，从而供数据中心确定目标物的位置，分担了数据中心需要的处理任务，因此减少了数据中心的负载，提高了图像识别效率。

作为另一个可能的实现方式，当第一边缘小站在接收到第一标签后，可以根据该第一标签更新该边缘数据库，从而使该第一边缘小站可以在获取到第二图像时，从该边缘数据库提取该第一标签，以确定该第二图像的图像识别结果。因此，第一边缘小站根据采集的第二图像和第一标签确定图像识别结果的过程可以包括：第一边缘小站先采用第一标签更新第一边缘数据库，第一边缘数据库为第一边缘小站中的数据库，然后，第一边缘小站根据采集的第二图像和更新后的第一边缘数据库，确定图像识别结果。

其中，第一边缘小站采用第一标签更新第一边缘数据库的过程可以是，第一边缘小站先确定第一边缘数据库中符合更新条件的第二标签，然后，第一边缘小站采用第一标签替换第二标签。其中，更新条件包括以下至少一者：

作为另一个可能的实现方式，在第一边缘数据库中第二标签被命中次数最小，命中次数用于指示第二标签标识的图像与待识别图像匹配的个数；或者，

在第一边缘数据库中第二标签被命中时长最长，命中时长用于指示第二标签标识的图像最近一次命中时刻与当前时刻的间隔。

作为另一个可能的实现方式，当目标物为人脸时，第一图像和第二图像均为人脸图像。

通常情况下，当一目标物出现在某一区域后，该目标物出现在该某一区域的几率较高，而由于上述边缘小站集合中边缘小站位于同一区域，且该区域是第一边缘小站获取到第一标签所对应的第一图像的区域，因此，根据第一标签更新该边缘小站集合中的边缘小站的边缘数据库后，如果目标物再次出现在该区域后，能够迅速根据该边缘数据库提取第一标签，从而确定该目标物的图像识别结果，在追踪场景中，能够实现目标物的及时追踪。

第三方面，提供一种图像识别装置，该装置可以包括至少一个模块，该至少一个模块可以用于实现上述第一方面所述的图像识别方法。

第四方面，提供另一种图像识别装置，该装置可以包括至少一个模块，该至少一个模块可以用于实现上述第二方面所述的图像识别方法。

第五方面，提供一种图像识别的系统，包括数据中心和至少一个第一边缘小站，数据中心用于实现上述第三方面任一所述的图像识别装置的功能，每个第一边缘小站用于实现上述第四方面任一所述的图像识别装置的功能。

第六方面，提供一种计算设备，服务器包括处理器和存储器，存储器中用于存储计算机执行指令，当服务器运行时，处理器执行存储器中计算机存储指令以执行上述第一方面和第二方面任一所述的图像识别方法的操作步骤。

第七方面，提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

第八方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

本申请提供的技术方案带来的有益效果至少可以包括：

本申请实施例提供的图像识别方法，由于各个边缘小站对获取的图像进行了预处理，得到该图像对应的特征值，分担了数据中心需要执行的处理任务，因此减少了数据中心的负载，提高了图像识别效率。并且，由于各个边缘小站也可以根据该图像的特征值对该图像进行初步识别处理，当识别得到图像的属性时，则数据中心无需进一步识别，分担了数据中心需要的处理任务，因此减少了数据中心的负载，提高了图像识别效率。

附图说明

图1为本申请提供的一种图像识别系统的结构示意图。

图2为本申请提供的一种图像识别系统的结构示意图。

图3为本申请提供的一种图像识别系统中的各个边缘小站被划分示意图。

图4为本申请提供的一种图像识别过程示意图。

图5为本申请提供的一种图像识别方法流程图。

图6为本申请提供的一种图像识别过程流程图。

图7为本申请提供的一种边缘小站更新边缘数据库的过程示意图。

图8为本申请提供的一种图像识别方法流程图。

图9为本申请提供的一种图像识别方法的过程示意图。

图10为本申请提供的一种图像识别装置的框图。

图11为本申请提供的一种图像识别装置的框图。

图12为本申请提供的一种选择模块的框图。

图13为本申请提供的一种图像识别装置的框图。

图14为本申请提供的一种确定模块的框图。

图15为本申请提供的一种计算设备的结构示意图。

具体实施方式

图1是本申请实施例提供的一种图像识别系统的结构示意图，该图像识别系统用于对目标物的图像进行识别，目标物包括人脸、车辆或动物等。该图像识别系统包括数据中心110和至少一个边缘小站120。图1以该图像识别系统包括数据中心110和两个边缘小站120为例，但并不对此进行限定。

其中，边缘小站120，相对于数据中心110，处于图像识别系统的前端，用于获取图像，并对图像进行预处理得到特征值，数据中心110用于对该特征值进行进一步处理,示例的，该预处理过程可以包括对图像的目标检测、目标校准和提取特征值的过程，该特征值用于反映图像本身的特征，其可以为向量或数组。数据中心110与至少一个边缘小站120通过网络建立有通信连接。该数据中心110用于管理该至少一个边缘小站120。数据中心110可以是一台服务器，或者由若干台服务器组成的服务器集群，各个服务器实现不同功能，例如，部分服务器实现数据库功能，部分服务器实现服务器管理功能。边缘小站120为具有图像处理功能的电子设备。示例的，该边缘小站120可以是电脑或者服务器。

可选地，数据中心110和边缘小站120均具有各自对应的存储空间，该存储空间可以部署数据库应用。数据库用于存储多个图像的标签，每个标签包括特征值和属性，其中，每个标签中的特征值和属性一一对应。该属性为物体的固有特性，其可以包括一个或多个属性参数。目标物为图像识别系统可识别的物体。例如，当目标物为人脸时，该属性包括姓名、年龄、性别和籍贯中的一种或多种属性参数。当目标物为车辆时，该属性包括车牌号和/或车主姓名、车型、车体颜色和车标的一种或者多种属性参数。当目标物为动物时，该属性包括名称、物种名称、毛色和年龄的一种或多种属性参数。对于一张图像，该图像的标签包括特征值和属性，特征值用于标识该图像本身的特征，属性用于标识该图像中物体的属性。

在本申请实施例中，数据中心110的存储空间所存储的数据量远远大于各个边缘小站120的存储空间所存储的数据量。在一种可选的实现方式中，在该图像识别系统初始化时，工作人员可以为数据中心110和至少一个边缘小站120分别配置数据库，每个数据库均存储多个标签；在另一种可选的实现方式中，工作人员可以为数据中心110配置中心数据库，该中心数据库用于存储多个标签，数据中心在中心数据库中选择标签分别下发至各个边缘小站120，由各个边缘小站120根据接收的标签在自身的存储空间建立边缘数据库，该边缘数据库存储接收到的标签。其中，中心数据库可以视为全量数据库，其存储有图像识别系统中的所有可识别物体的标签，边缘数据库存储的是中心数据库中的部分标签。需要说明的是，上述数据库可以通过名单(也称列表)的方式存储，也即是数据库中的每个标签记录在该数据库维护的名单上，该名单可以为黑名单或白名单。

图2是本申请提供的另一种图像识别系统的结构示意图。如图2所示，在图1所示的图像识别系统的基础上，该图像识别系统还设置有至少一个图像获取设备130，资源调度设备140，业务管理设备150和边缘管理设备160。

其中，该图像获取设备130用于采集图像。每个边缘小站120管理一组图像获取设备130，该一组图像获取设备包括至少一个图像获取设备，通常为2-10个图像获取设备。每个边缘小站与其管理的图像获取设备通过网络建立有通信连接。该图像获取设备130可以为摄像机，该摄像机可以有多种结构，其可以为拍摄角度固定的摄像机，如枪机；也可以为拍摄角度可调的摄像机(即可旋转的摄像机)，例如云台摄像机或者高速球摄像机(简称球机)；该摄像机也可以支持多种传输方式，例如其可以为网络监控摄像机(InternetProtocol Camera，IPC)，该摄像机可以采集视频或图像。可选地，每组图像获取设备130中可以配置指定的图像获取设备，由该指定的图像获取设备实现边缘小站的功能，也即是，将边缘小站集成在该指定的图像获取设备中。例如，该边缘小站120可以是集成有图像处理模块和存储模块的IPC。

资源调度设备140和业务管理设备150分别与该数据中心110通过网络建立有通信连接。该业务管理设备150用于管理数据中心110的业务，例如，该业务管理设备150可以用于配置或更新上述中心数据库应用，业务管理设备150还可以设置图像识别系统可识别的物体的类型，该类型包括人脸、车辆或动物等等。该资源调度设备140用于管理该数据中心110的资源调度，例如，该资源调度设备140可以用于配置数据管理中心的业务相关参数，该业务相关参数可以包括业务范围、各个设备的数量和设置位置等等。示例的，该资源调度设备140和业务管理设备150均可以是服务器、智能手机、电脑、多媒体播放器或可穿戴式设备等。

该边缘管理设备160与该边缘小站120通过网络建立有通信连接，该边缘管理设备160用于辅助管理边缘小站120，例如近距离管理边缘小站，工作人员可以在边缘小站附近通过边缘管理设备操控或维修边缘小站，该边缘管理设备160可以安装有浏览器，通过网页管理边缘小站，还可以设置有管理客户端，通过该客户端管理边缘小站。示例的，边缘管理设备可以用于设置或更新边缘数据库应用，还可以配置各个边缘小站的功能，例如图像处理功能和/或图像存储功能。该边缘管理设备160可以是智能手机、电脑、多媒体播放器或可穿戴式设备等。

需要说明的是，图1和图2中各个设备通信所采用的网络可以是有线或无线网络(wireless network)。其中，有线网络包括传输控制协议/互联网协议(TransmissionControl Protocol/Internet Protocol，TCP/IP)网络、光纤网络或无限带宽(InfiniBand，IB)网络；无线网络包括：无线保真(wireless fidelity，WIFI)网络、第三代(3rd-generation，3G)移动通信技术网络或通用分组无线服务技术(general packet radioservice，GPRS)等。

在本申请实施例中，图像识别系统中的各个边缘小站预先按照指定划分方式被划分至多个区域中，该多个区域用于反映各个边缘小站相互之间的位置关系(如远近的关系，邻接的关系等)，示例的，该指定划分方式为按照地理位置划分，则上述区域为地理区域。例如，该指定划分方式为按照城市范围划分的方式，若图像识别系统部署在中国，则各个边缘小站被划分至重庆市、杭州市以及天津市等多个城市区域中。

由于通信网络组网时，会划分多个网络区域，这些网络区域在划分时也会考虑到地理位置的因素，因此，上述指定划分方式也可以与网络区域的划分方式一致，则上述区域为网络区域。例如，该指定划分方式为按照局域网(local area network，LAN)划分的方式，则各个边缘小站被划分至多个局域网中。局域网是指在某一区域内由多台计算机互联成的计算机组。该某一区域的覆盖范围的大小一般是方圆几千米以内。

在本申请实施例中，每种指定划分方式可以有w种子划分方式，w为正整数，示例的，w可以为2或3，对于图像识别系统，采用一种指定划分方式中的每种子划分方式可以将该图像识别系统中的各个边缘小站划分至覆盖范围大小相同的多个区域，不同子划分方式所划分得到的区域的覆盖范围的大小不同，也即是区域的等级不同。

示例的，该指定划分方式为按照地理位置划分时，例如，该指定划分方式包括2种子划分方式，分别为按照城市范围划分的方式和按照省份范围划分的方式，则若图像识别系统部署在中国，采用按照城市范围划分的方式，各个边缘小站被划分至重庆市、杭州市以及天津市等多个城市区域中；采用按照省份范围划分的方式，各个边缘小站被划分至陕西省、四川省以及广州省等省份区域中。

示例的，该指定划分方式为按照网络区域划分时，例如，该指定划分方式包括3种子划分方式，分别为按照局域网划分的方式，按照城域网(metropolitan area network，MAN)划分的方式和按照广域网(wide area network，WAN)划分的方式，请参考图3，图3为图像识别系统中的各个边缘小站按照上述3种子划分方式划分得到的区域示意图，则采用按照局域网划分的方式，各个边缘小站被划分至多个局域网中，例如，边缘小站A和边缘小站B位于同一局域网中(其他局域网，图3中未示出)；采用按照城域网划分的方式，各个边缘小站被划分至多个城域网中，例如，边缘小站A、边缘小站B和边缘小站C位于同一城域网中(其他城域网，图3中未示出)；采用按照广域网划分的方式，各个边缘小站被划分至一个或多个广域网中，例如，边缘小站A、边缘小站B、边缘小站C、边缘小站D和边缘小站E位于同一广域网中。其中，城域网是在一个城市范围内所建立的计算机通信网；广域网也称远程网，该网络通常跨接很大的物理范围，所覆盖的范围的大小从几十公里到几千公里不等，它能连接多个城市或国家，或横跨几个洲并能提供远距离通信，形成国际性的远程网络。由上可知，局域网、城域网和广域网的覆盖范围的大小依次增大，也即是等级依次增大。

上述划分动作可以由数据中心执行，也可以由其他设备执行，其他设备可以将划分结果上传至数据中心，例如由维护人员通过资源调度设备将划分结果上传至数据中心。

目前，图像识别系统可以应用于不同的应用环境，本申请实施例以以下几种应用环境为例进行说明。该图像识别系统可以应用于城市管理中的罪犯追踪环境，则该图像识别系统为罪犯图像识别系统，其可识别的物体为人脸，其部署区域可以为国家或城市的各个街道。在罪犯图像识别系统中，各个数据库中维护的名单可以为犯罪人员黑名单，其记录的每个标签包括犯罪人员的属性和特征值，例如，该属性为犯罪人员的姓名、年龄和性别。其中，犯罪人员可以包括罪犯、嫌疑人或者相关人员，如罪犯的亲属等。

该图像识别系统也可以应用于城市管理中的车辆追踪环境，则该图像识别系统为车辆图像识别系统，其可识别的物体为车辆，其部署区域可以为国家或城市的各个街道。在车辆图像识别系统中，各个数据库中维护的名单为车辆名单，其记录的每个标签包括车辆的属性和特征值，例如，该属性为车辆的车牌号、车主信息、车型和车体颜色。其中，该车主信息可以是该车主的姓名、年龄和性别等信息。

该图像识别系统还可以应用于动物识别环境，则该图像识别系统为动物图像识别系统，其可识别的物体为动物，其部署区域可以为动物园或森林中需要监控的区域。在动物图像识别系统中，各个数据库中维护的名单为动物名单，其记录的每个标签包括动物的属性和特征值，例如，该属性为动物的姓名、年龄、性别和种类。当然，本申请实施例所描述的图像识别系统还可以应用于其他应用环境中，本申请实施例在此不一一列举。

传统的布控系统中，由于视频数据均由数据中心进行处理，导致数据中心的负载较大。而且，当多个前端录像设备同时向数据中心发送人脸图像(也即出现高并发场景)时，数据中心需要并行处理较多人脸图像，影响图像识别效率。并且，由于前端录像设备需要将视频数据传输至数据中心，占用较多网络带宽，网络开销较大。

本申请实施例中，数据中心和边缘小站均能执行图像的识别过程，其中，边缘小站可以分担数据中心的图像处理任务，因此减小了数据中心的负载，提高了图像识别效率。其中，数据中心和边缘小站均采用相同的目标物识别算法(也称目标检测(objectdetection)算法或物体检测算法)来执行图像识别过程。例如，该目标物识别算法需要识别人脸时，采用人脸检测算法执行图像识别过程。为了便于后续说明，本申请对图像的识别过程进行简单介绍。该图像的识别过程包括：目标物检测、目标物校准和目标物识别三个过程，分别如下：

第一、目标物检测，包括：判断一张图像中是否有目标物，如果该图像中存在目标物，则确定目标物的位置和大小(也称尺寸)等信息。

第二、目标物校准，包括：根据目标物的位置和大小等信息，确定特征点在图像中的位置，并对图像中的目标物的位置进行校准；将目标物的位置校准后的图像进行裁剪，得到包含目标物的区域(通常是目标物的最小外接矩形区域)的特征图像。上述特征点为目标物的固有特征所在点，例如，目标物为人脸，该特征点为鼻子、眼睛和/或嘴巴等；目标物为车辆，该特征点为车牌、车标、车头和/或车尾等；目标物为动物，该特征点为鼻子、眼睛、耳朵和/或尾巴等。

第三、目标物识别，包括：确定特征图像中的目标物的属性，该属性用于唯一标识目标物。例如，目标物为人脸时，根据该属性可以确定目标物是哪个人；目标物为车辆时，根据该属性可以确定目标物是哪辆车；目标物为动物时，根据该属性可以确定目标物是哪个动物。

一般目标物识别分为两步，分别为提取特征值的过程和特征值对比的过程。其中，提取特征值的过程包括根据待识别的图像，计算得到特征值，该特征值用于反映图像本身的特征，可以为向量或数组，当图像不同时，提取的特征值不同。在一种可选的实现方式中，根据待识别的图像，计算得到特征值的过程可以由卷积神经网络(convolutional neuralnetwork，CNN)来实现，例如，可以直接向CNN中输入待识别的图像，由CNN计算输出特征值；在另一种可选的实现过程中，根据待识别的图像，计算得到特征值的过程可以由其他计算模块或者特征提取器来实现，例如可以对待识别的图像进行卷积运算，将运算得到的结果作为特征值。需要说明的是，提取特征值的方式还可以有其他方式，本申请实施例对此不做限定。

特征值对比的过程指的是将提取的特征值与预先存储在数据库中的特征值进行对比，当数据库中存在与提取的特征值匹配的特征值时，将该匹配的特征值对应的属性确定为提取的特征值的属性，此时，完成目标物的识别。示例的，数据库中某一特征值与提取的特征值匹配指的是该某一特征值与提取的特征值的相似度大于指定的相似度阈值，例如该相似度阈值为百分之七十。

图4是本申请提供的一种图像识别过程的示意图，该图4以待识别的目标物为人脸为例对上述图像识别过程进行说明。如图4所示。此时，上述三个过程分别为：人脸检测(face detection)、人脸校准(face alignment)和人脸识别(face identification)，其中人脸识别可以包括：提取特征值过程和特征值对比过程。

如图4所示，y1为某一数据库中某一个标签中的特征值，该y1唯一所标识的人脸的图像为p1，该y1的提取过程可以包括：通过人脸检测过程检测图像p1中是否存在人脸，如果该图像p1中存在人脸，则返回图像p1内的该人脸所在区域的位置和大小等信息，然后根据该人脸所在区域的位置和大小等信息，执行人脸校准过程得到人脸特征图像x1，接着，执行人脸识别过程中的提取特征值过程，提取该图像对应的特征值y1，该提取特征值过程可以通过将人脸特征图像x1输入特征提取器F得到。

假设待识别的图像为图像p2，则对该图像p2进行特征提取得到特征值y2，该y2的提取过程可以包括：通过人脸检测过程检测图像p2中是否存在人脸，如果该图像p2中存在人脸，则返回图像p2内的该人脸所在区域的位置和大小等信息，然后根据该人脸所在区域的位置和大小等信息，执行人脸校准过程得到人脸特征图像x2，接着，执行人脸识别过程中的提取特征值过程，提取该图像对应的特征值y2，该提取特征值过程可以通过将人脸特征图像x2输入特征提取器F得到。其中，图像p1和图像p2的特征值提取过程采用相同的算法。

在得到特征值y2后，可以将特征值y1与特征值y2进行对比，得到二者的相似度S,假设相似度阈值为70％，当S大于70％时，可以判断得到图像p2中的人脸与图像p1中的人脸为同一人；当S小于70％时，则判断得到图像p2中的人脸与图像p1中的人脸为不同人。上述将特征值y1与特征值y2进行对比的过程可以由比较器采用比较函数S(y1,y2)实现，该比较函数用于计算y1和y2的相似度。当图像p2中的人脸与图像p1中的人脸为同一人时，可以获取特征值y1所属的标签，该标签中包括特征值y1和属性G1，该属性G1用于唯一标识图像p1中人脸的属性，例如该属性为安娜，则可以为图像p2建立新的标签，该标签包括特征值y2和属性G1，此时属性G1用于唯一标识图像p2中人脸的属性。由此可知，图像p2中的人脸与图像p1中的人脸均为安娜的人脸。

可选地，上述目标物检测、目标物校准和目标物识别的过程可以由多种算法来实现，示例的，目标物检测、目标物校准和目标物识别中的提取特征值的过程均可以由CNN来实现。CNN是一种前馈神经网络，是深度学习技术中极具代表的网络架构之一，它的人工神经元(英文：neuron)可以响应一部分覆盖范围内的周围单元，能根据图像特征进行处理。在使用CNN时，可以直接输入上述预处理后的图像，由CNN输出特征值。

图5是本申请提供的一种图像识别的方法，可以应用于如图1或图2的系统架构。其中，数据中心可以管理一个或多个边缘小站，本申请以其中一个的边缘小站为例进行说明，为便于后续描述，将该边缘小站简称为第一边缘小站，其他边缘小站的工作过程可以参考该第一边缘小站。如图5所示，该方法包括：

S401、第一边缘小站将其获取的第一图像进行预处理得到第一特征值。

假设第一边缘小站管理的图像获取设备为第一图像获取设备，第一边缘小站可以从其管理的第一图像获取设备中获取第一图像，也可以采用其他方式获取第一图像，本申请对此不做限定。然后将第一图像进行预处理，从而得到该第一图像对应的第一特征值。该预处理过程可以参考上述图像的识别过程中目标物检测和目标物校准两个过程以及目标物识别过程中的提取特征值过程。也即是，该预处理过程包括：第一边缘小站先判断第一图像中是否有目标物，如果有目标物，则确定目标物所在区域的位置和大小等信息；然后，根据目标物所在区域的位置和大小等信息确定特征点在第一图像中的位置，并对第一图像中的目标物所在区域的位置进行校准，该特征点为目标物的固有特征所在点；将经过位置校准后的图像进行裁剪，得到包含目标物所在区域的特征图像。之后，根据特征图像，计算得到第一特征值。上述过程中的一个或多个可以由CNN来实现，或者通过目标物识别算法实现。

示例的，第一图像为第一边缘小站通过其管理的图像获取设备所采集的视频或者图像中的一张。当第一图像为图像获取设备所采集的视频中的一张时，该第一边缘小站可以从该视频中提取第一图片，如在视频中分别提取每帧图片作为第一图像，或者每隔至少一帧图片提取一帧图片作为第一图像；当第一图像为图像获取设备所采集的图像中的一张时，直接在图像获取设备所采集的图像中选择图像作为第一图像即可。

需要说明的是，该第一边缘小站的预处理过程可以是上述预处理过程，也可以是其他预处理过程，只要将其获取的第一图像处理得到对应的第一特征值即可，本申请实施例对此不做限定。

由于第一边缘小站可以获取第一图像，并对第一图像进行预处理，得到特征值，分担了数据中心需要执行的处理任务，因此减少了数据中心的负载，提高了图像识别效率。

S402、第一边缘小站向数据中心发送第一特征值。

第一边缘小站可以通过与数据中心之间的通信连接将第一特征值发送至数据中心。

由于第一边缘小站将第一特征值发送至数据中心，无需发送其管理的图像获取设备所采集的视频或者图像，而第一特征值的数据量远远小于视频或图像，因此能够减少网络带宽的占用，降低网络开销；并且数据中心无需处理第一图像，可以直接处理第一特征值，相应的也减少了数据中心的负载，即使在高并发场景，数据中心的运算开销也较小。

S403、数据中心根据第一特征值确定第一属性，该第一属性用于唯一标识第一图像标识的目标物的属性。

数据中心在接收第一边缘小站发送的第一特征值后，可以根据第一特征值执行目标物识别过程以确定第一属性，该过程可以参考前述的目标物识别过程中的特征值对比的过程。示例的，该过程包括：

数据中心将接收到的第一特征值与中心数据库包含的多个标签中的特征值分别进行对比，当中心数据库中存在与第一特征值匹配的第三特征值时，将该匹配的第三特征值对应的属性确定为第一属性，此时，该第一属性为该第一图像标识的目标物的属性。当中心数据库中不存在与第一特征值匹配的特征值时，该数据中心结束对于第一特征值的特征值对比的过程。

在本申请实施例中，特征值可以为数组或向量，以下以特征值为一维数组和向量为例，分别对前述对比过程进行示意性说明：

当图像识别系统中的特征值均为一维数组时，各个数组的长度相同，前述对比过程可以包括对于中心数据库中的多个特征值的任一特征值a1，将第一特征值a2与a1的每一位分别进行对比，得到的相似度q满足：q＝m1/m，其中，m1为任一特征值a1与第一特征值a2数值相同位的个数，m为数组长度。例如，a1和a2的长度均为10，即m＝10，a1为“1234567890”，a2为“1234567880”将a1与a2的每一位分别对比后，得到a1和a2的第一位至第八位以及第十位均相同，m1＝9，则相似度q＝9/10＝0.9＝90％；

当图像识别系统中的特征值均为向量时，前述对比过程可以包括：对于中心数据库中的多个特征值的任一特征值x1，计算第一特征值x2与该任一特征值x1的距离，然后基于该距离确定相似度，其中，距离与相似度负相关，也即是距离越小，相似度越大，例如可以采用欧氏距离公式计算该距离。

示例的，中心数据库中存在与第一特征值匹配的第三特征值指的是该中心数据库中第三特征值与第一特征值的相似度大于指定的相似度阈值，例如该相似度阈值为百分之七十。

S404、数据中心选择至少一个边缘小站，组成边缘小站集合。

如前所述，指定划分方式为按照地理位置划分或按照网络区域划分，则当指定划分方式为按照地理位置划分时，上述区域可以为地理区域，如上海；当指定划分方式为按照网络区域划分时，上述区域可以为网络区域，如局域网、城域网或广域网。则，该同一区域包括同一局域网、同一城域网或同一广域网中至少一个。

上述步骤S404可以有多种实现方式，本申请实施例以以下三种实现方式为例进行说明：

在第一种实现方式中，数据中心按照与第一边缘小站的距离由近到远的顺序，选择至少一个边缘小站。

可选地，该数据中心可以配置有指定个数N，根据第一边缘小站的地理位置，将除第一边缘小站外的其他边缘小站按照与第一边缘小站的由近到远的距离进行排序，选择排序后的前N个边缘小站作为该至少一个边缘小站，N为正整数，例如N的取值范围为2-16。通常情况下，N与第一图像获取设备所部署的物理范围负相关，该第一图像获取设备为第一边缘小站所管理的图像获取设备，也即是，第一图像获取设备所部署的范围越大，N越小。

示例的，假设N＝3，其他边缘小站为边缘小站1至边缘小站15，则该数据中心将该其他边缘小站按照由近到远的距离进行排序，得到的顺序为选择边缘小站1、边缘小站4、边缘小站12、边缘小站13...，该数据中心选择排序前3个的边缘小站作为该至少一个边缘小站，即选择边缘小站1、边缘小站4和边缘小站12作为该至少一个边缘小站。

在第二种实现方式中，数据中心按照预先划分的多个区域，选择至少一个边缘小站。

如前所述，图像识别系统中的各个边缘小站可以预先按照指定划分方式被划分至多个区域中，数据中心可以根据该多个区域，选择至少一个边缘小站。则该数据中心选择至少一个边缘小站的过程可以包括：首先确定第一区域，该第一区域为该第一边缘小站所处的区域；然后，将该第一区域中所有边缘小站或指定个数边缘小站确定为边缘小站集合，其中，边缘小站集合至少包括第一边缘小站，可选的，也可以包括至少一个其他边缘小站。

本申请实施例中，指定划分方式可以为按照地理位置划分或按照网络区域划分，则当指定划分方式为按照地理位置划分时，第一区域可以为地理区域，如上海；当指定划分方式为按照网络区域划分时，第一区域可以为网络区域，如局域网、城域网或广域网。

在第三种实现方式中，数据中心先确定目标物的识别等级，然后，根据该识别等级确定目标物所在区域，之后，将该目标物所在区域中的边缘小站确定为至少一个边缘小站。

可选地，数据中心可以通过目标物的第一属性查询属性与识别等级的对应关系，来确定目标物的识别等级，该属性与识别等级的对应关系可以由维护人员通过资源调度设备上传至数据中心。物体与识别等级的对应关系记录有多组属性与识别等级，其中，图像识别系统在不同的应用环境中，识别等级的划分方式也不同。

当该图像识别系统应用于城市管理中的罪犯追踪环境时，物体与识别等级的对应关系中，物体的属性包括犯罪人员的姓名，物体的识别等级可以根据属性对应的危害性进行划分，该识别等级与属性对应的危害性正相关，也即是危害性越高，等级越高，例如，假设属性包括：“张三”，犯罪人员张三为危害性较低的小偷时，该物体的识别等级较低；假设属性包括：“李四”，犯罪人员李四为犯有抢劫或者拐卖等性质恶劣行为的罪犯时，该物体的识别等级较高。当该图像识别系统应用于城市管理中的车辆追踪环境时，物体与识别等级的对应关系中，物体的属性包括车辆的车牌号，物体的识别等级可以根据属性对应的危害性进行划分，该识别等级与属性对应的危害性正相关，例如：假设属性包括“陕A***7”，车牌号为陕A***7的车辆为危害性较低的闯红灯的车辆时，该物体的识别等级较低；假设属性包括“陕A***8”，车牌号为陕A***8的车辆为危害性较高的肇事逃逸的车辆时，该物体的识别等级较高。当该图像识别系统应用于动物识别环境时，物体与识别等级的对应关系中，物体的属性包括动物的姓名，物体的识别等级可以根据属性对应的稀有程度进行划分，该识别等级与属性对应的稀有程度正相关，例如：假设属性包括“圆圆”，动物圆圆为稀缺程度较低的羚羊时，该物体的识别等级较低；假设属性包括“豆豆”，动物豆豆为稀缺程度较高的大熊猫时，该物体的识别等级较高。该物体的识别等级也可以根据具体应用场景的具体情况进行划分，本申请实施例对此不做限定。

需要说明的是，上述识别等级可以作为属性的一个属性参数记录在属性中，这样，可以直接查询目标物的属性，以得到该识别等级。

下面，以该图像识别系统应用于城市管理中的罪犯追踪环境为例进行说明。该图像识别系统为人脸图像识别系统，其目标物为人脸。假设数据中心的中心数据库存储的黑名单如表1所示。该黑名单中记录有犯罪人员的属性和特征值，其中，属性包括姓名、识别等级和关联关系共三个属性参数，特征值为长度为10的一维数组，该识别等级根据该犯罪人员的危害性划分，假设该识别等级采用数值标识，且识别等级与数值负相关，且与危害性正相关，因此，识别等级对应的数值越小，识别等级越高，该犯罪人员的危害性越大。该黑名单中共记录100个标签。示例的，黑名单中的标签1包括：姓名：张三，特征值：1234567884，识别等级为1，关联关系为标签2。假设目标物的第一标签为黑名单中的标签2，则查询其属性，得到其中的识别等级为：2。

表1

标签序号	姓名	特征值	识别等级	关联关系
					1	张三	1234567884	1	标签2
2	李四	1457681573	2	标签1
					...	…	…	…	…
100	王五	5612341545	3	无

数据中心根据识别等级查询识别等级与区域的对应关系，得到目标物所在区域，该识别等级与区域的对应关系可以由维护人员通过资源调度设备上传至数据中心。上述识别等级与区域的对应关系中记录有多组识别等级与区域，该对应关系中，识别等级与区域的覆盖范围的大小正相关，也即是当该识别等级越高时，对应的区域的覆盖范围的大小越大。示例的，该对应关系中的区域包括：局域网、城域网和广域网，其中，局域网、城域网和广域网的覆盖范围的大小依次增大。请参考前述图3，图像识别系统中的各个边缘小站按照上述3种子划分方式划分得到的多个区域，该多个区域包括多个局域网、多个城域网和多个广域网，该对应关系即记录了这些区域。例如，数据中心根据该目标物的识别等级确定该目标物所在区域为局域网，将该局域网中的边缘小站确定为至少一个边缘小站。

需要说明的是，上述对应关系中的区域也可以有其他形式，例如包括城市区域、省份区域和国家区域，其中，城市区域、省份区域和国家区域的覆盖范围的大小依次增大。本申请对此不做限定。

在该第三种实现方式中，根据目标物的识别等级，确定至少一个边缘小站，该至少一个边缘小站所在的区域基于识别等级的增大而增大，也即是在识别等级不同时，最终确定的至少一个边缘小站所在的区域(也即是目标物所在区域)的等级也不同，例如该区域可以为局域网、城域网或广域网中的一个，这种情况下，实现了根据目标物的识别等级进行目标物的分级布控，提供了目标物的识别灵活性。

示例的，请参考图3，假设，该图像识别系统中，数据中心先确定“张三”的识别等级，然后，根据该识别等级确定目标物所在区域，并在该目标物所在区域进行标签X的广播。例如，当“张三”的识别等级为3，表示其识别等级较低，将标签X广播到边缘小站A和边缘小站B所属局域网；当“张三”的识别等级为2，表示其识别等级中等，将标签X广播到边缘小站A、边缘小站B和边缘小站C所属城域网；当“张三”的识别等级为1，表示其识别等级较高，将标签X广播到边缘小站A、边缘小站B、边缘小站C、边缘小站D以及边缘小站E所属广域网。这样可以根据“张三”识别等级对“张三”进行分级布控，可以提高“张三”追踪的灵活性。

S405、数据中心向边缘小站集合中的边缘小站发送第一标签，第一标签包括目标特征值和第一属性，该目标特征值为与第一属性关联的特征值，该边缘小站集合包括第一边缘小站。

图5中，假设边缘小站集合包括第一边缘小站和第二边缘小站，实际上，边缘小站集合还可以包括其他边缘小站，图5只是示意性说明。

上述第一标签可以以结构体(struct)的形式发送，其中，结构体是由一系列具有相同类型或不同类型的数据构成的数据集合，上述目标特征值为与第一属性关联的特征值，即目标特征值为第一属性所标识的目标物所在图像的特征值，请参考上述步骤S401和S403，第一特征值为第一图像的特征值，第三特征值为与第一特征值匹配的特征值，由于该第三特征值与第一特征值匹配，说明该第三特征值所标识的图像中的目标物与第一图像中的目标物一致，因此，该目标特征值可以为第一特征值或者第三特征值，由于该第一特征值相对于第三特征值(第三特征值是预先存储在中心数据库的)的获取时刻更近，因此，该第一特征值更能反映该目标物近期的特征，因此，当该数据中心发送的第一标签中的特征值为第一特征值时，可以提高该边缘小站集合中的边缘小站对该目标物的识别准确率。

在本申请实施例中，数据中心向该边缘小站集合中的边缘小站发送第一标签的方式有多种，例如，该数据中心可以同时向该边缘小站集合中的边缘小站发送第一标签，也即是，向该边缘小站集合进行第一标签的广播或组播；又例如，该数据中心依次向该边缘小站集合中的边缘小站发送第一标签。当然，数据中心向也可以采用其他方式向边缘小站集合中的边缘小站发送第一标签，只要保证最终遍历该边缘小站集合中各个边缘小站即可，本申请实施例对此不做限定。

示例的，假设该边缘小站集合中包括第一边缘小站和第二边缘小站，该数据中心将将该第一标签通过广播的方式发送至该第一边缘小站和第二边缘小站。

通常情况下，当一目标物出现在某一区域(例如上述至少一个边缘小站所在的区域)后，与该目标物关联的其他目标物出现在该某一区域的几率较高，例如，当该图像识别系统为城市管理中的罪犯追踪系统，则某一犯罪人员出现在某一区域后，跟他有关的犯罪团伙出现在该某一区域的几率较大。为了提高该图像识别系统的监控识别效率，该数据中心不仅可以向该边缘小站集合中的边缘小站发送第一标签，也可以向该边缘小站集合中的边缘小站发送与该第一标签关联的其他标签，该关联的其他标签可以指与第一标签的属性所标识的目标物具有某一社会关系的另一目标物的标签，该某一社会关系可以是夫妻关系或犯罪团伙关系等等。数据中心可以维护一个关联标签表。数据中心通过查询该关联标签表，确定与该第一标签关联的其他标签。该关联标签表可以由维护人员通过资源调度设备上传至数据中心。该关联标签表记录有相互关联的标签，这些标签的关联关系可以由维护人员根据实际图像识别场景预先配置，例如，该关联标签表是维护人员根据各个标签中的属性的相关性建立的。示例的，当两个标签中的属性满足指定条件时，其属性具有相关性，相应的，标签具有相关性，该指定条件可以包括：存在至少n个属性参数的内容相同，n为正整数；和/或，指定属性参数的内容相同。例如，假设n＝2，且该两个标签中均包括属性参数D1、属性参数D2、属性参数D3和属性参数D4，当标签1与标签2的属性参数D1和属性参数D2的内容相同，则认为标签1和标签2具有相关性。再例如，假设两个标签中标签包括指定属性参数：犯罪团伙，当标签3和标签4的指定属性参数的内容相同，则认为标签3和标签4具有相关性，如，标签3和标签4的指定属性参数的内容均为抢劫团伙AAA。

可选地，在中心数据库中，对于每个标签，若该标签存在关联的标签(该关联关系可以参考前述解释)，可以在该标签中添加指向其关联的标签的指针，根据该指针便可以确定关联的标签。

可选地，上述关联关系可以作为一个属性参数记录在属性中，这样，可以直接查询目标物的属性，以得到与该属性所在标签关联的标签。示例的，请参考表1，假设目标物的第一标签为黑名单中的标签2，查询其属性，得到其中的关联关系为：标签1，则该标签1为标签2的关联的标签。

S406、边缘小站集合中的各个边缘小站根据采集的第二图像和第一标签确定图像识别结果。

以第一边缘小站为例，该第一边缘小站接收该第一标签后，可以执行以下过程以得到图像识别结果：

S1、第一边缘小站根据其获取的第二图像进行预处理得到第二特征值。

该过程可以参考上述步骤S401的过程，本申请对此不再赘述。

第一边缘小站可以从其管理的第一图像获取设备中获取第二图像，也可以采用其他方式获取第二图像，例如，第一图像获取设备为摄像机，第一图像获取设备实时或周期性向第一边缘小站发送视频，由于第一图像和第二图像的获取时机不同，两者不是同一张图像。

S2、第一边缘小站将该第一标签中的目标特征值与第二特征值进行对比，得到两者的相似度。

当图像识别系统中的特征值均为一维数组时，各个数组的长度相同，该对比过程可以包括将第二特征值x3与该目标特征值x4的每一位分别进行对比，得到的相似度p满足：p＝m2/m，其中，m2为目标特征值x4与第二特征值x3数值相同位的个数，m为数组长度的比值。当图像识别系统中的特征值均为向量时，前述对比过程可以包括：计算第二特征值x3与该目标特征值x4的距离，然后基于该距离确定相似度，例如可以采用欧氏距离公式计算该距离。该步骤S2可以参考上述步骤S403中数据中心将第一特征值与中心数据库包含的多个标签中的特征值分别进行对比的过程，本申请对此不再赘述。

S3、第一边缘小站根据该相似度确定识别结果。

当该第二特征值与目标特征值匹配时，该第二图像的图像识别结果包括该第一标签的属性，即第一属性，该图像识别结果用于表示第一边缘小站识别到第一属性对应的图像，也即是识别到第二图像中的目标物。当该第二特征值与该第一标签包含的特征值不匹配时，该第二图像的图像识别结果包括该第二图像的第二特征值，该图像识别结果用于表示第一边缘小站获取的第二图像不具有第一属性，也即是没有识别到第二图像中的目标物，需要数据中心继续进行进一步识别。示例的，该第二特征值与目标特征值匹配指的是该第一标签包含的特征值与第二特征值的相似度大于指定的相似度阈值，例如该相似度阈值为百分之七十。

可选地，第一边缘小站也可以仅执行上述步骤S1，也即是执行预处理过程，然后将第二特征值作为识别结果发送至数据中心。由于第一边缘小站可以获取第二图像，并对第二图像进行预处理，得到特征值，分担了数据中心需要的处理任务，因此减少了数据中心的负载，提高了图像识别效率。并且，若该第一边缘小站执行上述步骤S1至步骤S3，其可以对该第二图像进行初步识别处理，当识别得到第二图像的属性时，则数据中心无需进一步识别，分担了数据中心需要的处理任务，因此减少了数据中心的负载，提高了图像识别效率。

可选地，该第一边缘小站具有自身的存储空间，也即是具有一边缘数据库，该边缘数据库中存储有多个标签，每个标签包括属性和特征值，属性和特征值一一对应，该属性包括姓名、年龄、性别和籍贯中的一种或多种属性参数，该边缘数据库的结构可以参考中心数据库的结构，需要说明的是，本申请中各个边缘小站可以采用缓存(cache)机制来维护其边缘数据库。第一边缘小站在接收到该第一标签后，可以根据该第一标签更新该边缘数据库，从而使该第一边缘小站可以在获取到第二图像时，从该边缘数据库提取该第一标签，以确定该第二图像的图像识别结果，则如图6所示，该步骤S406可以包括：

S4061，第一边缘小站采用第一标签更新第一边缘数据库，该第一边缘数据库为第一边缘小站中的数据库。

若该第一边缘数据库有剩余空间时，该第一边缘小站可以直接将第一标签存储于该第一边缘数据库，以更新该第一边缘数据库。若该第一边缘数据库没有剩余空间时(通常情况，为了保证资源的有效利用，各个边缘数据库都是被占满的，也即没有剩余空间)，第一边缘小站确定第一边缘数据库中符合更新条件的第二标签，该更新条件可以是预先配置的；然后再采用第一标签替换第二标签，得到更新后的第一边缘数据库。该替换方式可以是将该第二标签从该第一边缘数据库中删除，然后将第一标签添加至该第一边缘数据库；也可以是直接用该第一标签覆盖第二标签。

例如，该更新条件可以包括：在第一边缘数据库中第二标签被命中次数最小，该被命中次数用于指示该第二标签标识的图像与待识别图像匹配(即图像的特征值与该标签中的特征值匹配)的个数；也可以包括：在第一边缘数据库中第二标签被命中时长最长，该被命中时长用于指示该第二标签标识的图像最近一次命中时刻与当前时刻的间隔，命中时刻为标签被命中的时刻，当然，该更新条件还可以同时包括上述两种情况，在同时包含这两种情况时，第一边缘小站确定第一边缘数据库中符合更新条件的第二标签的过程可以包括：在第一边缘小站中确定命中次数由小到大的前若干个标签，在该若干个标签中再确定被命中时长最长的标签作为第二标签；或者，在第一边缘小站中确定被命中时长由长到短的前若干个标签，在该若干个标签中再确定被命中次数最小的标签作为第二标签。

可选地，该第一边缘小站可以在其第一边缘数据库中每个标签的属性中配置目标属性参数，该目标属性参数包括命中次数和/或命中时刻，在每个标签被命中时，更新其目标属性参数，这样在第一边缘小站确定其边缘数据库中是否存在符合更新条件的第二标签时，查询各个标签中的目标属性参数即可。例如，目标属性参数包括命中次数和命中时刻。在该图像识别系统初始化时，可以设置该边缘数据库中每个标签的命中次数为0，命中时刻为初始化时刻，当该边缘数据库中某一标签首次与一图像匹配，则认为该某一标签被命中，此时，该某一标签属性中的命中次数更新为1，并更新该某一标签的命中时刻。

假设第一边缘小站的第一边缘数据库存储的黑名单如表2所示。该黑名单可以是基于数据中心下发的黑名单处理得到的，例如是由如表1所示的黑名单中的部分名单处理得到的，其中，属性包括姓名、命中次数和命中时刻共三个属性参数，该黑名单是将如表1所示的黑名单中的部分名单中记录的属性参数：识别等级和关联关系删除，并添加了属性参数：命中次数和命中时刻得到的。示例的，在第一边缘数据库中，黑名单的标签5的标签包括：姓名：王五，特征值：5612341545，命中次数：0，命中时刻：00:00。则，若更新条件包括：在第一边缘数据库中命中次数最小，则根据表2，可以确定第二标签为标签5；若更新条件包括：命中时长最长，则根据表2，可以确定第二标签为标签5。

表2

标签序号	姓名	特征值	命中次数	命中时刻
					5	王五	5612341545	0	00:00
6	李四	1457681573	4	2018/9/18，12:00
					7	赵六	2457681573	2	2018/9/19，01:00

需要说明的是，该各个边缘小站的更新条件可以相同，也可以不同，本申请实施例对此不做限定。

S4062、第一边缘小站根据采集的第二图像和更新后的第一边缘数据库，确定图像识别结果。

第一边缘小站将采集的第二图像进行预处理后，执行初步识别处理过程，从而将该第二图像的第二特征值与更新后的第一边缘数据库中特征值进行对比，得到第二图像的图像识别结果，该初步识别处理过程可参考上述初步识别处理过程，本申请实施例对此不再赘述。

需要说明的是，步骤S406仅以该第一边缘小站为例进行说明，该至少一个边缘小站中除该第一边缘小站的其他边缘小站，根据采集的第二图像和第一标签确定图像识别结果的过程和原理与该第一边缘小站相同，本申请对此不再赘述。

请参考图7，图7为边缘小站A更新边缘数据库的过程示意图，该图7以该更新条件为命中次数(简称命中)最小为例。在数据中心广播标签X后，该边缘小站A将接收到的标签X替换其管理的边缘数据库A进行中命中次数最小的标签。由于属性参数：姓名为赵六的标签中命中次数为0，因此采用标签X替换该命中次数为0的标签。这样可以实现，边缘数据库的有效更新。

S407、边缘小站集合中的各个边缘小站向数据中心发送图像识别结果。

S408、数据中心根据每个图像识别结果确定目标物的位置。

该数据中心接收边缘小站集合中的各个边缘小站发送的至少一个图像识别结果后，数据中心可以根据每个图像识别结果确定发送该图像识别结果的边缘小站是否采集到目标物的图像，请参考上述步骤S3，当某一边缘小站获取的第二图像的第二特征值与目标特征值匹配时，该第二图像的图像识别结果包括第一标签的第一属性，示例的，该图像识别结果中携带标签时，该标签包括前述第一属性和特征值，说明发送该图像识别结果的边缘小站已经进行了初步识别，且识别到了图像的属性，该属性为该图像标识的目标物的属性。数据中心可以将该第一属性以提示信息的方式呈现给工作人员，提示工作人员识别到该第一属性，进一步的，数据中心可以确定该某一边缘小站采集到目标物的图像，然后，基于该某一边缘小站所管理的图像获取设备的位置定位目标物的位置。这样工作人员在数据中心处即可监控到目标物的位置。

当图像识别结果中未携带标签，仅携带特征值时，说明发送该图像识别结果的边缘小站未识别到图像的属性，数据中心可以根据该特征值确定属性，该过程可以参考上述步骤S403，本申请对此不再赘述。

需要说明的是，本申请实施例提供的图像识别方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。

综上所述，本申请实施例提供的图像识别方法，由于各个边缘小站对获取的图像进行了预处理，得到该图像对应的特征值，分担了数据中心需要执行的处理任务，因此减少了数据中心的负载，提高了图像识别效率。并且，由于各个边缘小站也可以根据该图像的特征值对该图像进行初步识别处理，当识别得到图像的属性时，则数据中心无需进一步识别，分担了数据中心需要的处理任务，因此减少了数据中心的负载，提高了图像识别效率。通常情况下，当一目标物出现在某一区域后，该目标物出现在该某一区域的几率较高，而由于上述至少一个边缘小站位于同一区域，且该区域是第一边缘小站获取到第一标签所对应的第一图像的区域，因此，将第一标签下发至该至少一个边缘小站，可以让该至少一个边缘小站根据第一标签进行图像的初步识别处理，如果目标物再次出现在该区域后，能够迅速识别到该目标物的属性，在追踪场景中，能够实现目标物的及时追踪。进一步的，采用上述步骤S404中的第三种实现方式，可以根据目标物的识别等级来确定至少一个边缘小站，实现目标物的分级布控，可以提高目标物的识别灵活性，在追踪场景中，也提高了目标物追踪的灵活性。

在一种可选的实现方式中，在第一边缘小站向数据中心发送第一特征值之前，第一边缘小站可以根据该第一特征值以及第一边缘数据库对该第一图像进行识别，该识别过程可以参考上述步骤S403，当第一边缘数据库不存在与该第一特征值匹配的特征值时，再执行上述步骤S402，当第一边缘数据库存在该与第一特征值匹配的特征值时，请参考图8，第一边缘小站可以执行以下步骤。

S601、第一边缘小站向数据中心发送第一图像的图像识别结果。

当第一边缘小站的第一边缘数据库存在与该第一特征值匹配的特征值时，该第一边缘小站将该匹配的特征值对应的属性确定为目标物的第一属性，该第一属性用于唯一标识该第一图像所标识的目标物的属性，此时，第一图像的识别结果包括该第一属性，该图像识别结果用于表示第一边缘小站识别到第一图像的属性，也即是没有识别到第一图像中的目标物。

S602、第一边缘小站选择至少一个边缘小站。

上述步骤S602可以有多种实现方式，本申请实施例以以下二种实现方式为例进行说明：

在第一种可实现方式中，第一边缘小站根据数据中心下发的指示信息，选择至少一个边缘小站，该指示信息用于指示该至少一个边缘小站。

示例的，数据中心可以选择至少一个边缘小站，然后生成指示信息，第一边缘小站根据该指示信息确定至少一个边缘小站。数据中心选择至少一个边缘小站的过程可以参考上述步骤S404，本申请对此不再赘述。

在第二种可实现方式中，该第一边缘小站先确定目标物的识别等级；然后，根据该识别等级确定目标物所在区域；之后，将该目标物所在区域中的边缘小站中除第一边缘小站之外的边缘小站确定为至少一个边缘小站。

可选地，第一边缘小站可以通过目标物的第一属性查询属性与识别等级的对应关系，来确定目标物的识别等级，该属性与识别等级的对应关系可以由数据中心预先下发至第一边缘小站。该属性与识别等级的对应关系的解释可以参考上述步骤S404。

需要说明的是，上述识别等级可以作为属性的一个属性参数记录在属性中，这样，可以直接查询目标物的属性，以得到该识别等级。例如第一边缘小站中的黑名单的格式可以参考表1。

第一边缘小站根据识别等级查询识别等级与区域的对应关系，得到目标物所在区域，该识别等级与区域的对应关系可以由数据中心预先下发至第一边缘小站。该等级与区域的对应关系的解释可以参考上述步骤S404。

需要说明的是，由于第一边缘小站的权限有限，因此，数据中心下发的属性与识别等级的对应关系可以是数据中心根据第一边缘小站的权限，在完整的属性与识别等级的对应关系中提取的至少一部分；数据中心下发的等级与区域的对应关系可以是数据中心根据第一边缘小站的权限，在完整的等级与区域的对应关系中提取的至少一部分。

S603、第一边缘小站向其他边缘小站发送第一标签，第一标签包括目标特征值和第一属性，目标特征值为与第一属性关联的特征值，该其他边缘小站为至少一个边缘小站中除第一边缘小站之外的边缘小站。

其中，该第一边缘小站向该其他边缘小站发送第一标签的方式与该数据中心向该至少一个边缘小站发送第一标签的方式相同，请参考上述步骤S405，本申请实施例对此不再赘述。

由于通常情况下，第一边缘小站与上述至少一个边缘小站的其他边缘小站的距离相对于数据中心与其他边缘小站的距离较近，则相应的，第一边缘小站与该其他边缘小站的第一标签的传输时长小于数据中心与其他边缘小站的第一标签的传输时长，因此，由第一边缘小站向该其他边缘小站发送第一标签，减少了该图像识别系统的传输时延，尤其在追踪场景，可以提高对目标物的追踪效率。

在步骤S603之后，至少一个边缘小站中各个边缘小站根据采集的第二图像和第一标签确定图像识别结果，并将图像识别结果发送至数据中心，该过程可以参考上述步骤S406和S407，本申请实施例对此不再赘述。

进一步可选地，当第一边缘数据库存在该与第一特征值匹配的特征值时，第一边缘小站还可以根据第一特征值更新第一边缘数据库，更新后的第一边缘数据库用于该第一边缘小站对其管理的图像获取设备发送的图像进行识别，该过程可以参考上述步骤S4061至S4062。由于该第一特征值更能反映目标物近期的特征，因此，当第一边缘小站根据该第一特征值更新匹配的特征值时，可以提高该第一边缘小站对该目标物的识别准确率。进一步的，其他边缘小站也可以更新其边缘数据库，该过程参考上述步骤S4061至S4062。

为了便于读者理解，本申请假设该图像识别系统应用于城市管理中的罪犯追踪环境，则该图像识别系统为人脸图像识别系统，其可识别的物体为人脸。图9为本申请实施例提供的一种图像识别方法的过程示意图。如图9所示，该边缘小站A管理的图像获取设备获取到有“张三”人脸的第一视频，该图像获取设备将该第一视频发送到边缘小站A，该边缘小站A将该视频进行提取图像，并对提取到的图像进行预处理，得到的“张三”的特征值为D；然后将该“张三”的特征值D发送至数据中心，由数据中心做进一步处理。可选的，边缘小站A可以将该特征值D与其管理的边缘数据库A比较，当边缘数据库A中不存在与特征值D匹配的特征值时，将“张三”的特征值D发送至数据中心。由于各个边缘小站对获取的图像进行预处理，得到该图像对应的特征值，或者对图像进行了初步识别处理，分担了数据中心需要执行的处理任务，因此减少了数据中心的负载，提高了图像识别效率。

数据中心将接收到的该特征值D与中心数据库中各个标签的特征值进行对比，确定特征值D与该数据库中的某一标签的特征值匹配。此时，该数据中心根据某一标签确认该特征值D标识的目标物的属性参数：姓名为“张三”，则该数据中心根据与该边缘小站A距离由近到远的顺序选择至少一个边缘小站，得到边缘小站A和边缘小站B等，并向该至少一个边缘小站广播标签X，该标签X可以为该某一标签，也可以是采用特征值D更新该某一标签中的特征值后的标签。由于上述至少一个边缘小站与边缘小站A位于同一区域，因此，将标签X广播至该至少一个边缘小站，可以让该至少一个边缘小站根据标签X进行图像的初步识别处理，如果“张三”再次出现在该区域后，能够迅速识别到该张三的属性，及时追踪“张三”。

为了提高该图像识别系统对被目标物体的监控识别效率，也可以将标签X的关联的其他标签同步广播至该至少一个边缘小站。例如，该标签X的关联标签为标签Y，则该数据中心将该标签X和标签Y同步广播至该至少一个边缘小站。这样可以在同一区域同时追踪关联的标签X和标签Y，提高追踪的灵活性。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

本申请实施例提供一种图像识别装置100，如图10所示，包括：

第一接收模块1001、第一确定模块1002、发送模块1003、第二接收模块1004和第二确定模块1005。

第一接收模块1001，用于接收第一边缘小站发送的第一特征值，通过网络与第一边缘小站通信，第一特征值为第一边缘小站根据其获取的第一图像进行预处理获得；

第一确定模块1002，用于根据所述第一特征值确定第一属性，所述第一属性用于唯一标识所述第一图像中的目标物的属性，例如实现上述方法实施例中步骤S403所示的方法；

发送模块1003，用于向边缘小站集合中的边缘小站发送第一标签，例如实现上述方法实施例中步骤S405所示的方法；

第二接收模块1004，用于接收边缘小站集合中的边缘小站发送的至少一个图像识别结果，每个图像识别结果为各个边缘小站根据采集的第二图像和第一标签确定；

第二确定模块1005，用于根据每个图像识别结果确定目标物的位置。

可选的，边缘小站集合包括第一边缘小站和至少一个其他边缘小站，如图11所示，该装置100在图10所示的基础上还设置有：

选择模块1006，用于在向边缘小站集合中的边缘小站发送第一标签之前，选择至少一个边缘小站，组成边缘小站集合，至少一个边缘小站和第一边缘小站位于同一区域内，所述区域为基于预设规则定义的地理范围或网络分布范围，同一区域包括同一局域网、同一城域网或同一广域网中至少一个，例如实现上述方法实施例中步骤S404所示的方法。

可选的，选择模块1006，用于：

按照与第一边缘小站的距离由近到远的顺序，选择至少一个边缘小站。

可选的，如图12所示，选择模块1006，包括：

第一确定子模块10061、第二确定子模块10062和第三确定子模块10063。

第一确定子模块10061，用于确定目标物的识别等级；

第二确定子模块10062，用于根据识别等级确定目标物所在区域；

第三确定子模块10063，用于将目标物所在区域中的边缘小站确定为至少一个边缘小站。

可选的，第二确定子模块10062，用于：

根据识别等级查询等级与区域的对应关系，得到目标物理所在区域；

其中，对应关系中，识别等级与区域的覆盖范围的大小正相关，对应关系中的区域包括：局域网、城域网与广域网，且局域网、城域网与广域网的覆盖范围的大小依次增大。

可选的，目标物为人脸，第一图像和第二图像均为人脸图像。

应理解的是，本申请实施例的装置100可以通过专用集成电路(application-specific integrated circuit，ASIC)实现，或可编程逻辑器件(programmable logicdevice，PLD)实现，上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice，CPLD)，现场可编程门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。也可以通过软件实现图5、图6和图8所示的图像识别方法时，装置100及其各个模块也可以为软件模块。

根据本申请实施例的装置100可对应于执行本申请实施例中描述的方法，并且装置100中的各个单元的上述和其它操作和/或功能分别为了实现图5、图6和图8中的各个方法的相应流程，为了简洁，在此不再赘述。

综上所述，本申请实施例提供的图像识别装置，由于通常情况下，当一目标物出现在某一区域后，该目标物出现在该某一区域的几率较高，而由于上述至少一个边缘小站位于同一区域，且该区域是第一边缘小站获取到第一标签所对应的第一图像的区域，因此，将第一标签下发至该边缘小站集合中的边缘小站，可以让该边缘小站集合中的边缘小站根据第一标签进行图像的初步识别处理，如果目标物再次出现在该区域后，能够迅速识别到该目标物的属性，在追踪场景中，能够实现目标物的及时追踪。

本申请实施例提供另一种图像识别装置110，如图13所示，包括：

第一发送模块1101、接收模块1102、确定模块1103和第二发送模块1104。

第一发送模块1101，用于向数据中心发送第一特征值，通过网络与数据中心通信，第一特征值为第一边缘小站根据其获取的第一图像进行预处理获得，例如实现上述方法实施例中步骤S402所示的方法；

接收模块1102，用于接收第一标签，第一标签包括目标特征值和第一属性，第一属性用于唯一标识第一图像标识的目标物的属性，目标特征值为与第一属性关联的特征值，第一标签为数据中心向边缘小站集合中的边缘小站发送的数据，边缘小站集合包括第一边缘小站；

确定模块1103，用于根据采集的第二图像和第一标签确定图像识别结果，例如实现上述方法实施例中步骤S406所示的方法；

第二发送模块1104，用于向数据中心发送图像识别结果，图像识别结果用于供数据中心确定目标物的位置，例如实现上述方法实施例中步骤S407所示的方法。

可选的，如图14所示，确定模块1103，包括：

更新子模块11031和确定子模块11032。

更新子模块11031，用于采用第一标签更新第一边缘数据库，第一边缘数据库为第一边缘小站中的数据库，例如实现上述方法实施例中步骤S4061所示的方法；

确定子模块11032，用于根据采集的第二图像和更新后的第一边缘数据库，确定图像识别结果，例如实现上述方法实施例中步骤S4062所示的方法。

可选的，更新子模块11031，用于：

确定第一边缘数据库中符合更新条件的第二标签；

采用第一标签替换第二标签；

其中，更新条件包括以下至少一者：

在第一边缘数据库中第二标签被命中次数最小，命中次数用于指示第二标签标识的图像与待识别图像匹配的个数；或者，

在第一边缘数据库中第二标签被命中时长最长，命中时长用于指示第二标签标识的图像最近一次命中时刻与当前时刻的间隔。

可选的，目标物为人脸，第一图像和第二图像均为人脸图像。

应理解的是，本申请实施例的装置110可以通过专用集成电路(application-specific integrated circuit，ASIC)实现，或可编程逻辑器件(programmable logicdevice，PLD)实现，上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice，CPLD)，现场可编程门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。也可以通过软件实现图5、图6和图8所示的图像识别方法时，装置110及其各个模块也可以为软件模块。

根据本申请实施例的装置110可对应于执行本申请实施例中描述的方法，并且装置110中的各个单元的上述和其它操作和/或功能分别为了实现图5、图6和图8中的各个方法的相应流程，为了简洁，在此不再赘述。

综上所述，本申请实施例提供的图像识别装置，由于各个边缘小站对获取的图像进行了预处理，得到该图像对应的特征值，分担了数据中心需要执行的处理任务，因此减少了数据中心的负载，提高了图像识别效率。并且，由于各个边缘小站也可以根据该图像的特征值对该图像进行初步识别处理，当识别得到图像的标签时，则数据中心无需进一步识别，分担了数据中心需要的处理任务，因此减少了数据中心的负载，提高了图像识别效率。通常情况下，当一目标物出现在某一区域后，该目标物出现在该某一区域的几率较高，而由于上述至少一个边缘小站位于同一区域，且该区域是第一边缘小站获取到第一标签所对应的第一图像的区域，因此，将第一标签下发至该边缘小站集合中的边缘小站，可以让该边缘小站集合中的边缘小站根据第一标签进行图像的初步识别处理，如果目标物再次出现在该区域后，能够迅速识别到该目标物的属性，在追踪场景中，能够实现目标物的及时追踪。

本申请实施例提供一种图像识别的系统，包括数据中心和至少一个第一边缘小站，数据中心用于实现上述前一种图像识别装置的功能，每个第一边缘小站用于实现后一种图像识别装置的功能。示例地，该图像识别的系统可以为上述图1或图2所提供的图像识别系统。

图15是本申请实施例提供的一种计算设备的结构示意图，如图15所示，该服务器可以包括：处理器1501(如CPU)、存储器1502、网络接口1503和总线1504。其中，总线1504用于连接处理器1501、存储器1502和网络接口1503。存储器1502可能包含随机存取存储器(random access memory，RAM)，也可能包含非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过网络接口1503(可以是有线或者无线)实现服务器与通信设备之间的通信连接。存储器1502中存储有计算机程序15021，该计算机程序15021用于实现各种应用功能，处理器1501用于执行存储器1502中存储的计算机程序15021来实现上述方法实施例提供的图像识别方法。

应理解，在本申请实施例中，该处理器1501可以是CPU，该处理器1501还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。通用处理器可以是微处理器或者是任何常规的处理器等。

该存储器1502可以包括只读存储器和随机存取存储器，并向处理器1501提供指令和数据。存储器1502还可以包括非易失性随机存取存储器。例如，存储器1502还可以存储设备类型的信息。

该存储器1502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。

该总线1504除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线1504。

应理解，根据本申请实施例的计算设备可对应于本申请实施例中的图像识别的装置100和装置110，并可以对应于执行图5、图6或图8所述方法中的相应主体，并且计算设备中的各个模块的上述和其它操作和/或功能分别为了实现图5、图6和图8中的各个方法的相应流程，为了简洁，在此不再赘述。上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive，SSD)。

以上所述，仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式，可想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (22)

1.一种图像识别方法，其特征在于，所述方法包括：

数据中心接收第一边缘小站发送的第一特征值，所述数据中心通过网络与所述第一边缘小站通信，所述第一特征值为所述第一边缘小站根据其获取的第一图像进行预处理获得；

所述数据中心根据所述第一特征值确定第一属性，所述第一属性用于唯一标识所述第一图像中的目标物的属性；

所述数据中心向边缘小站集合中的边缘小站发送第一标签，所述第一标签包括目标特征值和所述第一属性，所述目标特征值为与所述第一属性关联的特征值，所述边缘小站集合包括所述第一边缘小站；

所述数据中心接收所述边缘小站集合中的边缘小站发送的至少一个图像识别结果，每个图像识别结果为各个边缘小站根据采集的第二图像和所述第一标签确定；

所述数据中心根据每个图像识别结果确定所述目标物的位置。

2.根据权利要求1所述方法，其特征在于，所述边缘小站集合包括所述第一边缘小站和至少一个其他边缘小站，所述在所述数据中心向边缘小站集合中的边缘小站发送第一标签之前，所述方法还包括：

所述数据中心选择至少一个边缘小站，组成所述边缘小站集合，所述至少一个边缘小站和所述第一边缘小站位于同一区域内，所述区域为基于预设规则定义的地理范围或网络分布范围。

3.根据权利要求2所述方法，其特征在于，所述数据中心选择至少一个边缘小站，包括：

所述数据中心按照与所述第一边缘小站的距离由近到远的顺序，选择至少一个边缘小站。

4.根据权利要求2所述方法，其特征在于，所述数据中心选择至少一个边缘小站，包括：

所述数据中心确定所述目标物的识别等级；

所述数据中心根据所述识别等级确定目标物所在区域；

所述数据中心将所述目标物所在区域中的边缘小站确定为所述至少一个边缘小站。

5.根据权利要求4所述方法，其特征在于，所述数据中心根据所述识别等级确定目标物所在区域，包括：

所述数据中心根据所述识别等级查询等级与区域的对应关系，得到所述目标物理所在区域；

其中，所述对应关系中，所述识别等级与所述区域的覆盖范围的大小正相关，所述对应关系中的区域包括：局域网、城域网与广域网，且所述局域网、所述城域网与所述广域网的覆盖范围的大小依次增大。

6.根据权利要求1至5任一所述方法，其特征在于，所述目标物为人脸，所述第一图像和所述第二图像均为人脸图像。

7.一种图像识别方法，其特征在于，所述方法包括：

第一边缘小站向数据中心发送第一特征值，所述第一边缘小站通过网络与所述数据中心通信，所述第一特征值为所述第一边缘小站根据其获取的第一图像进行预处理获得；

所述第一边缘小站接收第一标签，所述第一标签包括目标特征值和第一属性，所述第一属性用于唯一标识所述第一图像中的目标物的属性，所述目标特征值为与所述第一属性关联的特征值，所述第一标签为所述数据中心向边缘小站集合中的边缘小站发送的数据，所述边缘小站集合包括所述第一边缘小站；

所述第一边缘小站根据采集的第二图像和所述第一标签确定图像识别结果；

所述第一边缘小站向所述数据中心发送所述图像识别结果，所述图像识别结果用于供所述数据中心确定所述目标物的位置。

8.根据权利要求7所述的方法，其特征在于，所述第一边缘小站根据采集的第二图像和所述第一标签确定图像识别结果，包括：

所述第一边缘小站采用所述第一标签更新第一边缘数据库，所述第一边缘数据库为所述第一边缘小站中的数据库；

所述第一边缘小站根据采集的第二图像和更新后的所述第一边缘数据库，确定图像识别结果。

9.根据权利要求8所述的方法，其特征在于，所述第一边缘小站采用第一标签更新所述第一边缘数据库，包括：

所述第一边缘小站确定所述第一边缘数据库中符合更新条件的第二标签；

所述第一边缘小站采用所述第一标签替换所述第二标签；

其中，所述更新条件包括以下至少一者：

在所述第一边缘数据库中所述第二标签被命中次数最小，所述被命中次数用于指示所述第二标签标识的图像与待识别图像匹配的个数；或者，

在所述第一边缘数据库中所述第二标签被命中时长最长，所述被命中时长用于指示所述第二标签标识的图像最近一次命中时刻与当前时刻的间隔。

10.根据权利要求7至9任一所述方法，其特征在于，所述目标物为人脸，所述第一图像和所述第二图像均为人脸图像。

11.一种图像识别装置，其特征在于，所述装置包括：

第一接收模块，用于接收第一边缘小站发送的第一特征值，通过网络与所述第一边缘小站通信，所述第一特征值为所述第一边缘小站根据其获取的第一图像进行预处理获得；

第一确定模块，用于根据所述第一特征值确定第一属性，所述第一属性用于唯一标识所述第一图像中的目标物的属性；

发送模块，用于向边缘小站集合中的边缘小站发送第一标签，所述第一标签包括目标特征值和所述第一属性，所述目标特征值为与所述第一属性关联的特征值，所述边缘小站集合包括所述第一边缘小站；

第二接收模块，用于接收所述边缘小站集合中的边缘小站发送的至少一个图像识别结果，每个图像识别结果为各个边缘小站根据采集的第二图像和所述第一标签确定；

第二确定模块，用于根据每个图像识别结果确定所述目标物的位置。

12.根据权利要求11所述装置，其特征在于，所述边缘小站集合包括所述第一边缘小站和至少一个其他边缘小站，所述装置还包括：

选择模块，用于在向边缘小站集合中的边缘小站发送第一标签之前，选择至少一个边缘小站，组成所述边缘小站集合，所述至少一个边缘小站和所述第一边缘小站位于同一区域内，所述区域为基于预设规则定义的地理范围或网络分布范围。

13.根据权利要求12所述装置，其特征在于，所述选择模块，用于：按照与所述第一边缘小站的距离由近到远的顺序，选择至少一个边缘小站。

14.根据权利要求12所述装置，其特征在于，所述选择模块，包括：

第一确定子模块，用于确定所述目标物的识别等级；

第二确定子模块，用于根据所述识别等级确定目标物所在区域；

第三确定子模块，用于将所述目标物所在区域中的边缘小站确定为所述至少一个边缘小站。

15.根据权利要求14所述装置，其特征在于，所述第二确定子模块，用于：

根据所述识别等级查询等级与区域的对应关系，得到所述目标物理所在区域；

其中，所述对应关系中，所述识别等级与所述区域的覆盖范围的大小正相关，所述对应关系中的区域包括：局域网、城域网与广域网，且所述局域网、所述城域网与所述广域网的覆盖范围的大小依次增大。

16.根据权利要求11至15任一所述装置，其特征在于，所述目标物为人脸，所述第一图像和所述第二图像均为人脸图像。

17.一种图像识别装置，其特征在于，所述装置包括：

第一发送模块，用于向数据中心发送第一特征值，通过网络与所述数据中心通信，所述第一特征值为所述第一边缘小站根据其获取的第一图像进行预处理获得；

接收模块，用于接收第一标签，所述第一标签包括目标特征值和第一属性，所述第一属性用于唯一标识所述第一图像中的目标物的属性，所述目标特征值为与所述第一属性关联的特征值，所述第一标签为所述数据中心向边缘小站集合中的边缘小站发送的数据，所述边缘小站集合包括所述第一边缘小站；

确定模块，用于根据采集的第二图像和所述第一标签确定图像识别结果；

第二发送模块，用于向所述数据中心发送所述图像识别结果，所述图像识别结果用于供所述数据中心确定所述目标物的位置。

18.根据权利要求17所述的装置，其特征在于，所述确定模块，包括：

更新子模块，用于采用所述第一标签更新第一边缘数据库，所述第一边缘数据库为所述第一边缘小站中的数据库；

确定子模块，用于根据采集的第二图像和更新后的所述第一边缘数据库，确定图像识别结果。

19.根据权利要求18所述的装置，其特征在于，所述更新子模块，用于：

确定所述第一边缘数据库中符合更新条件的第二标签；

采用所述第一标签替换所述第二标签；

其中，所述更新条件包括以下至少一者：

在所述第一边缘数据库中所述第二标签被命中次数最小，所述被命中次数用于指示所述第二标签标识的图像与待识别图像匹配的个数；或者，

在所述第一边缘数据库中所述第二标签被命中时长最长，所述被命中时长用于指示所述第二标签标识的图像最近一次命中时刻与当前时刻的间隔。

20.根据权利要求17至19任一所述装置，其特征在于，所述目标物为人脸，所述第一图像和所述第二图像均为人脸图像。

21.一种图像识别的系统，所述系统包括数据中心和至少一个第一边缘小站，所述数据中心用于实现权利要求11-16所述装置的功能，每个所述第一边缘小站用于实现权利要求17至20所述装置的功能。

22.一种计算设备，其特征在于，所述服务器包括处理器和存储器，所述存储器中用于存储计算机执行指令，当所述服务器运行时，所述处理器执行所述存储器中计算机存储指令以执行所述权利要求1至10所述方法的操作步骤。

Images