设备配置方法、系统、装置、设备、存储介质和门禁设备与流程

1.本发明涉及设备控制技术领域，尤其涉及一种设备配置方法、系统、装置、设备、存储介质和门禁设备。


背景技术：

2.近几年，物联网在现实生活中的应用越来越广泛。常见的物联网应用场景包括智能安防、智能交通、智能物流等等。比如住宅社区或者工业园区中安装的门禁设备可以对进入社区或园区的人员进行身份核实，实现智能安防。又比如在智能交通场景中，服务器可以对拍得的道路图像进行目标检测，以实现道路拥堵情况的检测。
3.在不同的场景中，设备需要和与自身的硬件配置信息匹配的软件结合使用，以实现相应功能，比如门禁设备需要与匹配的人脸识别软件结合以实现智能安防。基于上述描述，如何提高设备与软件之间的适配效率就成为一个亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明实施例提供一种设备配置方法、系统、装置、设备、存储介质和门禁设备，用以设备适配的效率。
5.第一方面，本发明实施例提供一种设备配置方法，应用于配置服务器，包括：
6.获取待配置设备的硬件配置信息；
7.在备选算法模型中，确定与所述硬件配置信息匹配的目标算法模型；
8.发送所述目标算法模型至所述待配置设备，以使所述待配置设备配置所述目标算法模型并使用所述目标算法模型提供服务。
9.第二方面，本发明实施例提供一种设备配置装置，包括：
10.信息获取模块，用于获取待配置设备的硬件配置信息；
11.模型确定模块，用于在备选算法模型中，确定与所述硬件配置信息匹配的目标算法模型；
12.发送模块，用于发送所述目标算法模型至所述待配置设备，以使所述待配置设备配置所述目标算法模型并使用所述目标算法模型提供服务。
13.第三方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的设备配置方法。该电子设备还可以包括通信接口，用于与其他设备或通信网络通信。
14.第四方面，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如第一方面所述的设备配置方法。
15.第五方面，本发明实施例提供一种设备配置方法，应用于物联网设备，包括：
16.发送所述物联网设备的硬件配置信息；
17.接收从备选算法模型中确定出的与所述硬件配置信息匹配的目标算法模型；
18.根据所述目标算法模型配置所述物联网设备。
19.第六方面，本发明实施例提供一种设备配置方法，应用于门禁设备，包括：
20.发送所述门禁设备的硬件配置信息；
21.接收从备选算法模型中确定出的与所述硬件配置信息匹配的目标算法模型以及已注册人员的面部图像的图像特征；
22.根据所述目标算法模型和所述图像特征配置门禁设备。
23.第七方面，本发明实施例提供一种门禁设备，包括：存储器、处理器和图像采集组件；
24.所述图像采集组件，用于采集已注册人员的面部图像；
25.所述处理器，用于发送门禁设备的硬件配置信息；接收从备选算法模型中确定出的与所述硬件配置信息匹配的目标算法模型，以及所述已注册人员的面部图像的图像特征；根据所述目标算法模型和所述已注册人员的面部图像特征配置所述门禁设备；
26.所述存储器，用于存储所述目标算法模型。
27.第八方面，本发明实施例提供一种设备配置系统，包括：通信连接的待配置设备和配置服务器；
28.所述待配置设备，用于发送自身的硬件配置信息至所述配置服务器；配置与所述硬件配置信息匹配的目标算法模型，以使所述待配置设备使用所述目标算法模型提供服务；
29.所述配置服务器，用于在备选算法模型中确定所述目标算法模型；发送所述目标算法模型至所述待配置设备。
30.本发明实施例提供的设备配置方法，配置服务器获取待配置设备自身的硬件配置信息。之后，在备选算法模型中选择与硬件配置信息匹配的算法模型为目标算法模型。最后，发送目标算法模型至待配置设备，以使待配置设备配置目标算法模型并使用目标算法模型提供相应的服务。其中，目标算法模型和硬件配置信息的匹配可以理解为待配置设备能够正常运行目标算法模型，即保证服务的正常提供。
31.在上述配置过程中，借助备选算法模型可以实现算法模型的自动选择和配置，配置过程无需人为参与，从而提高待配置设备的配置效率。同时，又由于目标算法模型是与待配置设备的硬件配置信息匹配的，因此，也能提高目标算法匹配的准确性，保证待配置设备提供服务的服务质量。
附图说明
32.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一简单地介绍，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。
33.图1为门禁设备应用在智能安防场景下的整体示意图；
34.图2为本发明实施例提供的一种设备配置方法的流程图；
35.图3为本发明实施例提供的另一种设备配置方法的流程图；
36.图4为本发明实施例提供的又一种设备配置方法的流程图；
37.图5为本发明实施例提供的一种设备配置系统的结构示意图；
38.图6为本发明实施例提供的又一种设备配置方法的流程图；
39.图7为本发明实施例提供的又一种设备配置方法的流程图；
40.图8为本发明实施例提供的一种门禁设备的结构示意图；
41.图9为本发明实施例提供的设备配置方法及系统应用在智能安防领域中的示意图；
42.图10为本发明实施例提供的设备配置方法及系统应用在智能交通领域中的示意图；
43.图11为本发明实施例提供的一种设备配置装置的结构示意图；
44.图12为与图11所示实施例提供的设备配置装置对应的电子设备的结构示意图；
45.图13为本发明实施例提供的另一种设备配置装置的结构示意图；
46.图14为与图13所示实施例提供的设备配置装置对应的电子设备的结构示意图；
47.图15为本发明实施例提供的又一种设备配置装置的结构示意图；
48.图16为与图15所示实施例提供的设备配置装置对应的电子设备的结构示意图。
具体实施方式
49.为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
50.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
51.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
52.取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于识别”。类似地，取决于语境，短语“如果确定”或“如果识别(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当识别(陈述的条件或事件)时”或“响应于识别(陈述的条件或事件)”。
53.还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
54.在对本发明各实施例提供的设备配置方法和系统进行说明之前，还可进行以下说明：
55.正如背景技术中提及的，在不同领域中的使用待配置设备往往需要与软件配合才能提供相应服务。其中，待配置设备可以认为是物联网设备，待配置设备中配置的软件具体可以为神经网络模型。
56.并且在不同的领域中，待配置设备的具体表现形式也不同。比如在智能安防领域，待配置设备可以是门禁设备，其内部配置的软件可以为人脸识别模型，用以实现人员身份的验证。在智能物流领域，待配置设备可以是服务器，其内部配置的软件可以为检测车辆的目标检测模型，用以对货物进行目标检测以实现货物的自动分拣。在智能交通领域，待配置设备可以是边缘计算服务器，其内部安装的软件可以为检测货物的目标检测模型，用以对采集到的道路图像进行目标检测，以确定道路图像中是否包含车辆，根据车辆的数量确定道路拥堵情况。
57.以智能安防领域为例，对于被安装在工业园区或者社区门口的门禁设备，若要能正常进行身份识别，则需要内部配置人脸识别模型。对于配置过程便可以使用本发明各实施例中提供配置方法。在模型配置完成后，门禁设备可以对进入工业园区的人员进行面部图像的采集，再将采集到面部图像输入自身配置的人脸识别模型中，以由于人脸识别模型对入园人员进行身份识别。上述过程可以结合图1理解。
58.下面结合附图对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
59.图2为本发明实施例提供的一种设备配置方法的流程图。本发明实施例提供的该设备配置方法可以由设备配置系统中的配置服务器来执行。可以理解的是，该配置服务器可以实现为软件、或者软件和硬件的组合。如图2所示，该方法包括如下步骤：
60.s101，获取待配置设备的硬件配置信息。
61.待配置设备中可以安装有与配置服务器配套的配置软件。此配置软件在待配置设备上运行后，即可收集并发送待配置设备的硬件配置信息至配置服务器。其中，待配置设备的硬件配置信息可以包括处理器的类型、内存等等，也可以包括在特定领域下对应的硬件配置信息。
62.具体地，常见的硬件配置信息可以包括处理器类型、内存等等。可选地，处理器可以包括中央处理器(central processing unit，简称cpu)、嵌入式神经网络处理器(neural-network processing units，简称npu)、图形处理器(graphics processing unit，简称gpu)、特殊应用集成电路(application specific integrated circuit，简称asic)、现场可编程逻辑门阵列(field programmable gate array，简称fpga)等等。上述常见的硬件配置信息能够反映待配置设备的数据计算能力、数据读取能力等等。承接背景技术中的智能交通领域，待配置设备即为用于车辆检测的服务器；在智能物流领域，待配置设备即为用于货物检测的服务器，这两种待配置设备的硬件配置信息也即是服务器的处理器、内存等等。
63.可选地，对于在不同领域中使用的待配置设备，硬件配置信息除了上述的内容，还可以包括对应于特定领域的硬件配置信息。比如在智能安防领域，待配置设备即为门禁设备。可选地，门禁设备上还可以安装有摄像头，则门禁设备的硬件配置信息还可以包括摄像头的参数。或者可选地，门禁设备中还可以配置主动近红外成像组件，则硬件配置信息还可
以包括此成像组件的参数。
64.s102，在备选算法模型中，确定与硬件配置信息匹配的目标算法模型。
65.在通常情况下，运行不同结构的算法模型所需的数据处理能力、数据读取能力各不相同。则为了避免出现算法模型无法运行的情况，配置服务器可以根据接收到的待配置设备的硬件配置信息，从预先得到备选算法模型中，选择与待配置设备的硬件配置信息匹配的目标算法模型。其中，备选算法模型具体可以表现为具有不同网络结构的神经网络模型。
66.由于待配置设备能够提供运行目标算法模型时所需的数据处理能力、数据读取能力，因此，能够保证目标算法模型在待配置设备中正常运行，也能保证待配置设备提供高质量的服务。
67.对于目标算法模型的选择，可选地，由于每个备选算法模型都有与之适配的硬件配置信息，即备选算法模型与硬件配置信息之间具有预设关联关系，因此，配置服务器可以根据此关联关系直接选择出目标算法模型。
68.具体地，在备选算法模型中，若算法模型1所适配的硬件配置信息与待配置设备的硬件配置信息相同，则将此算法模型1确定为目标算法模型。若备选算法模型中各算法模型所适配的硬件配置信息均与待配置设备的硬件配置信息不同，则可以将所适配的硬件配置信息与待配置设备的硬件配置信息最接近的备选算法模型确定目标算法模型。
69.对于备选算法模型和硬件配置信息之间的关联关系，可选地，可以人为设置也可以通过机器学习的方式得到。其中，对于通过机器学习的方式得到关联关系的过程可以为：可以先在备选算法模型中选择少量的算法模型，获取选中的各模型的基本属性，其中，基本属性可以包括模型的推理时间、运行算法模型时所需的内存空间等等。可以根据算法模型的基本属性和人为经验确定与选中的各算法模型所适配的硬件配置信息，此时即可得到了选中的算法模型和硬件配置信息之间的关联关系。之后，再将此对应关系作为训练样本可以训练得到用于预测算法模型和硬件配置信息之间关联关系的预测模型。对于剩余的备选算法模型，即可根据此预测模型确定出各自所适配的硬件配置信息。
70.可选地，在实际中，也不断地会有新增算法模型补充到备选算法模型中，对于新增算法模型也可以采用上述的预测模型确定与之适配的硬件配置信息。
71.s103，发送目标算法模型至待配置设备，以使待配置设备配置目标算法模型并使用目标算法模型提供服务。
72.最终，配置服务器可以将确定出的目标算法模型发送待配置设备。待配置设备下载并安装此目标算法模型，也即是实现了目标算法模型与待配置设备之间的适配。可选地，待配置设备可以显示配置成功的提示。
73.待配置设备运行目标算法模型即可提供服务。可选地，承接背景技术中提及的不同领域，待配置设备提供的服务可以包括身份识别服务、道路拥堵情况分析服务、货物分拣服务等等。
74.本实施例中，配置服务器获取待配置设备自身的硬件配置信息。之后，在备选算法模型中选择与硬件配置信息匹配的算法模型为目标算法模型。最后，发送目标算法模型至待配置设备，以实现目标算法模型适配待配置设备，待配置设备便可以根据此目标算法模型提供相应的服务。其中，目标算法模型和硬件配置信息的匹配可以理解为待配置设备能
够正常运行目标算法模型，即保证服务的正常提供。
75.在上述配置过程中，借助备选算法模型可以实现算法模型的自动选择和配置，待配置设备的配置过程无需人为参与，从而提高待配置设备的配置效率。同时，又由于目标算法模型是与待配置设备的硬件配置信息匹配的，因此，也能提高目标算法匹配的准确性，保证待配置设备提供服务的服务质量。
76.为了便于理解，可以以智能安防领域为例对图2所示实施例进行说明：
77.配置服务器可以获取门禁设备的硬件配置信息为：门禁设备的处理器类型为cpu，门禁设备的内存为8g，摄像头像素为500万。对于备选人脸识别模型1，与存在关联关系的硬件配置信息包括处理器类型为gpu,设备内存为8g，摄像头的像素为200万。对于备选人脸识别模型2，与存在关联关系的硬件配置信息包括处理器类型为cpu,设备内存为8g，摄像头的像素为500万。对于备选人脸识别模型3，与存在关联关系的硬件配置信息包括处理器类型为gpu,内存为4g，摄像头的像素为400万。
78.此时，备选人脸识别模型2所适配的硬件配置信息与门禁设备的硬件配置信息完全相同，则确定备选人脸识别模型2为目标人脸识别模型。门禁设备从配置服务器下载并安装此目标人脸识别模型后，即可借助此模型对采集人员的面部图像，以识别面部图像中人员的身份，也即是门禁设备提供安防服务。
79.并且由于门禁设备所能提供的数据处理能力、数据读取能力，恰好能满足运行目标人脸识别模型识别面部图像时所需的数据处理能力、数据读取能力，因此，也能够提高安防服务的服务质量。
80.另外，在为待配置设备配置目标算法模型时，除了可以以硬件配置信息为依据，还可以结合考虑其他指标。则基于图2所示的实施例，图3为本发明实施例提供的另一种设备配置方法的流程图。该方法的执行主体是配置服务器。如图3所示，该方法包括如下步骤：
81.s201，获取待配置设备的硬件配置信息。
82.步骤201的执行过程可以参见如图2所示实施例中的相关描述，在此不赘述。
83.s202，获取用户输入的第一模型属性，第一模型属性包括算法模型的目标使用环境和/或目标准确度。
84.在获取硬件配置信息的同时，待配置设备的维护人员(下述各实施例均简称用户)还可以在待配置设备中安装的配置软件提供的操作界面上输入第一模型属性。其中，输入的第一模型属性包括算法模型的目标使用环境和/或目标准确度。目标使用环境即是待配置设备的真实使用环境，是用户事先知晓的；目标准确度可以是预设值，其可以认为是用户对算法模型准确度的要求。可见，第一模型属性实际上是用户对算法模型的预设要求。
85.可选地，用户可以在配置软件的操作界面上提供的备选使用环境中进行目标使用环境的选择。其中，操作界面上提供的备选使用环境可以包括室内、室外、遮挡、非遮挡、逆光、非逆光等，并且用户选择的目标使用环境可以是其中的至少一种。
86.以智能安防领域为例，对遮挡、非遮挡、逆光、非逆光这几种使用环境进行说明：
87.遮挡环境，表明当人脸识别模型识别出门禁设备采集的面部图像中人员面部存在遮挡(比如佩戴口罩)时，仍利用此存在遮挡面部图像进行人脸识别。非遮挡环境，表明当人脸识别模型识别出面部图像中的人员面部存在遮挡(比如佩戴口罩)时，不进行人脸识别。此时，门禁设备可以通知人员不要遮挡面部(比如摘下口罩)并再次拍摄未遮挡面部图像，
人脸识别模型可以对未遮挡的面部图像进行识别。
88.逆光环境，表明当门禁设备拍摄的面部图像存在严重逆光时，依旧根据此面部图像进行人脸识别。非逆光环境，表明当门禁设备拍摄的面部图像存在严重逆光时，不进行人脸识别。门禁设备通知人员调整位置，人脸识别模型对重新拍摄的不逆光的面部图像进行人脸识别。
89.当然上述说明的各种使用也可以出现在其他领域中，可以结合上述描述类比理解，不在此进行详细说明具体含义。
90.s203，在备选算法模型中，根据待配置设备的硬件配置信息以及第一模型属性，确定目标算法模型。
91.配置服务器则可以同时根据待配置设备的硬件配置信息以及用户输入的第一模型属性，在备选算法模型中确定目标算法模型。
92.其中，可以根据预先收集到的常见的硬件配置信息、使用环境以及模型准确度预先训练出不同准确度的算法模型，即备选算法模型，这些备选算法模型可以构成模型仓库存储在配置服务器中。
93.同时配置服务器中还存储有每个备选算法模型与硬件配置信息之间的关联关系，以及每个备选算法模型的第二模型属性，其中，第二模型属性包括备选算法模型的参考使用环境和/或参考准确度。
94.需要说明的有，与第一模型属性不同的是，第二模型属性相当于备选算法模型的真实属性信息，其可以人为设置，也可以通过图2所示实施例中预测模型输出，并且第二模型属性往往与第一模型属性存在一定差异。则可选地，配置服务器可以根据第一模型属性和第二模型属性之间的差异，以及待配置设备的硬件配置信息和与备选算法模型关联的硬件配置信息之间的差异，确定备选算法模型与待配置设备之间的匹配度，并根据匹配度确定目标算法模型。其中，上述两部分差异越大，匹配度越低，因此，可以将最高匹配度对应的备选算法模型确定为目标算法模型。
95.为了描述简洁，将第一模型属性和第二模型属性之间的差异称为第一差异，将待配置设备的硬件配置信息和与备选算法模型关联的硬件配置信息之间的差异称为第二差异。可选地，在执行步骤203的过程中，硬件配置信息是需要被优先满足的指标。因此，可以优先将最小第二差异对应的算法模型确定为目标算法模型。
96.若备选算法模型中存在多个算法模型均对应于最小的第二差异，则可以在这多个算法模型中，将具有最小第一差异的算法模型确定为目标算法模型。
97.s204，发送目标算法模型至待配置设备，以使待配置设备配置目标算法模型并使用目标算法模型提供服务。
98.步骤204的执行过程可以参见如图2所示实施例中的相关描述，在此不赘述。
99.待配置设备的硬件配置信息能够反映待配置设备的处理能力，第一属性信息能够表明用户的要求，则在本实施例中，配置服务器会同时考虑设备的处理能力以及用户要求来确定目标算法模型，使得目标算法模型与待配置设备更加匹配，待配置设备借助目标算法模型也能够提供更高质量的服务。同时与图2所示实施例相同的，本实施例也能够实现目标算法模型与待配置设备之间的自动适配，从而提高配置效率。另外，本实施例所能实现的技术效果还可以参见图2所示实施例中的描述，在此不再赘述。
100.可选地，在实际应用过程中，用户输入的第一属性信息有可能发生变动，承接上述的智能安防领域，用户可能将算法模型的目标使用环境由室内修改为室外，或者对算法模型的目标准确度进行修改。
101.针对这种情况，用户还可以在配置软件提供的操作界面上触发第一属性信息的修改操作。之后，与上述各实施例类似的，配置服务器可以根据获取到的修改内容以及待配置设备的硬件配置信息重新确定与待配置设备适配的目标算法模型。
102.配置服务器在执行步骤203后可以得到目标算法模型，以及此目标算法模型与待配置设备之间的匹配度。若待配置设备和目标算法模型之间的匹配度小于预设阈值，表明确定出的目标算法模型与用户提出的要求和待配置设备的硬件配置信息具有一定的差距，此目标算法模型与待配置设备的适配性有待提高。此时，可选地，配置服务器可以自主开始算法模型的训练，以训练出适配于待配置设备以及第一模型属性的新增算法模型，在用新增算法模型更新备选算法模型。若用户对待配置设备触发触法模型的更新操作，则配置服务器可以将此新增算法作为适配于待配置设备的目标算法模型发送至待配置设备，以由待配置设备重新配置算法模型。
103.另外，可选地，随着设备的不断更新会出现越来越多的硬件配置信息，同时随着用户需求的丰富也会出现越来越多的第一模型属性。此时，另一种开始模型训练的时机：配置服务器可以定期针对新出现的硬件配置信息和/或新出现的第一模型属性开始算法模型训练，以训练出新增算法模型，并利用新增算法模型更新备选算法模型。
104.其中，配置服务器对备选算法模型的更新可以理解成是配置服务器对备选算法模型的管理。
105.可选地，配置服务器在得到目标算法模型与待配置设备之间的匹配度后，还可以将此匹配度发送至待配置设备以供用户知晓，此匹配度在一定程度上可以反映待配置设备提供服务的服务质量。用户可以根据此匹配度的大小，选择是否在配置软件提供的操作界面上触发算法模型的更新操作。通常情况下，若匹配度小于预设阈值，则用户会触发更新操作，配置服务器响应于此更新操作，可以再次从备选算法模型中确定目标算法模型。此处，用户对目标算法模型的更新也可以理解成待配置设备对算法模型的管理。
106.需要说明的有，用户触发的更新操作与配置服务器定期训练新增算法模型可以是两个独立过程。用户在获取到匹配度后，若立即触发更新操作，此时，备选算法模型往往并发生更新，因此，配置服务器响应于更新操作，重新确定出的算法模型与之前确定出的算法模型通常是同一个，其仍具有较低的匹配度。一种更佳的做法，用户通常要在得到匹配度的预设时间后再触发更新操作，由于在此预设时间内，备选模型算法通常会发生更新，因此，配置服务器可以从更新后的备选算法模型中重新确定出一个匹配度更高的算法模型，作为目标算法模型。
107.上述各实施例是从配置服务器的角度描述待配置设备与算法模型配置的过程。除此之外，还可以从待配置设备的角度描述自身与算法模型的配置过程。则图4为本发明实施例提供的又一种设备配置方法的流程图。其中，本实施例及上述各实施例中的待配置设备都可以认为是物联网设备。因此，本实施例提供的设备配置方法实际上就是物联网设备的配置方法。该方法的执行主体可以是物联网设备。如图4所示，该方法包括如下步骤：
108.s301，发送物联网设备的硬件配置信息。
109.s302，接收从备选算法模型中确定出的与硬件配置信息匹配的目标算法模型。
110.s303，根据目标算法模型配置物联网设备。
111.具体来说，物联网设备根据自身与配置服务器之间建立的通信连接，可以将自身的硬件配置信息发送至配置服务器。其中，硬件配置信息的具体内容可以参见上述各实施例中的相关描述，在此不再赘述。
112.配置服务器可以在备选算法模型中确定与物联网设备的硬件配置信息配置的目标算法模型，并将其发送至待配置的物联网设备。物联网设备接收并配置目标算法模型，也即是实现了算法模型的自动配置。并且配置的算法模型还是与物联网设备的硬件配置信息匹配的，从而也提高了算法模型的配置准确性。
113.本实施例中未详细描述的内容和所能达到的技术效果可以参见上述各实施例中的相关描述，在此不再赘述。
114.另外，对于备选算法模型的更新，以及基于更新后的备选算法模型，如何为物联网设备重新确定匹配的目标算法模型均可参见上述各实施例中的相关描述，在此不再赘述。
115.上述各实施例都是从单独的配置服务或者待配置设备角度描述待配置设备与算法模型配置的过程的。除此之外，还可以从整个系统角度描述设备的配置过程。则图5为本发明实施例提供的一种设备配置系统的结构示意图。如图5所示，该系统可以包括：通信连接的待配置设备和配置服务器。
116.配置过程具体为：待配置设备利用自身安装的配置软件可以得到自身的硬件配置信息，并将其发送至待配置设备配置服务器。之后，配置服务器根据接收到的硬件配置信息，从预先得到的备选算法模型中，确定与硬件配置信息匹配的目标算法模型，并将此目标算法模型发送至待配置设备。待配置设备下载此目标算法模型，从而实现待配置设备与算法模型的适配。待配置设备运行此目标算法模型即可提供相应服务。
117.另外，本实施中未详细描述的内容可以参见图2所示实施例中的相关描述，在此不再赘述。
118.本实施例中，由于备选算法模型是预先得到的，因此，配置服务器可以为待配置设备自动适配算法模型，提高待配置设备的配置效率。同时，又由于目标算法模型与待配置设备的硬件配置信息匹配，因此，也能保证待配置设备提供服务的服务质量。
119.可选地，在以待配置设备的硬件配置信息为依据适配目标算法模型的基础上，还可以同时借助用户输入的第一模型属性。其中，待配置设备得硬件配置信息能够反映待配置设备所能提供的数据计算能力、数据读取能力；第一模型属性反映用户对算法模型的需求，它们各自所包含的内容可以参见上述实施例中的相关描述。
120.可选地，在同时根据硬件配置信息和第一模型属性确定目标算法模型时，还可以优先考虑备选算法模型的硬件配置信息与待配置设备的硬件配置信息之间的差异，即优先选择硬件配置信息差异最小的算法模型为目标算法模型。具体的适配过程可以参见图3所示实施例中的相关内容，在此不再赘述。
121.可选地，对于配置服务器中保存的备选算法模型，其可以在不同的时机下被更新。随着设备的更新换代以及逐渐丰富的用户需求，会使得硬件配置信息和第一模型属性也越来越多。则一种时机，配置服务器可以定期针对新出现的硬件配置信息以及第一模型属性开始算法模型训练，以训练出新增算法模型，并利用新增算法模型更新备选算法模型。
122.另一种时机，若配置服务器确定出的目标算法模型与待配置设备之间的匹配度小于预设阈值，此时，可选地，配置服务器可以开始算法模型的训练，以训练出适配于待配置设备以及第一模型属性的新增算法模型，并用其更新备选算法模型。
123.可选地，配置服务器在确定目标算法模型的过程中，还可以得到此目标算法模型与待配置设备之间的匹配度。若此匹配度低于预设阈值，则用户还可以在待配置设备安装的配置软件提供的操作界面上触发算法模型的更新操作，以由待配置设备发送模型更新通知至配置服务器。配置服务器响应于此模型更新通知，在备选算法模型中重新为待配置模型适配算法模型。其中，用户通常在接收到匹配度预设时间之后再触发此更新操作，以使配置服务器可以在包含新增算法模型的备选算法模型中选择目标算法模型。并且在实际中，响应于更新操作，最终通常会将新增算法模型确定为目标算法模型配置到待配置设备中。
124.基于上述提及的安防领域，待配置设备也即是物联网设备，其具体可以包括安装在工业园区门口的门禁设备，备选算法模型包括人脸识别模型。当设备配置方法具体应用到智能安防领域中时，基于上述设定，图6为本发明实施例提供的又一种设备配置方法的流程图。该方法的执行主体可以是上述配置系统中的配置服务器。如图6所示，该方法包括如下步骤：
125.s401，获取门禁设备的硬件配置信息。
126.步骤401的执行过程可以参见如图2所示实施例中的相关描述，在此不赘述。
127.其中，正如上述的相关描述，由于门禁设备上还可以安装有摄像头或者主动近红外成像组件，因此，门禁设备的硬件配置信息，除了包含设备的处理器和内存，还可以包括摄像头或者成像组件的参数。
128.s402，在备选人脸识别模型中，确定与硬件配置信息匹配的目标人脸识别模型。
129.可选地，配置服务器可以根据门禁设备的硬件配置信息确定目标人脸识别模型，具体确定过程可以参见如图2所示实施例中的相关描述，在此不赘述。
130.可选地，配置服务器还可以同时以门禁设备的硬件配置设备以及用户输入的第一模型属性为依据确定目标人脸识别模型，具体确定过程可以参见如图3所示实施例中的相关描述，在此不赘述。
131.s403，将已注册人员的第一面部图像输入目标人脸识别模型中，以由目标人脸识别模型输出第一面部图像的图像特征。
132.s404，发送第一面部图像的图像特征和目标人脸识别模型至门禁设备，以使门禁设备配置目标人脸识别模型并使用目标人脸识别模型提供安防服务。
133.在确定出目标人脸识别模型后，配置服务器还可以将预先收集的、已注册人员的第一面部输入目标人脸识别模型中，以由此模型输出第一面部图像的图像特征。其中，已注册人员可以认为是工业园区内的员工，其可以顺畅通过门禁设备进入园区。接着，配置服务器将目标人脸识别模型以及该模型提取出的图像特征一并发送给门禁设备，以使门禁设备将第一面部图像的图像特征作为参照进行人脸识别，即提供安防服务。
134.其中，提供智能安防服务的具体过程可以描述为：门禁设备可以采集进入园区的人员a的待识别面部图像，以由门禁设备内配置的目标人脸识别模型提取待识别面部图像的图像特征。接着，将待识别面部图像的图像特征和第一面部图像的图像特征进行比对。若两图像特征之间的相似度大于预设阈值，则确定人员a是否为已注册人员，可以顺利进入工
业园区。若两图像特征之间的相似度小于预设阈值，则确定出人员a为未注册人员，其无法进入工业园区。
135.可选地，对于未注册人员比如上述的人员a，用户即门禁设备的维护人员可以对门禁设备触发注册操作，人员a的待识别面部图像会作为第二面部图像发送至配置服务器，配置服务器接收此第二面部图像，并且根据第二面部图像更新第一面部图像，也即是将第二面部图像补充至第一面部图像中，从而完成人员a的注册。经过注册后，人员a会通过身份识别，正常进入工业园区。
136.本实施例中，门禁设备获取自身的硬件配置信息。之后，在备选人脸识别模型中选择与硬件配置信息匹配的模型作为目标人脸识别模型。最后，将目标人脸识别模型配置到门禁设备中，以使门禁设备可以根据此目标人脸识别算法提供安防服务。在上述适配过程中，由于备选人脸识别模型都是已经预先收集到的，因此，可以为门禁设备自动适配人脸识别模型，从而提高门禁设备的配置效率。
137.可选地，与图3所示实施例相同的，用户也可以在门禁设备上安装的配置软件提供的操作界面上输入第一模型属性，则配置服务器可以同时根据门禁设备的硬件配置信息以及第一模型属性确定目标人脸识别模型。
138.另外，需要说明的有，在智能安防领域中，由于验证人员的身份往往需要一个参照，因此，需要执行上述实施例中的步骤403，以得到可以作为参照的第一面部图像的图像特征。再将第一面部图像的图像特征和目标人脸识别模型一并配置到门禁设备中，以使门禁设备实现身份识别。而在其他领域，比如上述的智能物流领域或者智能交通领域，与待配置设备适配的是目标检测模型，直接利用此目标检测模型即可实现货物或者车辆的检测，无需参照，因此，只需按照图2或图3所示实施例的方式将确定出的目标算法模型适配到待配置设备即可。
139.在智能安防领域中，上述的配置系统中的待配置设备即物联网设备具体可以表现为门禁设备。此时，图7为本发明实施例提供的又一种设备配置方法的流程图。该方法的执行主体可以是门禁设备。如图7所示，该方法包括如下步骤：
140.s501，发送门禁设备的硬件配置信息。
141.s502,接收从备选算法模型中确定出的与硬件配置信息匹配的目标算法模型以及已注册人员的面部图像的图像特征。
142.s503，根据目标算法模型和图像特征配置门禁设备。
143.门禁设备中可以安装有与配置服务器配套的配置软件。此配置软件在待配置设备上运行后，即可收集并发送门禁设备的硬件配置信息至配置服务器。
144.接着，配置服务器可以从备选算法模型中确定与接收到的硬件配置信息匹配的目标算法模型。在实际中，目标算法模型具体可以表现为人脸识别模型。之后，配置服务器再将预先收集到的已注册人员的面部图像输入此目标算法模型中，以由此目标算法模型提取出已注册人员的面部图像的图像特征。配置服务器会同时将目标算法模型以及模型提取出的图像特征发送至门禁设备。
145.最终，门禁设备接收配置服务器发送的目标算法模型和图像特征，并根据二者配置门禁设备，也即是成功完成配置，此时，门禁设备具有身份识别能力。
146.本实施例中，通过发送门禁设备的硬件配置信息，再借助配置服务器可以实现门
禁设备中算法模型的自动配置，从而提高配置效率。并且为门禁设备配置的算法模型又是与门禁设备的硬件配置信息匹配的，因此，也提高了算法模型配置的准确性。
147.对于图7所示实施例中的门禁设备，其可以设置与工业园区或者社区门口。如图8所示，其具体可以包括：控制组件以及图像采集组件，其中，控制组件包括存储器和处理器。
148.图像采集组件用于采集已注册人员的面部图像，并将采集到的图像发送至配置服务器。可选地，图像采集组件可以为摄像头等。
149.门禁设备的处理器，用于发送门禁设备的硬件配置信息；接收从备选算法模型中确定出的与硬件配置信息匹配的目标算法模型，以及已注册人员的面部图像的图像特征；根据目标算法模型和已注册的面部图像特征配置门禁设备。其中，处理器接收到的目标算法模型可以存储于门禁设备的存储器中。
150.门禁设备中处理器的具体工作过程可以参见图7所示实施例中的相关描述，在此不再赘述。
151.为了便于理解，可以结合智能安防领域对以上提供的设备配置系统和方法的具体实现过程进行示例性说明。
152.在此领域中，待配置设备为工业园区门口安装的门禁设备，则在门禁设备正式投入之前可以先按照下述过程进行人脸识别模型和门禁设备的适配：
153.门禁设备上可以安装有与配置服务器配套的配置软件，配置软件运行后即可获取门禁设备的硬件配置信息。其中，硬件配置信息可以包括：门禁设备的处理器类型为cpu，门禁设备的内存为8g，摄像头像素为500万。可选地，门禁设备的维护人员还可以将对人脸识别模型的要求即第一模型属性，输入配置软件提供的操作界面上，第一模型属性即门禁设备的使用环境是室外，人脸识别模型的准确度为90％。
154.门禁设备的维护人员可以预先收集门禁设备常见的硬件配置信息以及对人脸识别模型的常见要求。则配置服务器可以根据收集到的内容预先训练出适配与不同硬件配置信息以及不同要求的人脸识别模型，即备选人脸识别模型1～备选人脸识别模型3。
155.其中，备选人脸识别模型1的模型属性为：使用环境为室内，识别准确度为80％，与备选人脸识别模型1关联的硬件配置信息包括处理器类型为gpu,设备内存为8g，摄像头的像素为200万。
156.备选人脸识别模型2的模型属性为：使用环境为室外，识别准确度为80％，与备选人脸识别模型2关联的硬件配置信息包括处理器类型为cpu,设备内存为8g，摄像头的像素为500万。
157.备选人脸识别模型3的模型属性为：使用环境为室外，识别准确度为90％，与备选人脸识别模型3关联的硬件配置信息包括处理器类型为gpu,内存为4g，摄像头的像素为400万。
158.配置服务器可以根据门禁设备的硬件配置信息以及第一模型属性，选择备选人脸识别模型2作为适配门禁设备的目标人脸识别模型。
159.上述选择结果表明：在选择目标人脸识别模型时，要优先考虑硬件配置信息之间的差异。因此，虽然备选人脸识别模型3的模型属性与输入的第一模型属性完全相同，但最终还是将与门禁设备的硬件配置信息差异最小的备选人脸识别模型2确定为目标人脸识别模型。
160.之后，配置服务器还可以将本地存储的、已注册人员的第一面部图像输入目标人脸识别模型中，以得到第一面部图像的图像特征。再将图像特征和目标人脸识别模型一并发送至门禁设备。门禁设备下载并安装目标人脸识别也即是完成了人脸识别模型与门禁设备的适配。
161.上述过程可以结合图9理解。
162.完成适配后，门禁设备即可投入正常使用。在使用过程中，门禁设备可以采集准备进入园区的人员a的面部图像1，目标人脸识别模型可以提取面部图像1的图像特征。若面部图像1的图像特征与第一面部图像的图像特征之间的相似度大于或等于预设阈值，则确定人员a是已注册人员，其可以顺利进入园区。
163.若面部图像1的图像特征与第一面部图像的图像特征之间的相似度小于预设阈值，则确定人员a是未注册人员。此时，人员a无法进入园区。同时，对于这种情况，门禁设备的维护人员还可以在门禁设备中配置软件提供的操作界面上触发注册操作，获取并保存将人员a的面部图像1，从而完成此人员a的注册，人员a的面部图像也会更新到第一面部图像中。
164.在实际应用中，备选人脸识别模型也需要进行不断更新，以适应不断更新的设备的硬件配置信息以及维护人员逐渐丰富的需求。对于备选人脸识别模型的更新，一种可选地方式，配置服务器可以定时更新。另一种可选地方式，若确定出的目标人脸识别模型与门禁设备之间的匹配度小于预设阈值，则配置服务器可以开始模型训练，以训练出匹配度高于或等于预设阈值的新增人脸识别算法，并将此新增人脸识别算法更新到备选人脸识别模型中。
165.在得到此目标人脸识别模型与门禁设备之间的匹配度后，配置服务器还可以将其发送给门禁设备。可选地，维护人员可以定期或根据接收到的匹配度触发模型的更新操作，以使配置服务器重新为门禁设备适配人脸识别模型。
166.维护人员可以根据此匹配度在门禁设备中配置软件提供的操作界面上触发模型的更新操作，以使配置服务器开始新增人脸识别模型的训练，从而实现备选人脸识别模型的更新。
167.可选地，在门禁设备的实际使用过程中，还有可能存在更换使用场景，或者对人脸识别模型的准确度有新要求的情况，此时，门禁设备的维护人员可以在门禁设备中配置软件提供的操作界面上触发第一模型属性的修改操作，配置服务器可以根据获取到的修改内容以及门禁设备的硬件配置信息重新为其确定目标人脸识别模型。
168.为了便于理解，还可以结合智能交通领域对以上提供的设备适配系统和方法的具体实现过程进行示例性说明。
169.在此领域中，待配置设备具体为检测服务器，此检测服务器用于对车辆或路上的路测设备拍得的道路图像中是否包含车辆进行识别，以根据道路图像中车辆的数量确定道路的拥堵情况。
170.对于检测服务器和目标车辆检测模型之间适配过程：
171.检测服务器上可以安装有与配置服务器配套的配置软件，配置软件运行后即可获取检测服务器的硬件配置信息。其中，硬件配置信息可以包括：检测服务器的处理器类型为cpu，检测服务器的内存为8g。可选地，检测服务器的维护人员还可以将对目标车辆检测模
型的要求即第一模型属性输入配置软件提供的操作界面上，由于待检测道路图像是在室外环境拍摄的，因此，检测服务器的维护人员输入的第一模型属性包括检测服务器的使用环境为室外，以及目标车辆检测模型的准确度为90％。
172.检测服务器的维护人员可以预先收集服务器常见的硬件配置信息以及对目标车辆检测模型的常见要求。则配置服务器可以根据收集到的内容预先训练出适配与不同硬件配置信息以及不同要求的目标车辆检测模型，即备选车辆检测模型1～备选车辆检测模型3。
173.其中，备选车辆检测模型1的模型属性为：使用环境为室内，检测准确度为80％，与备选车辆检测模型1关联的硬件配置信息包括处理器类型为gpu,设备内存为8g。
174.备选车辆检测模型2的模型属性为：使用环境为室外，检测准确度为80％，与备选车辆检测模型2关联的硬件配置信息包括处理器类型为cpu,设备内存为8g。
175.备选车辆检测模型3的模型属性为：使用环境为室外，识别准确度为90％，与备选车辆检测模型3关联的硬件配置信息包括处理器类型为gpu,设备内存为4g。
176.配置服务器可以根据检测服务器的硬件配置信息以及维护人员输入的第一模型属性，将备选车辆检测模型2确定为适配检测服务器的目标车辆检测模型。
177.上述选择结果表明：要优先考虑硬件配置信息之间的差异来选择目标车辆检测模型，因此，虽然备选车辆检测模型3的模型属性与输入的第一模型属性完全相同，但最终还是选择与检测服务器的硬件配置信息差异最小的备选车辆检测模型2作为目标车辆检测模型。
178.之后，配置服务器可以将目标车辆检测模型发送至检测服务器。检测服务器下载并安装目标车辆检测模型也即是完成了车辆检测模型与检测服务器之间的适配。
179.上述过程可以结合图10理解。
180.完成适配后，检测服务器即可正常投入使用。检测服务器即可以获取到车辆或者路测设备采集的道路图像，并利用目标车辆检测模型检测道路图像中是否包含车辆以及车辆的数量，从而确定道路的拥堵情况。
181.以下将详细描述本发明的一个或多个实施例的设备配置装置。本领域技术人员可以理解，这些设备适配装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
182.图11为本发明实施例提供的一种设备配置装置的结构示意图，如图7所示，该装置包括：
183.信息获取模块11，用于获取待配置设备的硬件配置信息。
184.模型确定模块12，用于在备选算法模型中，确定与所述硬件配置信息匹配的目标算法模型。
185.发送模块13，用于发送所述目标算法模型至所述待配置设备，以使所述待配置设备配置所述目标算法模型并使用所述目标算法模型提供服务。
186.可选地，所述装置还包括：属性获取模块21，用于获取用户输入的第一模型属性，所述第一模型属性包括算法模型的目标使用环境和/或目标准确度。
187.所述模型确定模块12，用于在备选算法模型中，根据所述待配置设备的硬件配置信息以及所述第一模型属性，确定所述目标算法模型。
188.可选地，所述模型确定模块12具体用于：
189.获取所述备选算法模型与硬件配置信息之间的关联关系，以及所述备选算法模型各自的第二模型属性，所述第二模型属性包括所述备选算法模型的参考使用环境和/或参考准确度；
190.根据所述第一模型属性和所述第二模型属性之间的差异，以及所述待配置设备的硬件配置信息和与所述备选算法模型关联的硬件配置信息之间的差异，确定所述备选算法模型与所述待配置设备之间的匹配度；
191.根据所述匹配度从所述备选算法模型中确定所述目标算法模型。
192.可选地，所述装置还包括：训练模块22和模型更新模块23。
193.所述训练模块22，用于若所述待配置设备和所述目标算法模型之间的匹配度小于预设阈值，则训练与所述待配置设备的匹配度不低于所述预设阈值的新增算法模型。
194.所述模型更新模块23，用于根据所述新增算法模型更新所述备选算法模型。
195.所述模型确定模块12，用于将所述新增算法模型确定为所述目标算法模型。
196.可选地，所述目标算法模型包括目标人脸识别模型，所述待配置设备包括门禁设备；
197.所述装置还包括：输入模块24，用于将已注册人员的第一面部图像输入所述目标人脸识别模型中，以由所述目标人脸识别模型输出所述第一面部图像的图像特征。
198.所述发送模块13，用于发送所述第一面部图像的图像特征和所述目标人脸识别模型至所述门禁设备。
199.可选地，所述装置还包括：图像获取模块25、注册模块26和图像更新模块27。
200.所述图像获取模块25，用于获取所述门禁设备采集到的未注册人员的第二面部图像。
201.所述注册模块26，用于响应于用户触发的注册操作，对所述未注册人员进行注册。
202.所述图像更新模块27，用于根据所述第二面部图像更新所述第一面部图像。
203.图11所示的装置可以执行图2、图3和图6所示实施例的方法，本实施例未详细描述的部分，可参考对图2、图3和图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图2、图3和图6所示实施例中的描述，在此不再赘述。
204.以上描述了设备配置装置的内部功能和结构，在一个可能的设计中，设备配置装置的结构可实现为一电子设备，如图12所示，该电子设备可以包括：处理器31和存储器32。其中，所述存储器32用于存储支持该电子设备执行上述图2、图3和图6所示实施例中提供的设备配置方法的程序，所述处理器31被配置为用于执行所述存储器32中存储的程序。
205.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器31执行时能够实现如下步骤：
206.获取待配置设备的硬件配置信息；
207.在备选算法模型中，确定与所述硬件配置信息匹配的目标算法模型；
208.发送所述目标算法模型至所述待配置设备，以使所述待配置设备配置所述目标算法模型并使用所述目标算法模型提供服务。
209.可选地，所述处理器31还用于执行前述图2、图3和图6所示实施例中的全部或部分步骤。
210.其中，所述电子设备的结构中还可以包括通信接口33，用于该电子设备与其他设备或通信网络通信。
211.另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述图2、图3和图6所示方法实施例中设备配置方法所涉及的程序。
212.图13为本发明实施例提供的另一种设备配置装置的结构示意图，如图13所示，该装置包括：
213.发送模块41，用于发送所述物联网设备的硬件配置信息。
214.接收模块42，用于接收从备选算法模型中确定出的与所述硬件配置信息匹配的目标算法模型。
215.配置模块43，用于根据所述目标算法模型配置所述物联网设备。
216.图13所示的装置可以执行图4所示实施例的方法，本实施例未详细描述的部分，可参考对图4所示实施例的相关说明。该技术方案的执行过程和技术效果参见图4所示实施例中的描述，在此不再赘述。
217.以上描述了设备适配装置的内部功能和结构，在一个可能的设计中，设备适配装置的结构可实现为一电子设备，如图14所示，该电子设备可以包括：处理器44和存储器45。其中，所述存储器45用于存储支持该电子设备执行上述图4所示实施例中提供的设备适配方法的程序，所述处理器44被配置为用于执行所述存储器45中存储的程序。
218.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器44执行时能够实现如下步骤：
219.发送所述物联网设备的硬件配置信息；
220.接收从备选算法模型中确定出的与所述硬件配置信息匹配的目标算法模型；
221.根据所述目标算法模型配置所述物联网设备。
222.可选地，所述处理器44还用于执行前述图4所示实施例中的全部或部分步骤。
223.其中，所述电子设备的结构中还可以包括通信接口46，用于该电子设备与其他设备或通信网络通信。
224.另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述图4所示方法实施例中设备配置方法所涉及的程序。
225.图15为本发明实施例提供的又一种设备配置装置的结构示意图，如图15所示，该装置包括：
226.发送模块51，用于发送所述门禁设备的硬件配置信息。
227.接收模块52，用于接收从备选算法模型中确定出的与所述硬件配置信息匹配的目标算法模型以及已注册人员的面部图像的图像特征。
228.配置模块53，用于根据所述目标算法模型和所述图像特征配置门禁设备。
229.图15所示的装置可以执行图7所示实施例的方法，本实施例未详细描述的部分，可参考对图7所示实施例的相关说明。该技术方案的执行过程和技术效果参见图7所示实施例中的描述，在此不再赘述。
230.以上描述了设备适配装置的内部功能和结构，在一个可能的设计中，设备适配装置的结构可实现为一电子设备，如图16所示，该电子设备可以包括：处理器54和存储器55。
其中，所述存储器55用于存储支持该电子设备执行上述图7所示实施例中提供的设备适配方法的程序，所述处理器54被配置为用于执行所述存储器55中存储的程序。
231.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器54执行时能够实现如下步骤：
232.发送所述门禁设备的硬件配置信息；
233.接收从备选算法模型中确定出的与所述硬件配置信息匹配的目标算法模型以及已注册人员的面部图像的图像特征；
234.根据所述目标算法模型和所述图像特征配置门禁设备。
235.可选地，所述处理器54还用于执行前述图7所示实施例中的全部或部分步骤。
236.其中，所述电子设备的结构中还可以包括通信接口56，用于该电子设备与其他设备或通信网络通信。
237.另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述图7所示方法实施例中设备配置方法所涉及的程序。
238.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。