CN104992075B - 一种基于大数据的多源信息关联方法和装置 - Google Patents

Abstract

本发明提供一种基于大数据的多源信息关联方法和装置，包括：采集包含手机MAC地址和人脸的N个样本，其中每一个样本的手机MAC地址和人脸在同一地点采集；从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合；针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R；根据置信度R确定该MAC地址绑定一组相同人脸是否成功。本发明的方案基于大数据的规律性定律，解决了视频监控系统采集的人脸数据和WIFI AP采集的手机MAC地址两个纬度的人员身份数据对同一目标建立绑定关系的问题。

Description

一种基于大数据的多源信息关联方法和装置

技术领域

本发明涉及大数据技术领域，尤其涉及一种基于大数据的多源信息关联方法和装置。

背景技术

随着机器视觉、智能传感器、大数据等新技术的引入，安防监控系统逐步走向智能化。对运动目标的检测、识别、跟踪、时空轨迹分析，已经成为安防监控行业需要解决的关键问题之一。其中，对运动目标的身份识别是上述问题解决的基础，因为只有识别出目标的唯一身份，才能基于目标汇总海量时空点数据，从而可以对目标的时空活动轨迹做进一步的分析。

从安防的运动目标来看，主要分成车和人。

无论是基于监控视频图像数据、还是智能传感器数据，对车的身份识别技术相对比较成熟。在智能交通系统中，智能卡口、电警等前端设备可以在各种背景环境下，较稳定的提取出经过车辆的车牌、车型、车身颜色等各维度的数据。通过“车牌+车型”的组合识别，系统可以实现对车辆的唯一身份识别。基于RFID等传感器设备，可以通过RFID阅读器，捕获所经过车辆的唯一电子车牌的身份数据，从而可以实现对车辆的唯一身份识别。

在基于视频图像数据对人员进行身份识别方面，目前主要采用的是人脸特征提取与识别技术。该技术方案一般实现如下：在封闭场所的入口，部署人员卡口相机。该相机能够自动捕获经过人员的人脸区域图片，并将图片发送到后台的人脸识别设备。人脸识别设备通过人脸特征提取算法，从图片中提取出人脸的关键特征向量数据。然后，按照一定的匹对算法，将该特征向量与所存储的海量人脸特征数据逐一进行匹对。

如果匹对计算得到的置信度值达到阈值，则认为两张人脸图片很可能是同一目标的人脸。

安防领域的视频图像具有特殊性，气候条件不固定(晴天、雨天、雾霾天、雪天、大风、风沙)、光照条件不固定(顺光、逆光、强光、雨天反光、阴影)、视频场景复杂多样(室内、室外)、人脸种类繁多等等，很难找到一种很好的具有很强辨别力的模型，能够把不同类别的人脸样本特征在特征空间中，完美的做聚类与划分。

因此，基于人脸特征数据对人进行目标身份识别，应用范围有限，只能在某些背景环境相对固定(出入口)、光照条件较好(白天)的场景下进行应用，尚无法推广到各种复杂场景下。

发明内容

有鉴于此，本发明提供一种基于大数据的多源信息关联方法和装置。该方法和装置用于关联手机MAC地址和人脸。

该基于大数据的多源信息关联方法包括：采集包含手机MAC地址和人脸的N个样本，其中每一个样本的手机MAC地址和人脸在同一地点采集；从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合；针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R；如果该MAC地址绑定某一组相同人脸的置信度大于第二预设阈值，且与该MAC地址绑定其他任何一组相同人脸的置信度的差大于第三预设阈值，则该MAC地址绑定该某一组相同人脸成功；如果该MAC地址绑定任何一组相同人脸的置信度均小于第四预设阈值，则该MAC地址绑定人脸失败；如果该MAC地址绑定一组相同人脸的置信度和绑定另一组人脸的置信度相同或者差值小于第五预设阈值，则该MAC地址绑定人脸失败。

该基于大数据的多源信息关联装置包括：样本采集模块，用于采集包含手机MAC地址和人脸的N个样本，其中每一个样本的手机MAC地址和人脸在同一地点采集；MAC地址筛选模块，用于从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合；置信度计算模块，用于针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R；绑定模块，用于如果该MAC地址绑定某一组相同人脸的置信度大于第二预设阈值，且与该MAC地址绑定其他任何一组相同人脸的置信度的差大于第三预设阈值，则该MAC地址绑定该某一组相同人脸成功；如果该MAC地址绑定任何一组相同人脸的置信度均小于第四预设阈值，则该MAC地址绑定人脸失败；如果该MAC地址绑定一组相同人脸的置信度和绑定另一组人脸的置信度相同或者差值小于第五预设阈值，则该MAC地址绑定人脸失败。

相较于现有技术，本发明的方案基于大数据的规律性定律，解决了视频监控系统采集的人脸数据和WIFIAP采集的手机MAC地址两个纬度的人员身份数据对同一目标建立绑定关系的问题。

附图说明

图1是本发明实施例流程图。

图2是数据采集区域示例图。

图3是样本示例图。

图4是本发明实施例装置逻辑结构图。

具体实施方式

目前，智能手机越来越普及，已经逐步成为了人们的必备物品。智能手机上一般安装了微信、网上银行等与人员身份强绑定的服务软件，因此手机MAC地址可以逐步成为人员身份的一种标识。

在城市的某些地点(比如宾馆、咖啡店、机场等)，免费WIFI已经成为一种比较普遍的服务。

利用智能手机自动扫描WIFI网络的特性，提供WIFI服务的AP可以自动获取到手机MAC地址、手机与AP的距离等信息。利用这些数据，可以进一步得到人员活动的时空轨迹。

但是通过WIFIAP采集到的数据，只有手机MAC地址数据，与安防监控系统的海量视频数据之间没有关联关系。既无法通过视频进行人员身份确认，同时也无法对人员的具体行为进行分析，在安防监控领域的应用有限。

本发明基于大数据的规律性定律，解决安防视频监控系统采集的人脸、WIFIAP采集的手机MAC地址两个维度的人员身份数据对同一目标(人)建立绑定关系的问题。

当对同一目标(人)建立多纬度的身份标识数据之后，后续只要能够采集到任一纬度的数据，就可以认为目标在当前时空点出现，从而有效扩展人员定位的应用场景，为人员时空轨迹分析打下更好的数据基础。以下通过具体实施例详细说明。

实施例一

请参图1所示的一种建立手机MAC地址和人脸绑定关系的流程图。

S11、在同一地点采集包含手机MAC地址和人脸的N个样本。

为保障在同一地点尽可能完整的采集到同一目标(人)的人脸和手机MAC数据，采集地点需要是封闭区域。在区域的出入口位置安装人脸卡口相机，这样只要人员进入该区域，就能够采集到人脸。WIFIAP采集的手机MAC地址需要是进入该封闭区域的人员的手机MAC地址，所以WIFIAP需要能够基于手机与AP的距离、AP与封闭区域边缘的大致距离等进行数据过滤，只采集封闭区域内的手机MAC地址。采集地点最好是同一目标(人)频繁出现的地点，比如小区、宾馆、咖啡店、博物馆、超市、银行等。

请参图2给出一个数据采集区域示例图。圆形区域为WIFIAP的信号覆盖范围，该范围内的智能手机全部能检测到。扇形区域为摄像机的数据采集范围，当人员进入该区域时，相机就捕获进入该区域的人脸。

一个样本采集的例子如下：该样本是在一小区采集的数据，采集时间为下午5点～8点进入小区的人的人脸数据和这些人的手机MAC地址，这些人脸数据和手机MAC地址构成一个样本。连续采集N天，这样就得到N个样本。图3给出了一个样本的示例。

S12、从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合。

比如说第一预设阈值可以设置为N/10，若N为1000，则第一预设阈值为100。当MAC1出现在样本1、样本5、样本16、样本32等100个以上样本中时，MAC1被选出。通过该步骤S12，可以筛选出若干个MAC地址。

S13、针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R。

以MAC1为例，计算该MAC1绑定其所在M个样本中的一组相同人脸的置信度R包括：1)获取该M个样本中的一组相同人脸各自的采集时间，计算每一个所述相同人脸采集时间与同一样本中MAC1采集时间的差值T；2)根据每一个差值T计算子置信度；3)置信度R等于各子置信度的和。差值T越小，子置信度越大，置信度R越大。

以表1给出的数据为例来说明置信度R的计算过程。请参表1，该表的第1列表示MAC1出现的M个样本，该表的第2列表示样本包含的人脸。从该表可以看出，MAC1出现在样本1、样本5、样本16……样本S这M个样本中；其中，样本1包含人脸1、人脸2、人脸3、人脸4…...人脸n1；样本5包含人脸1、人脸4、人脸7、人脸8……人脸n2；样本16包含人脸1、人脸3、人脸4、人脸19……人脸n3；样本S包含人脸1、人脸12、人脸19、人脸25……人脸ni。

样本1	人脸1、人脸2、人脸3、人脸4……人脸n1
		样本5	人脸1、人脸4、人脸7、人脸8……人脸n2
样本16	人脸1、人脸3、人脸4、人脸19……人脸n3
		……	……
样本S	人脸1、人脸12、人脸19、人脸25……人脸ni

表1

样本1中的人脸1、样本5中的人脸1、样本16中的人脸1以及其它相关样本(相关样本指MAC1所在样本)中的人脸1是MAC1所在的M个样本中一组相同人脸；样本1中的人脸2以及其他相关样本中的人脸2是MAC1所在M个样本中的又一组相同人脸；样本1中的人脸3、样本16中的人脸3以及其他相关样本中的人脸3是MAC1所在M个样本中的又一组相同人脸。MAC1所在的M个样本中存在若干组相同的人脸，这里不再一一举例说明。

下面以MAC1绑定人脸1的置信度R为例来说明上述置信度R的计算过程。

获取样本1中的人脸1的采集时间t1、样本5中的人脸1的采集时间t2、样本16中的人脸1的采集时间t3以及其它相关样本中的人脸1的采集时间。如果样本1中的MAC1的采集时间为t1’，样本5中的MAC1的采集时间为t2’，样本16中的MAC1的采集时间为t3’，其他相关样本中的MAC1的采集时间不再列举；上述每一个人脸1的采集时间与同一样本中MAC1采集时间的差值T分别为：|t1-t1’|，|t2-t2’|，|t3-t3’|……。||表示绝对值，省略号表示省略其他相关样本中人脸采集时间与MAC1采集时间的差值。

每个人脸1的采集时间与同一样本中MAC1采集时间的差值T越小，人脸1和MAC1属于同一人的可能性越大，所以可以用小于1的常数的T次方来计算子置信度r，然后将各子置信度r相加得到置信度R。这里将小于1的常数k称为置信度基数，可以选取经验值0.8。为了计算方便，可以对差值T进行调整，比如说将T(以分钟为单位)/60得到的结果作为时间差单元数i，然后以置信度基数的i次方作为子置信度，将所有的子置信度相加得到置信度R。按照前述例子，前述式子中，每一个加数为一个子置信度。这里的子置信度的计算方法是一个例子，本发明不排除其他子置信度的计算方法。

MAC1绑定其他组人脸，比如说人脸2、人脸3等的置信度的计算方法同上，这里不再赘述。

步骤S12中筛选出的除MAC1外的其他MAC地址绑定其所在样本中的每一组相同人脸的置信度R的计算方法参照上文，这里也不再描述。

S14、根据置信度R确定该MAC地址绑定一组相同人脸是否成功。

如果该MAC地址绑定某一组相同人脸的置信度大于第二预设阈值，且与该MAC地址绑定其他任何一组相同人脸的置信度的差大于第三预设阈值，则该MAC地址绑定该某一组相同人脸成功；如果该MAC地址绑定任何一组相同人脸的置信度均小于第四预设阈值，则该MAC地址绑定人脸失败；如果该MAC地址绑定一组相同人脸的置信度和绑定另一组人脸的置信度相同或者差值小于第五预设阈值，则该MAC地址绑定人脸失败。

比如说MAC1绑定人脸1的置信度超过100，且远远大于MAC1绑定其他人脸的置信度，就可以认为该MAC1和人脸1绑定成功，即MAC1和人脸1属于同一个人。如果MAC1绑定任何一组相同人脸的置信度均小于20，则该MAC1绑定人脸失败，即不能找出该MAC1和哪个人脸属于同一个人。如果MAC1绑定人脸1和绑定人脸2的置信度差别不大，比如说一个为110，一个为115，则不能确定该MAC1和人脸1是同一个人还是该MAC1和人脸2是同一个人，所以绑定失败。

对于绑定失败的情况，可以通过增加样本的方式重新进行绑定。

实施例二

实施例二和实施例一的主要区别在于样本不在唯一的一个地点采集，而是在多个地点进行采集。比如说，N个样本，有的在咖啡馆采集，有的在图书馆采集，有的则在小区采集等等。在进行手机MAC地址和人脸绑定置信度计算的时候不仅考虑时间相关性(对于同一样本，如果某个手机MAC与某个人脸特征序列的采集时间越接近，则两者存在绑定关系的置信度越高)，而且还要考虑空间相关性(对于同一地点，某个手机MAC地址与某个人脸出现次数越多，则两者存在绑定关系的置信度越高)。下面对实施例二进行详细说明。

S21、采集包含手机MAC地址和人脸的N个样本，其中每一个样本的手机MAC地址和人脸在同一地点采集。

一个样本采集的例子如下：在某天的特定时间段，比如上午8点到12点，分别在20个不同的地点采集手机MAC地址和人脸，这样就得到20个样本；连续采集N/20天，这样就得到N个样本，N建议大于10000。不同地点也可以选择不同的采集时间；数据采集时间可以选择人流量大的时间。

同样，为保障在同一地点尽可能完整的采集到同一目标(人)的人脸和手机MAC数据，采集地点需要是封闭区域。在区域的出入口位置安装人脸卡口相机，WIFIAP采集的手机MAC地址需要是进入该封闭区域的人员的手机MAC地址。采集地点最好是同一目标(人)频繁出现的地点，比如宾馆、咖啡店、博物馆、超市、银行等。

S22、从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合。

S23、针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R。

对于步骤S23，又可以分别计算影响置信度R的两个因子：相同人脸在同一地点分别出现的次数Li(i为1时，L1表示相同人脸在地点1出现的次数)以及同一地点采集的该组相同人脸绑定MAC地址的置信度Ri(i表示地点，当i为1时，R1表示地点1采集的一组相同人脸绑定MAC1的置信度)。

然后根据上述两个因子计算总的置信度R。

参表2，MAC1出现在样本1、样本5、样本16……样本S这M个样本中；其中，样本1的采集地点为：地点1，包含人脸1、人脸2、人脸3、人脸4…...人脸n1；样本5的采集地点为：地点2，包含人脸1、人脸4、人脸7、人脸8……人脸n2；样本16的采集地点为：地点1，包含人脸1、人脸3、人脸4、人脸19……人脸n3；样本S的采集地点为：地点k，包含人脸1、人脸12、人脸19、人脸25……人脸ni。

表2

在计算MAC1绑定人脸1的置信度R的时候，确定人脸1在地点1出现的次数，从表2可以看出，样本1、样本16的采集地点均为地点1，这两个样本中均有人脸1，这样人脸1就出现了2次；同样，如果MAC1出现的其他样本，采集地点为地点1，且该其他样本中包含人脸1，则人脸1出现的次数再进行累加。这样，就能基于MAC1所在的样本得到人脸1在地点1出现的次数。同样的，可以得到其他人脸在各地点出现的次数。

在计算同一地点采集的一组相同人脸绑定MAC地址的置信度Ri时，可以参考实施例一的方法。比如说，计算地点1采集的人脸1绑定MAC1的置信度时，只要计算出现在样本1、样本16等地点1采集的样本中的人脸1绑定MAC1的置信度。

在根据一组相同人脸在同一地点出现的次数和同一地点采集的该组相同人脸绑定MAC地址的置信度Ri计算置信度R时可以采用下面的公式：

其中，∑Ri表示各地点采集的一组相同人脸绑定MAC地址的置信度之和；∑Li表示一组相同人脸在不同地点出现的次数之和，a表示该组相同人脸出现地点的数量。

还是以MAC1绑定人脸1为例进行说明。假设MAC1出现在样本1～样本20，其中样本1～样本5的采集地点为地点1，样本6～样本10的采集地点为地点2，样本11～样本15的采集地点为地点3，样本16～样本20的采集地点为地点4。人脸1出现在样本1～样本4，样本16～样本18。这样人脸1在地点1出现了4次，在地点4出现了3，总共出现了7次。所以，∑Li的值为7。对于地点1，假设MAC1绑定人脸1的置信度为3，对于地点4，假设

MAC1绑定人脸1的置信度为1.8，则R＝(3*(4/7)+1.8*(3/7))*(3+1.8)/2。

MAC1绑定其他组人脸，比如说人脸2、人脸3等的置信度的计算方法同上，这里不再赘述。

步骤S22中筛选出的除MAC1外的其他MAC地址绑定其所在样本中的每一组相同人脸的置信度R的计算方法参照上文，这里也不再描述。

本发明的方案基于大数据的规律性定律，解决了“视频监控系统采集的人脸数据、WIFIAP采集的手机MAC地址等两个纬度的人员身份数据对同一目标(人)建立绑定关系”的问题。对同一目标(人)建立多纬度的身份标识数据之后，后续只要能够采集到任一纬度的数据，就可以认为目标在当前时空点出现，从而有效扩展人员定位的应用场景，从而为人员时空轨迹分析打下更好的数据基础。

基于同样的构思，本发明还提供一种基于大数据的多源信息关联装置，该装置用于关联手机MAC地址和人脸，该装置包括：样本采集模块、MAC地址筛选模块、置信度计算模块和绑定模块，请参图4。

样本采集模块，用于采集包含手机MAC地址和人脸的N个样本，其中每一个样本的手机MAC地址和人脸在同一地点采集。

MAC地址筛选模块，用于从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合。

置信度计算模块，用于针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R。

绑定模块，用于如果该MAC地址绑定某一组相同人脸的置信度大于第二预设阈值，且与该MAC地址绑定其他任何一组相同人脸的置信度的差大于第三预设阈值，则该MAC地址绑定该某一组相同人脸成功；如果该MAC地址绑定任何一组相同人脸的置信度均小于第四预设阈值，则该MAC地址绑定人脸失败；如果该MAC地址绑定一组相同人脸的置信度和绑定另一组人脸的置信度相同或者差值小于第五预设阈值，则该MAC地址绑定人脸失败。

当N个样本均在同一地点采集时，所述置信度计算模块计算置信度包括：获取所述M个样本中的一组相同人脸各自的采集时间，计算该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T；所述置信度R等于各个子置信度的和；其中，每个子置信度根据该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T来计算；所述T越大，则子置信度越小。

置信度计算模块计算子置信度包括：该子置信度等于置信度基数的i次方，其中，置信度基数为小于1的正数，i等于k*T，k为调节常数。

当N个样本不是在同一地点采集的情况下，置信度计算模块计算置信度包括：确定相同人脸在同一地点分别出现的次数Li以及计算同一地点采集的该组相同人脸绑定MAC地址的置信度Ri，根据所述Li和Ri以及该组人脸出现的地点数量a计算所述置信度R；该置信度模块计算置信度Ri时包括：获取同一地点采集的该组相同人脸各自的采集时间，计算同一地点采集的该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T；所述置信度Ri等于各个子置信度的和；其中，每个子置信度根据同一地点该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T来计算；所述T越大，则子置信度越小。

置信度计算模块按照如下公式计算置信度R： 其中，∑Ri表示各地点采集的一组相同人脸绑定MAC地址的置信度之和；∑Li表示一组相同人脸在不同地点出现的次数之和。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种基于大数据的多源信息关联方法，该方法用于关联手机MAC地址和人脸，其特征在于，该方法包括：

采集包含手机MAC地址和人脸的N个样本，其中每一个样本的手机MAC地址和人脸在同一地点采集；

从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合；

针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R；

如果该MAC地址绑定某一组相同人脸的置信度大于第二预设阈值，且与该MAC地址绑定其他任何一组相同人脸的置信度的差大于第三预设阈值，则该MAC地址绑定该某一组相同人脸成功；如果该MAC地址绑定任何一组相同人脸的置信度均小于第四预设阈值，则该MAC地址绑定人脸失败；如果该MAC地址绑定一组相同人脸的置信度和绑定另一组相同人脸的置信度相同或者差值小于第五预设阈值，则该MAC地址绑定人脸失败。

2.如权利要求1所述的方法，其特征在于，当N个样本均在同一地点采集时，所述针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R包括：

获取所述M个样本中的一组相同人脸各自的采集时间，计算该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T；

所述置信度R等于各个子置信度的和；其中，每个子置信度根据该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T来计算；所述T越大，则子置信度越小。

3.如权利要求2所述的方法，其特征在于，所述每个子置信度根据该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T来计算包括：

该子置信度等于置信度基数的i次方，其中，置信度基数为小于1的正数，i等于k*T，k为调节常数。

4.如权利要求1所述的方法，其特征在于，当N个样本不是在同一地点采集的情况下，所述针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R包括：

确定相同人脸在同一地点分别出现的次数Li以及计算同一地点采集的该组相同人脸绑定MAC地址的置信度Ri，根据所述Li和Ri以及该组相同人脸出现的地点数量a计算所述置信度R；

其中，计算置信度Ri包括：

获取同一地点采集的该组相同人脸各自的采集时间，计算同一地点采集的该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T；

所述置信度Ri等于各个子置信度的和；其中，每个子置信度根据同一地点该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T来计算；所述T越大，则子置信度越小。

5.如权利要求4所述的方法，其特征在于，所述置信度R按照如下公式计算：其中，∑Ri表示各地点采集的一组相同人脸绑定MAC地址的置信度之和；∑Li表示一组相同人脸在不同地点出现的次数之和。

6.一种基于大数据的多源信息关联装置，该装置用于关联手机MAC地址和人脸，其特征在于，该装置包括：

样本采集模块，用于采集包含手机MAC地址和人脸的N个样本，其中每一个样本的手机MAC地址和人脸在同一地点采集；

MAC地址筛选模块，用于从N个样本中筛选出出现次数超过第一预设阈值的手机MAC地址集合；

置信度计算模块，用于针对集合中的每一个MAC地址，计算该MAC地址绑定其所在M个样本中的每一组相同人脸的置信度R；

绑定模块，用于如果该MAC地址绑定某一组相同人脸的置信度大于第二预设阈值，且与该MAC地址绑定其他任何一组相同人脸的置信度的差大于第三预设阈值，则该MAC地址绑定该某一组相同人脸成功；如果该MAC地址绑定任何一组相同人脸的置信度均小于第四预设阈值，则该MAC地址绑定人脸失败；如果该MAC地址绑定一组相同人脸的置信度和绑定另一组相同人脸的置信度相同或者差值小于第五预设阈值，则该MAC地址绑定人脸失败。

7.如权利要求6所述的装置，其特征在于，当N个样本均在同一地点采集时，所述置信度计算模块计算置信度R包括：

获取所述M个样本中的一组相同人脸各自的采集时间，计算该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T；

所述置信度R等于各个子置信度的和；其中，每个子置信度根据该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T来计算；所述T越大，则子置信度越小。

8.如权利要求7所述的装置，其特征在于，置信度计算模块计算子置信度包括：

该子置信度等于置信度基数的i次方，其中，置信度基数为小于1的正数，i等于k*T，k为调节常数。

9.如权利要求6所述的装置，其特征在于，当N个样本不是在同一地点采集的情况下，置信度计算模块计算置信度R包括：

确定相同人脸在同一地点分别出现的次数Li以及计算同一地点采集的该组相同人脸绑定MAC地址的置信度Ri，根据所述Li和Ri以及该组相同人脸出现的地点数量a计算所述置信度R；

该置信度模块计算置信度Ri时包括：获取同一地点采集的该组相同人脸各自的采集时间，计算同一地点采集的该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T；所述置信度Ri等于各个子置信度的和；其中，每个子置信度根据同一地点该组相同人脸中的每一个的采集时间与同一样本中的所述MAC地址采集时间的差值T来计算；所述T越大，则子置信度越小。

10.如权利要求9所述的装置，其特征在于，置信度计算模块按照如下公式计算置信度R：其中，∑Ri表示各地点采集的一组相同人脸绑定MAC地址的置信度之和；∑Li表示一组相同人脸在不同地点出现的次数之和。