[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112446310A - 基于区块链的年龄识别系统、方法及装置 - Google Patents

基于区块链的年龄识别系统、方法及装置 Download PDF

Info

Publication number
CN112446310A
CN112446310A CN202011303351.1A CN202011303351A CN112446310A CN 112446310 A CN112446310 A CN 112446310A CN 202011303351 A CN202011303351 A CN 202011303351A CN 112446310 A CN112446310 A CN 112446310A
Authority
CN
China
Prior art keywords
target
age
image
features
fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011303351.1A
Other languages
English (en)
Other versions
CN112446310B (zh
Inventor
李伟
张帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Qulian Technology Co Ltd
Original Assignee
Hangzhou Qulian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Qulian Technology Co Ltd filed Critical Hangzhou Qulian Technology Co Ltd
Priority to CN202011303351.1A priority Critical patent/CN112446310B/zh
Publication of CN112446310A publication Critical patent/CN112446310A/zh
Application granted granted Critical
Publication of CN112446310B publication Critical patent/CN112446310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Security & Cryptography (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于区块链的年龄识别系统、方法及装置。该方法包括：获取至少一个图像采集设备发送的任一对象的多个原始图像特征，原始图像特征为图像采集设备从对象的人脸图像中提取得到的，图像采集设备为服务器所在的分布式系统中的设备；将多个原始图像特征进行特征融合，得到目标融合特征；根据年龄识别模型确定与目标融合特征对应的目标年龄；将原始图像特征、目标融合特征及目标年龄上传至区块链中，以生成保存原始图像特征、目标融合特征及目标年龄的目标数据区块。本申请通过提取多类图像特征并进行特征融合，从而提升了年龄预测结果的准确率。并且通过分布式设备来采集图像和特征提取，完全避免了用户隐私泄露的问题。

Description

基于区块链的年龄识别系统、方法及装置
技术领域
本申请涉及区块链技术领域，尤其涉及一种基于区块链的年龄识别系统、方法及装置。
背景技术
基于人脸图像进行年龄估计是一种重要的生物特征识别技术，同时也是人脸检测、识别相关技术的重要补充。然而，由于人脸图像存在角度变化、遮挡、光线等多种因素干扰，导致年龄估计的结果不够准确。并且，用户的人脸图像在通过网络传输的过程中，存在被盗取的可能，用户隐私难以保障。
目前，相关技术中，难以全面地得到人脸图像的图像特征，特征缺失、特征遗漏造成了年龄识别结果不准确，并且，对于用户图像在传输中的隐私安全问题是通过加密数据来保护用户隐私，但是有盾就有矛，仅仅依靠加密仍不能完全解决用户的隐私安全问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供了一种基于区块链的年龄识别系统、方法及装置。
第一方面，本申请提供了一种用于年龄识别的分布式系统，包括：至少一个图像采集设备，用于从任一对象的人脸图像中提取多个原始图像特征，并将多个原始图像特征发送给服务器；服务器，用于根据融合特征确定对象的年龄，融合特征是对多个原始图像特征进行特征融合得到的；区块链网络，用于生成数据区块，数据区块中保存有服务器发送的原始图像特征、融合特征及年龄。
第二方面，本申请提供了一种基于区块链的年龄识别方法，应用于服务器，包括：获取至少一个图像采集设备发送的任一对象的多个原始图像特征，原始图像特征为图像采集设备从对象的人脸图像中提取得到的，图像采集设备为服务器所在的分布式系统中的设备；将多个原始图像特征进行特征融合，得到目标融合特征；根据年龄识别模型确定与目标融合特征对应的目标年龄；将原始图像特征、目标融合特征及目标年龄上传至区块链中，以生成保存原始图像特征、目标融合特征及目标年龄的目标数据区块。
可选地，将多个原始图像特征进行特征融合，得到目标融合特征包括：获取多类原始图像特征的权重矩阵，权重矩阵用于保存原始图像特征中的子特征之间的关联权重，不同类别的原始图像特征为图像采集设备利用不同的目标神经网络模型提取的，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；利用权重矩阵确定每一类原始图像特征的相似度矩阵，相似度矩阵用于保存子特征之间的相似系数；根据各类原始图像特征的相似度矩阵确定每一类原始图像特征的邻接矩阵，邻接矩阵用于保存超图中的边；利用各类原始图像特征的权重矩阵和邻接矩阵构造超图，并利用超图确定目标融合特征。
可选地，利用各类原始图像特征的权重矩阵和邻接矩阵构造超图，并利用超图确定目标融合特征包括：将各类原始图像特征的邻接矩阵进行拼接，得到融合的邻接矩阵；利用融合的邻接矩阵确定边缘度数矩阵，边缘度数矩阵用于保存超图中的每条边所连接的顶点的数量；利用权重矩阵确定顶点度数矩阵，顶点度数矩阵用于保存超图中的每个顶点所连接的边的数量；利用边缘度数矩阵和顶点度数矩阵，确定拉普拉斯矩阵，得到超图；确定拉普拉斯矩阵的特征值矩阵，并将特征值矩阵作为目标融合特征。
可选地，根据年龄识别模型确定与所述目标融合特征对应的目标年龄包括：将目标融合特征输入年龄识别模型，得到年龄识别模型识别目标融合特征后得到的多个第一概率值，第一概率值为年龄识别模型预测人脸图像指示的对象所属的年龄的概率；将多个第一概率值中的最大值指示的年龄作为目标年龄。
可选地，根据年龄识别模型确定与目标融合特征对应的目标年龄之前，该方法还包括按照如下方式训练年龄识别模型：获取训练图像，训练图像中的目标对象具有目标年龄；将训练图像进行缩放处理，并将缩放后的训练图像转换为灰度图像；利用目标神经网络模型对灰度图像进行特征提取，得到训练图像特征；将训练图像特征进行特征融合，得到训练融合特征；将训练融合特征输入回归模型中进行训练；在回归模型预测目标对象的年龄为目标年龄的概率值达到目标阈值的情况下，将回归模型作为年龄识别模型。
可选地，得到年龄识别模型之后，该方法还包括：采用散列函数确定年龄识别模型的哈希值；将年龄识别模型上传至区块链，并利用哈希值对年龄识别模型进行共识。
第三方面，本申请提供了一种基于区块链的年龄识别方法，应用于分布式边缘计算设备，包括：采集目标对象的人脸图像；利用目标神经网络模型提取人脸图像的图像特征，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；向服务器发送图像特征。
第四方面，本申请提供了一种基于区块链的年龄识别装置，应用于服务器，包括：图像特征获取模块，用于获取至少一个图像采集设备发送的任一对象的多个原始图像特征，原始图像特征为图像采集设备从对象的人脸图像中提取得到的，图像采集设备为服务器所在的分布式系统中的设备；特征融合模块，用于将多个原始图像特征进行特征融合，得到目标融合特征；年龄预测模块，用于根据年龄识别模型确定与目标融合特征对应的目标年龄；数据上链模块，用于将原始图像特征、目标融合特征及目标年龄上传至区块链中，以生成保存原始图像特征、目标融合特征及目标年龄的目标数据区块。
第五方面，本申请提供了一种基于区块链的年龄识别装置，应用于分布式边缘计算设备，包括：图像采集模块，用于采集目标对象的人脸图像；特征提取模块，用于利用目标神经网络模型提取人脸图像的图像特征，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；发送模块，用于向服务器发送图像特征。
第六方面，本申请提供了一种电子设备，包括：处理器、通信组件、存储器和通信总线，其中，处理器、通信组件和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现第二方面或第三方面所述的方法。
第七方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，实现第二方面或第三方面所述的方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的该方法，通过去噪自动编码器、卷积神经网络及递归神经网络来提取人脸图像的图像特征并进行特征融合，更加全面、准确地得到了人脸特征，从而提升了年龄预测结果地准确率。并且，本方案通过分布式边缘计算设备来采集图像和特征提取，分布式边缘计算设备将提取地图像特征发送给服务器，使得只传输图像特征，完全避免了用户隐私泄露的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中基于区块链的年龄识别系统结构示意图；
图2为本申请实施例中区块链结构示意图；
图3为本申请实施例中区块链网络功能结构示意图；
图4为本申请实施例提供的一种可选的基于区块链的年龄识别方法硬件环境示意图；
图5为本申请实施例提供的一种可选的基于区块链的年龄识别方法流程图；
图6为本申请实施例提供的又一种可选的基于区块链的年龄识别方法流程图；
图7为本申请实施例提供的一种可选的基于区块链的年龄识别装置结构示意图；
图8为本申请实施例提供的又一种可选的基于区块链的年龄识别装置结构示意图；
图9为本申请实施例提供的一种可选的电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一个具体实施例”，其描述了所有可能实施例的子集，但是可以理解，“一个具体实施例”，其描述了所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术的科学技术与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
在对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
(1)交易(Transaction)，等同于计算机术语“事务”，交易包括了需要提交到区块链网络执行的操作，并非单指商业语境中的交易，鉴于在区块链技术中约定俗称地使用了“交易”这一术语，本发明实施例遵循了这一习惯。
例如，部署(Deploy)交易用于向区块链网络中的结点安装指定的智能合约并准备好被调用；调用(Invoke)交易用于通过调用智能合约在区块链中追加交易的记录，并对区块链的状态数据库进行操作，包括更新操作(包括增加、删除和修改状态数据库中的键值对)和查询操作(即查询状态数据库中的键值对)。
(2)区块链(Blockchain)，是由区块(Block)形成的加密的、链式的交易的存储结构。
(3)区块链网络(Blockchain Network)，通过共识的方式将新区块纳入区块链的一系列的节点的集合。
(4)账本(Ledger)，是区块链(也称为账本数据)和与区块链同步的状态数据库的统称。其中，区块链是以文件系统中的文件的形式来记录交易；状态数据库是以不同类型的键(Key)值(Value)对的形式来记录区块链中的交易，用于支持区块链中交易的快速查询。
(5)智能合约(Smart Contracts)，也称为链码(Chaincode)或应用代码，部署在区块链网络的节点中的程序，节点执行接收的交易中所调用的智能合约，来对状态数据库的键值对数据进行更新或查询操作。
(6)共识(Consensus)，是区块链网络中的一个过程，用于在涉及的多个节点之间对区块中的交易达成一致，达成一致的区块将被追加到区块链的尾部，实现共识的机制包括工作量证明(PoW，Proof of Work)、权益证明(PoS，Proof of Stake)、股权授权证明(DPoS， Delegatd Proof-of-Stake)、消逝时间量证明(PoET，Proof of Elapsed Time)等。
(7)人工神经网络(Artificial Neural Networks)：人工神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距b为输入的运算单元，该运算单元的输出可以为：
Figure BDA0002787587190000071
其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b 为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
(8)深度神经网络(Deep Neural Network，DNN)：也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。例如，全连接神经网络中层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：
Figure BDA0002787587190000081
其中，
Figure BDA0002787587190000082
是输入向量，
Figure BDA0002787587190000083
是输出向量，
Figure BDA0002787587190000084
是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量
Figure 1
经过如此简单的操作得到输出向量
Figure BDA0002787587190000086
由于DNN层数多，则系数W和偏移向量
Figure BDA0002787587190000087
的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为
Figure BDA0002787587190000088
上标3 代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L-1层的第k个神经元到第L层的第 j个神经元的系数定义为
Figure BDA0002787587190000089
需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
(9)卷积神经网络(convolutional neuron network，CNN)：卷积神经网络是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器与一个输入的图像或者卷积特征平面(feature map)做卷积。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重就是卷积核。共享权重可以理解为提取图像信息的方式与位置无关。这其中隐含的原理是：图像的某一部分的统计信息与其他部分是一样的。即意味着在某一部分学习的图像信息也能用在另一部分上。所以对于图像上的所有位置，都能使用同样的学习得到的图像信息。在同一卷积层中，可以使用多个卷积核来提取不同的图像信息，一般地，卷积核数量越多，卷积操作反映的图像信息越丰富。卷积核可以以随机大小的矩阵的形式初始化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来的直接好处是减少卷积神经网络各层之间的连接，同时又降低了过拟合的风险。
卷积神经网络以ReLU作为激活函数，特征到标记的映射关系定义为：
Figure BDA0002787587190000091
ω是映射的参数，
Figure BDA0002787587190000092
是激活函数(即ReLU)。对于一个层数为l的卷积网络，映射关系可以描述为：
Figure BDA0002787587190000093
其中，W的学习和更新过程用ΔW进行表示：
Figure BDA0002787587190000094
η是学习率。
Figure BDA0002787587190000101
其中y是标记信息。通过以上公式，最小化标记信息与预测值的差距。同时通过反向传播机制进行参数优化：
Figure BDA0002787587190000102
(10)去噪自编码器(denoising autoencoder，DAE)是一类接受损坏数据作为输入，并训练来预测原始未被损坏数据作为输入的自编码器，是一种无监督隐含层提取方法。其损失函数定义为：
Figure BDA0002787587190000103
其中m是添加噪声的循环次数，n是自动编码器堆叠的层数，
Figure BDA0002787587190000104
是添加了噪声的特征。进一步可以重写为：
Figure BDA0002787587190000105
其中
Figure BDA0002787587190000106
是经过了自动编码后叠加的X，即
Figure BDA0002787587190000107
要最小化以上等式，则对W求导，即
Figure BDA0002787587190000108
可得：
Figure BDA0002787587190000109
(11)递归神经网络(recursive neural network，RNN)是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(Artificial Neural Network,ANN)，是深度学习(deep learning) 算法之一，其特点是将一系列输入同时进行学习，通过权重矩阵融合为父节点，再进一步计算预测值。以tanh作为激活函数，特征xi和xj的父节点：
pi，j＝tanh(W[xi；xj])
其中W是权重矩阵，通常通过随机梯度下降(Stochastic Gradient Descent)求解。
(12)超图(Hypergraph)，给定一个超图G＝＜V，E，W＞，V是超图的有限顶点集，E是超图的超边集，W是超边的权重集，对于任意一条超边e∈E是顶点集V的一个子集。在超图中，顶点e∈E的度的定义如下：
Figure BDA0002787587190000111
对于超边e∈E而言，超边的度的定义为超边上包含的顶点的数目：
δ(e)＝|e|
定义两个方阵Dv、De，分别表示超图的顶点的阶与超边的阶。类似于普通图的矩阵表示法，超图也可以通过构造一个|V|*|E|维的点边关联矩阵H来表示。在关联矩阵中，如果一个顶点e在一条超边v上，则h(v，e)＝1，否则h(v，e)＝0。根据关联矩阵的定义，超图中点的阶和超边的阶可以进一步表示为：
Figure BDA0002787587190000112
Figure BDA0002787587190000113
下面说明本发明实施例，提供的区块链网络的示例性应用，如图1 所示，图1是本发明实施例提供的年龄识别系统示意图，包括区块链网络101、共识节点102，认证中心103、业务主体104、客户端节点104-1，业务主体105和客户端节点105-1，下面分别进行说明：
区块链网络101的类型是灵活多样的，例如可以为公有链、私有链或联盟链中的任意一种。以公有链为例，任何业务主体的电子设备例如用户终端和服务器，都可以在不需要授权的情况下接入区块链网络101；以联盟链为例，业务主体在获得授权后其下辖的电子设备(例如终端/服务器)可以接入区块链网络101，此时，成为区块链网络101 中的客户端节点。
在一些实施例中，客户端节点104可以只作为区块链网络101的观察者，即提供支持业务主体发起交易(例如，用于上链存储图像特征和与该图像特征对应的年龄预测结果或查询链上数据)功能，对于区块链网络101的共识节点102的功能，例如排序功能、共识服务和账本功能等，客户端节点可以缺省或者有选择性(例如，取决于业务主体的具体业务需求)地实施。从而，可以将业务主体的数据和业务处理逻辑最大程度迁移到区块链网络101中，通过区块链网络101实现数据和业务处理过程的可信和可追溯。
区块链网络101中的共识节点接收来自不同业务主体，例如图1 中示出的业务主体104的客户端节点104-1提交的交易，执行交易以更新账本或者查询账本，执行交易的各种中间结果或最终结果可以返回业务主体104的客户端节点104-1中显示。
例如，客户端节点104-1可以订阅区块链网络101中感兴趣的事件，例如区块链网络101中特定的组织/通道中发生的交易，由共识节点102 推送相应的交易通知到客户端节点104-1，从而触发客户端节点104-1 中相应的业务逻辑。
作为区块链的示例，如图2所示，图2是本发明实施例提供的区块链网络101中区块链的结构示意图，每个区块的头部既可以包括区块中所有交易的哈希值，同时也包含前一个区块中所有交易的哈希值，新产生的交易的记录被填充到区块并经过区块链网络中节点的共识后，会被追加到区块链的尾部从而形成链式的增长，区块之间基于哈希值的链式结构保证了区块中交易的防篡改和防伪造。
下面说明本发明实施例提供的区块链网络的示例性的功能架构，如图3所示，图3是本发明实施例提供的区块链网络101的功能架构示意图，包括应用层301、共识层302、网络层303、数据层304和资源层305，下面分别进行说明：
应用层301封装了区块链网络能够实现的各种业务，包括交易的溯源、存证和验证等。
共识层302封装了区块链网络101中的节点102对区块达成一致性的机制(即共识机制)、交易管理和账本管理的功能。共识机制包括 POS、POW和DPOS等共识算法，支持共识算法的可插拔。交易管理用于验证节点101接收到的交易中携带的数字签名，验证业务主体104 的身份信息，并根据身份信息判断确认其是否具有权限进行交易(从业务主体身份管理读取相关信息)；对于获得接入区块链网络101的授权的业务主体而言，均拥有认证中心颁发的数字证书，业务主体利用自己的数字证书中的私钥对提交的交易进行签名，从而声明自己的合法身份。账本管理用于维护区块链和状态数据库。对于取得共识的区块，追加到区块链的尾部；执行取得共识的区块中的交易，当交易包括更新操作时更新状态数据库中的键值对，当交易包括查询操作时查询状态数据库中的键值对并向业务主体的客户端节点返回查询结果。支持对状态数据库的多种维度的查询操作，包括：根据区块序列号(例如交易的哈希值)查询区块；根据区块哈希值查询区块；根据交易序列号查询区块；根据交易序列号查询交易；根据业务主体的账号(序列号)查询业务主体的账号数据；根据通道名称查询通道中的区块链。
网络层303封装了点对点(P2P，PointtoPoint)网络协议、数据传播机制和数据验证机制、接入认证机制和业务主体身份管理的功能。
其中，P2P网络协议实现区块链网络101中节点102之间的通信，数据传播机制保证了交易在区块链网络101中的传播，数据验证机制用于基于加密学方法(例如数字证书、数字签名、公/私钥对)实现节点 102之间传输数据的可靠性；接入认证机制用于根据实际的业务场景对加入区块链网络101的业务主体的身份进行认证，并在认证通过时赋予业务主体接入区块链网络101的权限；业务主体104身份管理用于存储允许接入区块链网络101的业务主体104的身份、以及权限(例如能够发起的交易的类型)。
数据层304封装了实现账本的各种数据结构，包括以文件系统中的文件实现的区块链，键值型的状态数据库和存在性证明(例如区块中交易的哈希树)。
资源层305封装了实现区块链网路101中的各个节点102的计算资源、存储资源和通信资源。
基于上述架构，本发明实施例提出了以下的实现方式。
相关技术中，难以全面地得到人脸图像的图像特征，特征缺失、特征遗漏造成了年龄识别结果不准确，并且，对于用户图像在传输中的隐私安全问题是通过加密数据来保护用户隐私，但是有盾就有矛，仅仅依靠加密仍不能完全解决用户的隐私安全问题。
为了解决背景技术中提及的问题，根据本申请实施例的一方面，提供了一种基于区块链的年龄识别方法的实施例。
可选地，在本申请实施例中，上述图像质量等级的确定方法可以应用于如图4所示的由终端401和服务器403所构成的硬件环境中。上述终端可以是分布式边缘计算设备，如监控设备、行车记录仪等，上述服务器为中心服务器，可以收集分布式边缘计算设备发送的数据并进行处理。如图4所示，服务器403通过网络与终端401进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库405，用于为服务器403提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端401包括但不限于PC、手机、平板电脑等。
本申请实施例中的一种基于区块链的年龄识别方法，可以由服务器来执行，如图5所示，该方法包括以下步骤：
步骤S502，获取至少一个图像采集设备发送的任一对象的多个原始图像特征，原始图像特征为图像采集设备从对象的人脸图像中提取得到的，图像采集设备为服务器所在的分布式系统中的设备。
本申请实施例中，上述图像采集设备可以设置于分布式边缘计算设备中，分布式边缘计算设备为与服务器独立的终端设备，如监控设备、行车记录仪等。分布式边缘计算设备依靠安装的图像采集设备，可以采集目标对象的人脸图像。
本申请实施例中，上述分布式边缘计算设备中可以设置有目标神经网络模型，可由分布式边缘计算设备的处理器所执行，即分布式边缘计算设备采集图像后，利用目标神经网络模型提取人脸图像的图像特征，每一种神经网络模型可以得到一类图像特征，分布式边缘计算设备可以将各类图像特征发送给服务器，这样使得不进行用户人脸图像的传输，保护用户的隐私安全，同时降低传输的数据量，提升传输效率。
步骤S504，将多个原始图像特征进行特征融合，得到目标融合特征。
本申请实施例中，服务器在获取到分布式边缘计算设备发送的各类原始图像特征后，可以将各类原始图像特征进行融合，从而得到相比单一类特征更为丰富、更为全面也更为准确的图像特征。作为优选，可以基于低秩学习的超图构造方法来对各类图像特征进行融合。
可选地，基于低秩学习的超图构造方法来对各类图像特征进行融合可以包括以下步骤：
步骤1，获取多类原始图像特征的权重矩阵。每一类原始图像特征的权重矩阵可以用Q(i)来表示，权重矩阵用于保存原始图像特征中的子特征之间的关联权重。不同类别的原始图像特征为图像采集设备利用不同的目标神经网络模型提取的，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种。具体的，第i类图像特征中，第l个子特征和第k个子特征之间的权重矩阵可以表示为
Figure BDA0002787587190000161
和
Figure BDA0002787587190000162
其中
Figure BDA0002787587190000163
表示第l个子特征对第k个子特征的关联权重，
Figure BDA0002787587190000164
表示第k个子特征对第l个子特征的关联权重。由输入图像：
X(i)＝X(i)Q(i)+E(i)
其中，i＝1,…,m，m为特征的类别，即3，可以通过最小化多模态低秩学习损失函数获得Q(i)：
Figure BDA0002787587190000165
其中，λ和α是权重参数，E是初始化参数，一般可以设置为单位矩阵。‖ ‖*是迹范式，‖ ‖2,1是l2,1范式。
步骤2，利用权重矩阵确定每一类图像特征的相似度矩阵，不同类别的图像特征为不同的目标神经网络模型提取的，相似度矩阵用于保存子特征之间的相似系数。第i类特征的第l个和第k个两个特征之间相似度定义为：
Figure BDA0002787587190000171
其中m是特征的类别，即3。计算任意两个特征之间的相似度，构成相似度矩阵。例如，第i类特征共有j个子特征，则该第i类特征的相似度矩阵为j行j列的矩阵，其中第l个子特征和第k个子特征之间的相似度放在第l行第k列。
步骤3，根据各类图像特征的相似度矩阵确定每一类图像特征的邻接矩阵U，邻接矩阵用于保存超图中的边。其中，第l行第k列的矩阵元素可以表示为：
Figure BDA0002787587190000172
其中，δ为判断阈值，例如0.5，相似度大于0.5，则表示该两个特征所实体化的两个顶点连接在同一条边上，反之，相似度小于0.5，则表示该两个特征所实体化的两个顶点未连接在同一条边上。
步骤4，将各类图像特征的邻接矩阵进行拼接，得到融合的邻接矩阵U＝U1|U2|…|Um。
步骤5，利用融合的邻接矩阵确定边缘度数矩阵，边缘度数矩阵用于保存超图中的每条边所连接的顶点的数量。计算超图中的边缘度数矩阵De，对U的每行求和，并放到对角线位置：
Figure BDA0002787587190000173
其中，Dell表示矩阵De在(l，l)这个位置上的值。
步骤6，利用权重矩阵确定顶点度数矩阵Dv，顶点度数矩阵用于保存超图中的每个顶点所连接的边的数量。计算超图中的顶点度数矩阵 Dv，对Q的每行求和，并放到对角线位置：
Figure BDA0002787587190000181
如果Ulk＝1
其中，Dvll表示矩阵Dv在(l，l)这个位置上的值。
步骤7，利用边缘度数矩阵和顶点度数矩阵，确定拉普拉斯矩阵L，得到超图：
Figure BDA0002787587190000182
其中，I表示单位矩阵。超图构造的结果本质上是得到拉普拉斯矩阵L，因此得到该拉普拉斯矩阵即完成超图构造。
步骤8，确定拉普拉斯矩阵的特征值矩阵，并将特征值矩阵作为目标融合特征。对拉普拉斯矩阵进行特征值分解，求得特征值矩阵，即为融合后的特征。
步骤S506，根据年龄识别模型确定与所述目标融合特征对应的目标年龄。
可选地，步骤S506具体可以是将目标融合特征输入年龄识别模型，得到年龄识别模型识别所述目标融合特征后得到的多个第一概率值，第一概率值为年龄识别模型预测人脸图像指示的目标对象所属的年龄的概率；将多个第一概率值中的最大值指示的年龄作为目标年龄。
本申请实施例中，年龄识别模型可以是由softmax归一化模型对融合特征进行训练得到。在将上述目标融合特征输入训练完成的年龄识别模型后，年龄识别模型中的全连接层对目标对象的年龄进行预测，并输出预测的各个年龄的概率值，即上述第一概率值。其中，上述第一概率值中有一个最大值，将该最大值对应的年龄作为目标年龄，即年龄识别模型的预测结果。
本申请实施例中，对上述年龄识别模型的训练过程如下：
步骤1，获取训练图像，训练图像中的目标对象具有目标年龄。
步骤2，将训练图像进行缩放处理，并将缩放后的训练图像转换为灰度图像。缩放处理可以通过上采样或者下采样进行，如将训练图像全部调整为64*64的大小，以适应模型输入。将训练图像转换为灰度图像以使脸部纹理更为突出。
步骤3，利用目标神经网络模型对灰度图像进行特征提取，得到训练图像特征。采用去噪自动编码器、卷积神经网络及递归神经网络来提取训练图像特征。
步骤4，将训练图像特征进行特征融合，得到训练融合特征。特征融合的方法可以采用上述实施例中基于低秩学习的超图构造方法来对各类训练图像特征进行特征融合，在此不再赘述。
步骤5，将训练融合特征输入回归模型中进行训练；在回归模型预测目标对象的年龄为目标年龄的概率值达到目标阈值的情况下，将回归模型作为年龄识别模型。
可选地，得到年龄识别模型之后，还可以将训练完成的年龄识别模型上传至区块链中，以保证该年龄识别模型不被篡改。采用散列函数确定年龄识别模型的哈希值，将年龄识别模型上传至区块链，并利用哈希值对年龄识别模型进行共识，以在共识节点中达成一致性。该哈希值还可以用于验证模型是否合法。比如用户拿到一个模型，可以提取这个模型的哈希值，并与区块链网络中的进行对比。如果相同，则表明模型来源合法。
步骤S508，将原始图像特征、目标融合特征及目标年龄上传至区块链中，以生成保存原始图像特征、目标融合特征及目标年龄的目标数据区块。
本申请实施例中，还可以将图像特征和年龄预测结果保存在区块链中，以防止篡改，并可以向用户提供查询功能。
采用本申请技术方案，通过去噪自动编码器、卷积神经网络及递归神经网络来提取人脸图像的图像特征并进行特征融合，更加全面、准确地得到了人脸特征，从而提升了年龄预测结果地准确率。并且，本方案通过分布式边缘计算设备来采集图像和特征提取，分布式边缘计算设备将提取地图像特征发送给服务器，使得只传输图像特征，完全避免了用户隐私泄露的问题。
本申请实施例还提供了一种基于区块链的年龄识别方法，可以由分布式边缘计算设备来执行，如图6所示，该方法包括以下步骤：
步骤S602，采集目标对象的人脸图像；
步骤S604，利用目标神经网络模型提取人脸图像的图像特征，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；
步骤S606，向服务器发送图像特征。
本申请实施例中，上述分布式边缘计算设备可以是监控设备、行车记录仪、手机、平板电脑、PC等设备。可以将去噪自动编码器、卷积神经网络及递归神经网络设置于分布式边缘计算设备的处理器中，以对该设备采集的人脸图像进行特征提取。之后将提取的图像特征发送给服务器进行年龄预测。这种本地化处理可以完全阻隔用户的隐私数据泄露，同时只传输图像特征的话，还能大大减少数据量。
本申请实施例中，将年龄识别模型、图像特征及年龄预测结果存储至区块链中是通过智能合约的规则进行的。
下面，为了更清楚的说明本申请，首先将智能合约的工作原理进行简单介绍：
构建智能合约：智能合约由区块链内的多个用户共同参与制定，可用于任何用户之间的任何交易。协议当中明确规定了交易双方的权利和义务，开发人员将这些权利和义务以电子化的方式进行编程，代码中包含会触发合约自动执行的条件。
存储智能合约：一旦编码完成，这份智能合约上传至区块链网络上，即全网的每个节点都可以收到这份智能合约。
执行智能合约：智能合约会定期检查是否存在相关事件和触发条件，以满足条件的事件推送到待验证的队列中，区块链上的验证节点先对事件进行签名验证，以确保其有效性，等大多数验证节点对该事件达成共识，智能合约将成功执行，并通知给用户。
本申请实施例还提供了一种基于区块链的年龄识别装置，应用于服务器，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图7所示，该装置主要包括：图像特征获取模块701，用于获取至少一个图像采集设备发送的任一对象的多个原始图像特征，原始图像特征为图像采集设备从对象的人脸图像中提取得到的，图像采集设备为服务器所在的分布式系统中的设备；特征融合模块703，用于将多个原始图像特征进行特征融合，得到目标融合特征；年龄预测模块705，用于根据年龄识别模型确定与目标融合特征对应的目标年龄；数据上链模块707，用于将原始图像特征、目标融合特征及目标年龄上传至区块链中，以生成保存原始图像特征、目标融合特征及目标年龄的目标数据区块。
需要说明的是，该实施例中的图像特征获取模块701可以用于执行本申请实施例中的步骤S502，该实施例中的特征融合模块703可以用于执行本申请实施例中的步骤S504，该实施例中的年龄预测模块705 可以用于执行本申请实施例中的步骤S506，该实施例中的数据上链模块707可以用于执行本申请实施例中的步骤S508。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图4所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。
可选地，该特征融合模块，具体用于：获取多类原始图像特征的权重矩阵，权重矩阵用于保存原始图像特征中的子特征之间的关联权重，不同类别的原始图像特征为图像采集设备利用不同的目标神经网络模型提取的，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；利用权重矩阵确定每一类原始图像特征的相似度矩阵，相似度矩阵用于保存子特征之间的相似系数；根据各类原始图像特征的相似度矩阵确定每一类原始图像特征的邻接矩阵，邻接矩阵用于保存超图中的边；利用各类原始图像特征的权重矩阵和邻接矩阵构造超图，并利用超图确定目标融合特征。
可选地，该特征融合模块，还用于：将各类原始图像特征的邻接矩阵进行拼接，得到融合的邻接矩阵；利用融合的邻接矩阵确定边缘度数矩阵，边缘度数矩阵用于保存超图中的每条边所连接的顶点的数量；利用权重矩阵确定顶点度数矩阵，顶点度数矩阵用于保存超图中的每个顶点所连接的边的数量；利用边缘度数矩阵和顶点度数矩阵，确定拉普拉斯矩阵，得到超图；确定拉普拉斯矩阵的特征值矩阵，并将特征值矩阵作为目标融合特征。
可选地，该年龄预测模块，具体用于：将目标融合特征输入年龄识别模型，得到年龄识别模型识别目标融合特征后得到的多个第一概率值，第一概率值为年龄识别模型预测人脸图像指示的对象所属的年龄的概率；将多个第一概率值中的最大值指示的年龄作为目标年龄。
可选地，该基于区块链的年龄识别装置，还包括模型训练模块，用于：获取训练图像，训练图像中的目标对象具有目标年龄；将训练图像进行缩放处理，并将缩放后的训练图像转换为灰度图像；利用目标神经网络模型对灰度图像进行特征提取，得到训练图像特征；将训练图像特征进行特征融合，得到训练融合特征；将训练融合特征输入回归模型中进行训练；在回归模型预测目标对象的年龄为目标年龄的概率值达到目标阈值的情况下，将回归模型作为年龄识别模型。
可选地，该基于区块链的年龄识别装置，还包括模型上链模块，用于：采用散列函数确定年龄识别模型的哈希值；将年龄识别模型上传至区块链，并利用哈希值对年龄识别模型进行共识。
本申请实施例还提供了一种基于区块链的年龄识别装置，应用于分布式边缘计算设备，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图8所示，该装置主要包括：图像采集模块801，用于采集目标对象的人脸图像；特征提取模块803，用于利用目标神经网络模型提取人脸图像的图像特征，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；发送模块805，用于向服务器发送图像特征。
需要说明的是，该实施例中的图像采集模块801可以用于执行本申请实施例中的步骤S602，该实施例中的特征提取模块803可以用于执行本申请实施例中的步骤S604，该实施例中的发送模块805可以用于执行本申请实施例中的步骤S606。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图4所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。
根据本申请实施例的另一方面，本申请提供了一种电子设备，如图9所示，包括存储器901、处理器903、通信接口905及通信总线907，存储器901中存储有可在处理器903上运行的计算机程序，存储器901、处理器903通过通信接口905和通信总线907进行通信，处理器903 执行计算机程序时实现上述方法的步骤。
上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory，简称 RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP) 等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。
根据本申请实施例的又一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一实施例的步骤。
可选地，在本申请实施例中，计算机程序产品或计算机程序用于处理器执行以下步骤的程序代码：
获取分布式边缘计算设备发送的图像特征，图像特征为利用目标神经网络模型对分布式边缘计算设备采集到的人脸图像进行特征提取得到的，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；
将图像特征进行特征融合，得到目标融合特征；
将目标融合特征输入年龄识别模型，得到年龄识别模型输出的年龄预测结果；
将图像特征和年龄预测结果上传至区块链中，以生成目标数据区块。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本申请实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
可选地，在本申请实施例中，计算机程序产品或计算机程序还用于处理器执行以下步骤的程序代码：
采集目标对象的人脸图像；
利用目标神经网络模型提取人脸图像的图像特征，目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；
向服务器发送图像特征。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本申请实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该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，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)) 或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该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成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种用于年龄识别的分布式系统，其特征在于，包括：
至少一个图像采集设备，用于从任一对象的人脸图像中提取多个原始图像特征，并将所述多个原始图像特征发送给服务器；
所述服务器，用于根据融合特征确定所述对象的年龄，其中，所述融合特征是对多个原始图像特征进行特征融合得到的；
区块链网络，用于生成数据区块，所述数据区块中保存有所述服务器发送的所述原始图像特征、所述融合特征及所述年龄。
2.一种基于区块链的年龄识别方法，应用于服务器，其特征在于，包括：
获取至少一个图像采集设备发送的任一对象的多个原始图像特征，其中，所述原始图像特征为所述图像采集设备从所述对象的人脸图像中提取得到的，所述图像采集设备为所述服务器所在的分布式系统中的设备；
将所述多个原始图像特征进行特征融合，得到目标融合特征；
根据年龄识别模型确定与所述目标融合特征对应的目标年龄；
将所述原始图像特征、所述目标融合特征及所述目标年龄上传至区块链中，以生成保存所述原始图像特征、所述目标融合特征及所述目标年龄的目标数据区块。
3.根据权利要求2所述的方法，其特征在于，将所述多个原始图像特征进行特征融合，得到目标融合特征包括：
获取多类所述原始图像特征的权重矩阵，其中，所述权重矩阵用于保存所述原始图像特征中的子特征之间的关联权重，不同类别的所述原始图像特征为所述图像采集设备利用不同的目标神经网络模型提取的，所述目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；
利用所述权重矩阵确定每一类所述原始图像特征的相似度矩阵，其中，所述相似度矩阵用于保存所述子特征之间的相似系数；
根据各类所述原始图像特征的所述相似度矩阵确定每一类所述原始图像特征的邻接矩阵，其中，所述邻接矩阵用于保存超图中的边；
利用各类所述原始图像特征的所述权重矩阵和所述邻接矩阵构造超图，并利用所述超图确定所述目标融合特征。
4.根据权利要求3所述的方法，其特征在于，利用各类所述原始图像特征的所述权重矩阵和所述邻接矩阵构造超图，并利用所述超图确定所述目标融合特征包括：
将各类所述原始图像特征的所述邻接矩阵进行拼接，得到融合的邻接矩阵；
利用所述融合的邻接矩阵确定边缘度数矩阵，其中，所述边缘度数矩阵用于保存所述超图中的每条边所连接的顶点的数量；
利用所述权重矩阵确定顶点度数矩阵，其中，所述顶点度数矩阵用于保存所述超图中的每个顶点所连接的边的数量；
利用所述边缘度数矩阵和所述顶点度数矩阵，确定拉普拉斯矩阵，得到所述超图；
确定所述拉普拉斯矩阵的特征值矩阵，并将所述特征值矩阵作为所述目标融合特征。
5.根据权利要求2所述的方法，其特征在于，根据年龄识别模型确定与所述目标融合特征对应的目标年龄包括：
将所述目标融合特征输入所述年龄识别模型，得到所述年龄识别模型识别所述目标融合特征后得到的多个第一概率值，其中，所述第一概率值为所述年龄识别模型预测所述人脸图像指示的所述对象所属的年龄的概率；
将多个所述第一概率值中的最大值指示的年龄作为所述目标年龄。
6.根据权利要求2至5任一所述的方法，其特征在于，根据年龄识别模型确定与所述目标融合特征对应的目标年龄之前，所述方法还包括按照如下方式训练所述年龄识别模型：
获取训练图像，其中，所述训练图像中的目标对象具有目标年龄；
将所述训练图像进行缩放处理，并将缩放后的所述训练图像转换为灰度图像；
利用目标神经网络模型对所述灰度图像进行特征提取，得到训练图像特征；
将所述训练图像特征进行特征融合，得到训练融合特征；
将所述训练融合特征输入回归模型中进行训练；
在所述回归模型预测所述目标对象的年龄为所述目标年龄的概率值达到目标阈值的情况下，将所述回归模型作为所述年龄识别模型。
7.一种基于区块链的年龄识别方法，应用于分布式边缘计算设备，其特征在于，包括：
采集目标对象的人脸图像；
利用目标神经网络模型提取所述人脸图像的图像特征，其中，所述目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；
向服务器发送所述图像特征。
8.一种基于区块链的年龄识别装置，应用于服务器，其特征在于，包括：
图像特征获取模块，用于获取至少一个图像采集设备发送的任一对象的多个原始图像特征，其中，所述原始图像特征为所述图像采集设备从所述对象的人脸图像中提取得到的，所述图像采集设备为所述服务器所在的分布式系统中的设备；
特征融合模块，用于将所述多个原始图像特征进行特征融合，得到目标融合特征；
年龄预测模块，用于根据年龄识别模型确定与所述目标融合特征对应的目标年龄；
数据上链模块，用于将所述原始图像特征、所述目标融合特征及所述目标年龄上传至区块链中，以生成保存所述原始图像特征、所述目标融合特征及所述目标年龄的目标数据区块。
9.一种基于区块链的年龄识别装置，应用于分布式边缘计算设备，其特征在于，包括：
图像采集模块，用于采集目标对象的人脸图像；
特征提取模块，用于利用目标神经网络模型提取所述人脸图像的图像特征，其中，所述目标神经网络模型包括去噪自动编码器、卷积神经网络及递归神经网络中的至少一种；
发送模块，用于向服务器发送所述图像特征。
10.一种电子设备，其特征在于，包括：处理器、通信组件、存储器和通信总线，其中，处理器、通信组件和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现权利要求2至6或7任一项所述的方法。
CN202011303351.1A 2020-11-19 2020-11-19 基于区块链的年龄识别系统、方法及装置 Active CN112446310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011303351.1A CN112446310B (zh) 2020-11-19 2020-11-19 基于区块链的年龄识别系统、方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011303351.1A CN112446310B (zh) 2020-11-19 2020-11-19 基于区块链的年龄识别系统、方法及装置

Publications (2)

Publication Number Publication Date
CN112446310A true CN112446310A (zh) 2021-03-05
CN112446310B CN112446310B (zh) 2024-09-24

Family

ID=74738833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011303351.1A Active CN112446310B (zh) 2020-11-19 2020-11-19 基于区块链的年龄识别系统、方法及装置

Country Status (1)

Country Link
CN (1) CN112446310B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239935A (zh) * 2021-04-15 2021-08-10 广州广电运通金融电子股份有限公司 基于区块链的图像特征提取方法、装置、设备及介质
CN113395491A (zh) * 2021-06-11 2021-09-14 上海海事大学 船舶机舱远程监测报警系统
CN113505765A (zh) * 2021-09-09 2021-10-15 北京轻松筹信息技术有限公司 基于用户头像的年龄预测方法、装置及电子设备
CN113517057A (zh) * 2021-09-10 2021-10-19 南通剑烽机械有限公司 基于数据表示和神经网络的医疗图像信息识别存储方法
CN113516065A (zh) * 2021-07-03 2021-10-19 北京中建建筑科学研究院有限公司 基于区块链的资料权重测算方法、装置、服务器及存储介质
ES2928611A1 (es) * 2021-05-18 2022-11-21 Univ Leon Metodo y sistema automatizado de generacion de una firma digital para verificacion de un rostro

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899921A (zh) * 2015-06-04 2015-09-09 杭州电子科技大学 基于多模态自编码模型的单视角视频人体姿态恢复方法
CN106295506A (zh) * 2016-07-25 2017-01-04 华南理工大学 一种基于集成卷积神经网络的年龄识别方法
CN106447625A (zh) * 2016-09-05 2017-02-22 北京中科奥森数据科技有限公司 基于人脸图像序列的属性识别方法及装置
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法
CN111401344A (zh) * 2020-06-04 2020-07-10 腾讯科技（深圳）有限公司 人脸识别方法和装置及人脸识别系统的训练方法和装置
US20200285836A1 (en) * 2019-03-05 2020-09-10 Jpmorgan Chase Bank, N.A. Systems and methods for secure user logins with facial recognition and blockchain
CN111783593A (zh) * 2020-06-23 2020-10-16 中国平安人寿保险股份有限公司 基于人工智能的人脸识别方法、装置、电子设备及介质
CN111931693A (zh) * 2020-08-31 2020-11-13 平安国际智慧城市科技股份有限公司 基于人工智能的交通标志识别方法、装置、终端及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899921A (zh) * 2015-06-04 2015-09-09 杭州电子科技大学 基于多模态自编码模型的单视角视频人体姿态恢复方法
CN106295506A (zh) * 2016-07-25 2017-01-04 华南理工大学 一种基于集成卷积神经网络的年龄识别方法
CN106447625A (zh) * 2016-09-05 2017-02-22 北京中科奥森数据科技有限公司 基于人脸图像序列的属性识别方法及装置
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法
US20200285836A1 (en) * 2019-03-05 2020-09-10 Jpmorgan Chase Bank, N.A. Systems and methods for secure user logins with facial recognition and blockchain
CN111401344A (zh) * 2020-06-04 2020-07-10 腾讯科技（深圳）有限公司 人脸识别方法和装置及人脸识别系统的训练方法和装置
CN111783593A (zh) * 2020-06-23 2020-10-16 中国平安人寿保险股份有限公司 基于人工智能的人脸识别方法、装置、电子设备及介质
CN111931693A (zh) * 2020-08-31 2020-11-13 平安国际智慧城市科技股份有限公司 基于人工智能的交通标志识别方法、装置、终端及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭瑶: "基于超图的多模态特征选择及分类方法研究", 《中国优秀硕士学位论文全文数据库》, 15 February 2020 (2020-02-15), pages 4 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239935A (zh) * 2021-04-15 2021-08-10 广州广电运通金融电子股份有限公司 基于区块链的图像特征提取方法、装置、设备及介质
ES2928611A1 (es) * 2021-05-18 2022-11-21 Univ Leon Metodo y sistema automatizado de generacion de una firma digital para verificacion de un rostro
CN113395491A (zh) * 2021-06-11 2021-09-14 上海海事大学 船舶机舱远程监测报警系统
CN113516065A (zh) * 2021-07-03 2021-10-19 北京中建建筑科学研究院有限公司 基于区块链的资料权重测算方法、装置、服务器及存储介质
CN113505765A (zh) * 2021-09-09 2021-10-15 北京轻松筹信息技术有限公司 基于用户头像的年龄预测方法、装置及电子设备
CN113505765B (zh) * 2021-09-09 2022-02-08 北京轻松筹信息技术有限公司 基于用户头像的年龄预测方法、装置及电子设备
CN113517057A (zh) * 2021-09-10 2021-10-19 南通剑烽机械有限公司 基于数据表示和神经网络的医疗图像信息识别存储方法

Also Published As

Publication number Publication date
CN112446310B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
US11436615B2 (en) System and method for blockchain transaction risk management using machine learning
CN113688855B (zh) 数据处理方法、联邦学习的训练方法及相关装置、设备
CN112446310B (zh) 基于区块链的年龄识别系统、方法及装置
CN111816252B (zh) 一种药物筛选方法、装置及电子设备
Liu et al. Keep your data locally: Federated-learning-based data privacy preservation in edge computing
CN111401558A (zh) 数据处理模型训练方法、数据处理方法、装置、电子设备
CN111681091B (zh) 基于时间域信息的金融风险预测方法、装置及存储介质
US20230342846A1 (en) Micro-loan system
CN111695415A (zh) 图像识别模型的构建方法、识别方法及相关设备
CN113011646B (zh) 一种数据处理方法、设备以及可读存储介质
CN113011387B (zh) 网络训练及人脸活体检测方法、装置、设备及存储介质
CN111860865B (zh) 模型构建和分析的方法、装置、电子设备和介质
CN113822315A (zh) 属性图的处理方法、装置、电子设备及可读存储介质
CN111081337A (zh) 一种协同任务预测方法及计算机可读存储介质
US11989276B2 (en) Intelligent authentication of users in Metaverse leveraging non-fungible tokens and behavior analysis
CN114240659A (zh) 一种基于动态图卷积神经网络的区块链异常节点识别方法
Tiwari et al. Security Protection Mechanism in Cloud Computing Authorization Model Using Machine Learning Techniques
CN114492827A (zh) 基于区块链技术的联邦学习模型水印加固方法和应用
CN114119997A (zh) 图像特征提取模型的训练方法、装置、服务器和存储介质
CN114677611A (zh) 数据识别方法、存储介质及设备
Prem Kumar et al. Metaheuristics with Optimal Deep Transfer Learning Based Copy-Move Forgery Detection Technique.
CN117834175A (zh) 一种集成多模型区块链DDoS攻击检测分类方法及系统
Xiao et al. CTDM: Cryptocurrency abnormal transaction detection method with spatio-temporal and global representation
Ghosh et al. A deep learning‐based SAR image change detection using spatial intuitionistic fuzzy C‐means clustering
Zhang A novel data preprocessing solution for large scale digital forensics investigation on big data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant