本發(fā)明涉及人工智能領域，更具體的說是涉及人臉圖像數(shù)據(jù)分布式存儲方法。

背景技術：

1、在當今的汽車工業(yè)中，智能駕駛技術正迅速發(fā)展，旨在提供更安全、更便捷的駕駛體驗。其中，人臉識別技術作為一種重要的生物識別手段，已經(jīng)被廣泛應用于駕駛員身份驗證和個性化設置調整等方面。然而，隨著數(shù)據(jù)量的不斷增加，如何高效、安全地存儲和管理這些面部數(shù)據(jù)成為了一個亟待解決的問題。分布式存儲技術因其高可靠性、高可擴展性和高性能而受到關注。通過將數(shù)據(jù)分散存儲在多個獨立的設備上，分布式存儲不僅可以提高數(shù)據(jù)的容災能力，還能根據(jù)需求動態(tài)擴展存儲容量。這對于需要處理大量駕駛員面部數(shù)據(jù)的智能駕駛系統(tǒng)來說，具有重要意義。在智能駕駛場景中，駕駛員的人臉圖像數(shù)據(jù)可以通過車內(nèi)攝像頭實時采集，并利用先進的人臉識別算法進行處理和分析。這些數(shù)據(jù)不僅用于身份驗證，還可以用于車輛的控制權限的配置，如自動調整座椅位置、后視鏡角度等，以提升駕駛體驗。同時，通過對駕駛員情緒狀態(tài)的識別，系統(tǒng)還可以進行相應的環(huán)境調整，如播放音樂或激活座椅按摩功能，進一步增加駕駛的舒適性和安全性。為了保護駕駛員的個人隱私和數(shù)據(jù)安全，采用分布式存儲技術對人臉圖像數(shù)據(jù)進行加密存儲和管理顯得尤為重要。這不僅可以防止數(shù)據(jù)泄露和未授權訪問，還能確保符合相關法律法規(guī)的要求。此外，分布式存儲系統(tǒng)的高可用性和可擴展性也保證了即使在數(shù)據(jù)量大的情況下也能保持快速的數(shù)據(jù)處理速度，這對于需要即時反饋的智能駕駛系統(tǒng)至關重要。

2、公告號為cn114063909b的發(fā)明專利公開了一種圖像數(shù)據(jù)的智能分布式存儲方法及系統(tǒng)，包括圖像存儲模塊、圖像修復模塊和圖像讀取解析模塊；結合圖像數(shù)據(jù)本身的空間冗余特點，在現(xiàn)有的冗余機制的基礎上，結合智能算法來提供數(shù)據(jù)安全保障。

3、盡管現(xiàn)有技術提升了圖像數(shù)據(jù)在分布式存儲中的空間可用度；提升圖像存儲數(shù)據(jù)塊丟失后，提升了數(shù)據(jù)的修復能力。它仍未能實時捕捉和分布式處理駕駛員人臉圖像，實現(xiàn)精準身份驗證與狀態(tài)監(jiān)控的問題，因此，為了克服這些局限，本發(fā)明提出了人臉圖像數(shù)據(jù)分布式存儲方法。

技術實現(xiàn)思路

1、針對現(xiàn)有技術存在的不足，本發(fā)明的目的在于提供人臉圖像數(shù)據(jù)分布式存儲方法，解決了實時捕捉和分布式處理駕駛員人臉圖像，實現(xiàn)精準身份驗證與狀態(tài)監(jiān)控的問題。通過前端設備實時捕捉駕駛員人臉圖像，并利用邊緣計算節(jié)點進行灰度化、縮放和裁剪等動態(tài)歸一化處理后上傳至數(shù)據(jù)中心。數(shù)據(jù)中心對歸一化后的圖像進行局部特征和全局特征提取，構建特征集。采用分布式存儲架構，根據(jù)特征重要性配置副本因子進行冗余備份，并通過負載均衡技術分散數(shù)據(jù)訪問請求。結合網(wǎng)絡連接狀態(tài)，選擇遠程或本地特征匹配進行身份驗證，提供車輛的控制權限。在身份驗證基礎上，持續(xù)監(jiān)控駕駛員狀態(tài)，保障行車安全。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下技術方案：

3、人臉圖像數(shù)據(jù)分布式存儲方法，包括下述步驟：

4、步驟s1：通過前端采集設備實時捕捉駕駛員人臉圖像；

5、步驟s2：利用邊緣計算節(jié)點判斷捕獲的人臉圖像的光照條件，根據(jù)光照條件進行動態(tài)歸一化處理，基于光照條件將人臉圖像自適應灰度化，并通過縮放與剪切后將處理后的人臉圖像上傳至數(shù)據(jù)中心；

6、步驟s3：數(shù)據(jù)中心對動態(tài)歸一化處理后的人臉圖像數(shù)據(jù)進行特征提取，所述特征提取包括局部特征提取、全局特征提取，構建特征集；

7、步驟s4：基于特征集，進行初步處理，包括特征集拆分，編碼，壓縮，加密，然后通過分布式存儲在數(shù)據(jù)中心創(chuàng)建冗余備份并建立索引；

8、步驟s5：個性化處理單元根據(jù)當前駕駛員特征集與所述數(shù)據(jù)中心存儲的特征集進行比對，判斷駕駛員的人臉圖像是否匹配以確定車輛的控制權限。

9、具體地，動態(tài)歸一化處理的具體步驟包括：

10、獲取人臉圖像，通過計算人臉圖像的亮度分布、對比度和色彩飽和度的統(tǒng)計量判斷光照條件，計算公式如下，

11、，其中，是光照條件的綜合評價值，是人臉圖像亮度均值，是人臉圖像亮度標準差，是人臉圖像色彩飽和度，是人臉圖像對比度，是一個正常數(shù)；

12、配置光照閾值與，且小于，若，則判定人臉圖像處于低光環(huán)境中，若，則判定人臉圖像處于高光環(huán)境中，否則處于正常光環(huán)境中。

13、具體地，局部特征提取的具體步驟包括：

14、識別圖像中的關鍵點，對于每個檢測到的關鍵點，配置窗口，將窗口內(nèi)的像素分為子窗口，并計算每個子窗口的梯度直方圖，連接所有子窗口的直方圖形成描述符向量；

15、將所有描述符向量堆疊成矩陣，進行奇異值分解，選擇最大的k個特征值對應的特征向量進行數(shù)據(jù)投影，實現(xiàn)降維；

16、計算待匹配描述符向量與人臉數(shù)據(jù)庫中每個描述符向量之間的距離，將距離最小的描述符向量的人臉局部特征標簽作為待匹配描述符向量的標簽。

17、具體地，全局特征提取的具體步驟包括:

18、對人臉圖像進行全局紋理提取，對人臉圖像應用不同大小的鄰域窗口，進行多尺度提取，計算每個窗口的lbp特征值，合并所有尺度的lbp特征值，形成多尺度lbp特征向量；

19、對人臉圖像進行全局邊緣形狀特征提取，將人臉圖像劃分為多個層次的區(qū)域，在每個層次的區(qū)域上獨立提取hog特征，并將所有層次的特征合并成一個長向量。

20、具體地，全局紋理提取的步驟包括：

21、配置鄰域窗口大小，對每個像素點以其為中心應用鄰域窗口；

22、計算每個窗口的lbp特征值，即：，其中，是中心像素點的坐標，是第個周圍像素點的坐標，表示坐標處的像素值，表示坐標處的像素值，是鄰域內(nèi)像素點的數(shù)量，是階躍函數(shù)，定義為：

23、

24、此時，取時，若大于，則取值為1，若小于或等于，則取值為0；

25、配置偏移角度閾值，對于每個像素點，計算其在偏移角度閾值范圍內(nèi)的lbp值，并取其最小值作為該像素點的最終lbp特征值，即：，其中，是旋轉角度，其取值范圍為，是在旋轉角度下的lbp特征值；

26、合并所有鄰域窗口配置的lbp特征值，將每個尺度下得到的lbp特征值合并為一個長向量。

27、具體地，全局邊緣形狀特征提取的具體步驟包括：

28、將人臉圖像劃分為多個層次區(qū)域，形成一個多層次的網(wǎng)格結構；

29、對于每個層次的區(qū)域，計算該區(qū)域內(nèi)每個像素點的梯度幅值和梯度方向，對于該區(qū)域的任意一個像素點，其梯度幅值和梯度方向計算公式為：

30、

31、

32、其中，是像素點的梯度幅值，是像素點的梯度方向，和是像素點的水平和垂直方向的梯度；

33、將梯度方向進行區(qū)間方向劃分，對于每個像素點，根據(jù)其梯度方向將其梯度幅值累加到對應區(qū)間的直方圖中，并對每個區(qū)域的梯度方向直方圖進行動態(tài)歸一化處理；

34、將所有層次的區(qū)域中的梯度方向直方圖合并成一個長向量。

35、具體地，特征集加密的具體步驟包括：

36、基于編碼、壓縮后的數(shù)據(jù)片段，分別對原始人臉圖像、局部特征和全局特征采用不同的加密級別，進行多級分別加密，具體包括：

37、第一級加密，使用加密算法對編碼、壓縮后的原始人臉圖像數(shù)據(jù)片段進行一級加密，生成密鑰并進行密鑰編碼，作為密鑰特征向量，保存至局部特征向量中；

38、第二級加密，使用加密算法對局部特征數(shù)據(jù)片段進行二級加密，生成新的密鑰并進行密鑰編碼，作為密鑰特征向量，保存至全局特征向量中；

39、第三級加密，使用加密算法對全局特征數(shù)據(jù)片段進行三級加密，生成最終的密鑰并進行密鑰編碼，作為密鑰特征向量，保存至安全存儲區(qū)域中。

40、具體地，分布式存儲的具體步驟包括：

41、數(shù)據(jù)中心對接收到的人臉特征集進行深度處理，所述深度處理包括特征集拆分、特征集編碼、特征集壓縮以及特征集加密；

42、根據(jù)加密級別，分別對原始人臉圖像、局部特征和全局特征配置副本因子，并根據(jù)所述副本因子進行冗余備份；

43、對數(shù)據(jù)中心配置分布式存儲架構，并對冗余備份后的原始人臉圖像、局部特征和全局特征進行分布式存儲；

44、通過負載均衡技術，將數(shù)據(jù)訪問請求分散到分布式存儲架構的多個數(shù)據(jù)節(jié)點上，以避免單個節(jié)點的過載問題；

45、在車輛內(nèi)部設置本地存儲設備，用于緩存邊緣計算節(jié)點獲取歸一化后的人臉圖像以及數(shù)據(jù)中心提取的全局特征；

46、配置更新閾值，用于衡量需更新的時間間隔，用于衡量需更新的內(nèi)存容量，當本地存儲設備緩存更新的時間間隔大于時或者本地存儲設備的內(nèi)存容量小于時，自適應的將本地緩存的歸一化后的人臉圖像同步到數(shù)據(jù)中心。

47、具體地，身份驗證的具體步驟包括：

48、檢測當前車輛網(wǎng)絡是否連接，若網(wǎng)絡已連接，向遠程數(shù)據(jù)中心發(fā)送請求，獲取實時更新的人臉圖像特征集，將捕獲到的駕駛員面部圖像特征與數(shù)據(jù)中心提供的特征集進行復雜特征匹配，根據(jù)匹配結果判斷當前駕駛員是否已存在于該車的數(shù)據(jù)中心中；

49、若網(wǎng)絡未連接，則轉入本地驗證模式，從車輛的本地存儲設備中讀取預先緩存的歸一化人臉圖像和全局特征，使用本地數(shù)據(jù)進行簡單特征匹配，以確定駕駛員身份，根據(jù)本地匹配結果判斷當前駕駛員是否已存在于該車的本地存儲設備中。

50、具體地，簡單特征匹配包括：

51、通過邊緣計算節(jié)點獲取當前駕駛員的歸一化后的人臉圖像，與本地存儲設備中的歸一化的人臉圖像進行相似性度量，配置相似度閾值，輸出相似度度量大于相似度閾值的人臉圖像標識符；

52、當輸出的人臉圖像標識符的個數(shù)為0時：則拒絕當前駕駛員的訪問請求，不提供車輛的控制權限；

53、當輸出的人臉圖像標識符的個數(shù)為1時：則通過可視化界面展示識別結果，并請求當前駕駛員確認；

54、當輸出的人臉圖像標識符的個數(shù)大于1時：則針對每個輸出的人臉圖像標識符，獲取其對應的全局特征，并調用邊緣計算節(jié)點獲取當前駕駛員人臉圖像的全局特征，進行相似性度量，輸出相似度最高的人臉圖像標識符，并請求當前駕駛員確認。

55、本發(fā)明的有益效果：

56、1.通過邊緣計算節(jié)點對捕獲的人臉圖像進行動態(tài)歸一化處理，包括灰度化、縮放和裁剪，可以有效減少數(shù)據(jù)傳輸量，提高傳輸效率。數(shù)據(jù)中心對動態(tài)歸一化處理后的人臉圖像數(shù)據(jù)進行特征提取，包括局部特征提取和全局特征提取，構建特征集，這有助于提高人臉識別的準確性和效率。特征集的拆分、編碼、壓縮和加密處理，以及通過分布式存儲在數(shù)據(jù)中心創(chuàng)建冗余備份并建立索引，可以提高數(shù)據(jù)的可靠性和安全性。

57、2.個性化處理單元根據(jù)當前駕駛員特征集與數(shù)據(jù)中心存儲的特征集進行比對，判斷駕駛員的人臉圖像是否匹配以確定車輛的控制權限，從而增強了用戶體驗。身份驗證過程中，無論是在線還是離線模式，都能有效地識別駕駛員并提供相應的車輛的控制權限，確保了服務的連續(xù)性和個性化。

58、3.分布式存儲架構和負載均衡技術的應用，可以避免單個節(jié)點的過載問題，提高系統(tǒng)的響應速度和穩(wěn)定性。本地存儲設備的設置用于緩存邊緣計算節(jié)點獲取歸一化后的人臉圖像以及數(shù)據(jù)中心提取的全局特征，可以減少對中心服務器的依賴，降低網(wǎng)絡延遲。自適應同步機制確保了本地緩存的歸一化后的人臉圖像能夠及時更新到數(shù)據(jù)中心，保持數(shù)據(jù)的一致性。