CN106503631A - 一种人群分析方法及计算机设备 - Google Patents
一种人群分析方法及计算机设备 Download PDFInfo
- Publication number
- CN106503631A CN106503631A CN201610884791.8A CN201610884791A CN106503631A CN 106503631 A CN106503631 A CN 106503631A CN 201610884791 A CN201610884791 A CN 201610884791A CN 106503631 A CN106503631 A CN 106503631A
- Authority
- CN
- China
- Prior art keywords
- component
- mixed coefficint
- hybrid models
- gauss hybrid
- mathematic
- 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.)
- Pending
Links
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
- G06V40/168—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种人群分析方法及计算机设备,其中的方法包括:采集目标区域内的N张人脸图像,所述N为正整数;基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量;将所述N个特征向量进行分类,以获取至少一个分量,所述分量包括至少一个特征向量,每个分量对应一个人物;基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。本发明实施例还公开了相应的计算机设备。本发明实施例提供的技术方案能够实现识别人脸采集区域中频繁出现的人员,并能随时间跟踪频繁出现的人员的动态变化。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种人群分析方法及计算机设备。
背景技术
人脸识别技术在视频监控中已逐步开始应用。人脸识别系统通过提取监控视频中的人脸图像,基于一个已训练好的人脸特征提取模型将提取的人脸图像转化为一个数字化的特征(通常为一个高维特征向量)表达。人脸识别系统通过计算两个特征向量的某种距离度量来判断两张人脸图像的相似度,通常距离度量越小越相似。人脸识别系统的一个具体应用场景是:通过在一个人员活动区域的不同位置部署多个监控摄像机,人脸识别系统获取大规模的人脸数据,包括人脸图像及其对应的特征向量。人脸识别系统通过分析采集到的大规模人脸数据,发现该区域中频繁出现的人员,如居民小区中的常住人口,或一些安全防范区域的徘徊人员,等等。
如果该人员活动区域的人脸数据是固定不变的,那么该区域中频繁出现的人员的一个直接的方法是通过机器学习中的聚类方法,将人脸特征向量在空间中的分布划分为若干簇,每一簇特征向量(及其对应的人脸图像)对应于一个人,从而根据簇的大小估算出不同人员出现的频率。但是,在实际场景中,人脸识别系统中的人脸数据是不断增长的,实际的“常住人口”、“徘徊人员”等也是随时间变化的。针对选定时间范围的数据进行聚类的方法计算复杂度高,无法在人脸数据动态变化的情况下有效的进行常住人口等类似的人群分析。
发明内容
本发明实施例提供了一种人群分析方法及计算机设备,以期能够实现识别人脸采集区域中频繁出现的人员,并能随时间跟踪频繁出现的人员的动态变化。
本发明实施例第一方面提供一种人群分析方法,所述方法包括:
采集目标区域内的N张人脸图像,所述N为正整数;
基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量;
将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同;
基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。
可选的,所述预设人群分析模型包括高斯混合模型,其中,所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数:均值μk、方差Σk以及混合系数πk,所述混合系数πk表示第k个分量xk出现的频率,其中,所述k为正整数。
可选的,所述基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,包括。
基于所述高斯混合模型,针对所述至少一个分量进行分析,针对高斯混合模型的数学表达式中的混合系数πk进行动态估计。
可选的,所述针对高斯混合模型的数学表达式中的混合系数πk进行动态估计,包括:
采用滑动窗口法和期望最大化方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,所述针对高斯混合模型的数学表达式中的混合系数πk进行动态估计,包括:
采用移动平均数方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,如权利要求3所述的方法,其特征在于,所述针对高斯混合模型的数学表达式中的混合系数πk进行动态估计,包括:
基于预设样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μk、方差Σ以及混合系数πk进行初始估计,得到和初始混合系数分布Dir(π|α0);
基于所述以及t时刻的观测数据x,确定混合系数πk的共轭似然函数Multi(m|π),其中,所述t时刻的观测数据不属于所述预设样本;
基于所述混合系数πk的共轭似然函数Multi(m|π),确定所述混合系数πk在t时刻的后验概率为P(π|x)=Dir(π|α+m);
根据所述混合系数πk在t时刻的后验概率预测所述混合系数πk在t+1时刻的先验概率。
本发明实施例第二方面提供一种算机设备,包括:
采集单元,用于采集目标区域内的N张人脸图像,所述N为正整数;
转换单元,用于基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量;
分类单元,用于将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同;
分析单元,用于基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。
可选的,所述预设人群分析模型包括高斯混合模型,其中,所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数:均值μk、方差Σk以及混合系数πk,所述混合系数πk表示第K个分量xk出现的频率,其中,所述k为正整数。
可选的,所述分析单元,具体用于基于所述高斯混合模型,针对所述至少一个分量进行分析,针对高斯混合模型的数学表达式中的混合系数πk进行动态估计。
可选的,所述分析单元,在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于采用滑动窗口法和期望最大化方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,所述分析单元,在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于采用期望最大化方法,针对高斯混合模型的数学表达式中的均值μk、方差Σk以及混合系数πK进行极大似然估计。
可选的,所述分析单元,在用于针对高斯混合模型的数学表达式中的混合系数πk进行动态估计时,具体用于基于预设样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μk、方差Σ以及混合系数πk进行初始估计,得到和初始混合系数分布Dir(π|α0);基于所述以及t时刻的观测数据x,确定混合系数πk的共轭似然函数Multi(m|π),其中,所述t时刻的观测数据不属于所述预设样本;基于所述混合系数πk的共轭似然函数Multi(m|π),确定所述混合系数πk在t时刻的后验概率为P(π|x)=Dir(π|α+m);根据所述混合系数πk在t时刻的后验概率预测所述混合系数πk在t+1时刻的先验概率。
可以看出,本发明实施例技术方案中,首先,计算机设备采集目标区域内的N张人脸图像,所述N为正整数,其次,基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量,并将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同,最后,基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。通过实施本发明实施例能够实现识别人脸采集区域中频繁出现的人员,并能随时间跟踪频繁出现的人员的动态变化。
附图说明
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,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。
图1是本发明第一实施例提供的一种人群分析方法的流程示意图;
图2是本发明第二实施例提供的一种计算机设备的结构示意图;
图3是本发明第三实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
请参阅图1,图1是本发明第一实施例提供的一种人群分析方法的流程示意图,如图1所示,本发明实施例中的人群分析方法包括以下步骤:
S101、采集目标区域内的N张人脸图像,所述N为正整数。
具体地,所述目标区域为人员活动区域,采集目标区域内的N张人脸图像的具体实现方式可以是:通过在人员活动区域的不同位置部署多个监控摄像机,以获取大规模的人脸图像。其中,可以理解的,采集的人员活动区域内人脸图像是不断增长的,人员活动区域内的人员的出现也是随时间变化。
S102、基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量。
S103、将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同。
S104、基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。
其中,所述预设人群分析模型包括高斯混合模型,其中,所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数:均值μk、方差Σk以及混合系数πk,所述混合系数πk表示第k个分量xk出现的频率,其中,所述k为正整数。
其中,所述基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率的具体实现方式可以是:
基于所述高斯混合模型,针对所述至少一个分量进行分析,针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计。
具体地,人群分析模型可采用高斯混合模型(Gaussian Mixture Model)。高斯混合模型是由多个不同的高斯分量乘以对应的混合系数组合而成的概率模型,其中每一个高斯分量都是一个独立的高斯模型。高斯混合模型数学上可表示为其中πk是混合系数。在本发明实施例所提供的人群分析方法中,每一个高斯分量代表一个人,即,可以假设对应于每一个人在不同角度、光照、表情等条件下的人脸特征向量为以其不变的人脸特征为中心的高斯分布。高斯混合模型中的混合系数πk代表了不同人物的出现频率。通过对高斯混合模型中的混合系数πk进行动态估计,进而估计并跟踪人员出现频率的变化。
可选的,所述针对高斯混合模型的数学表达式中的混合系数πk进行动态估计的具体实现方式可以是:
采用滑动窗口法和期望最大化方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
具体地,是假设πk在一定时间内的变化可以忽略不计,仅使用这个时间段内的数据进行估计。例如我们使用大小为w的滑动窗口估计t时刻的混合系数πk,我们选取从t-w到t时间段内的数据,期望最大化方法,是通过迭代对高斯混合模型参数(π,μ,∑)进行极大似然估计。
可选的,所述针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计的具体实现方式可以是:
采用移动平均数方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,所述针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计的具体实现方式可以是:
基于预设样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μk、方差Σ以及混合系数πk进行初始估计,得到和初始混合系数分布Dir(π|α0);
基于所述以及t时刻的观测数据x,确定混合系数πk的共轭似然函数Multi(m|π),其中,所述t时刻的观测数据不属于所述预设样本;
基于所述混合系数πk的共轭似然函数Multi(m|π),确定所述混合系数πk在t时刻的后验概率为P(π|x)=Dir(π|α+m);
根据所述混合系数πk在t时刻的后验概率预测所述混合系数πk在t+1时刻的先验概率。
具体地,在开始时,计算机设备通过足够数量的预设样本获得一个初始估计,得到和初始混合系数分布Dir(π|α0),作为当前估计。此后,对新增的t时刻的观测数据x,计算机设备结合当前估计,周期性进行估计更新。如果数据规模过大,系统可按照一定的方法针对t时刻的观测数据x进行数据采样,不影响统计意义下的估计结果。其中,人群分析模型可采用高斯混合模型,也可以采用其它统计模型。本质上,估计更新的过程主要包括以下步骤:据观测数据或采样后的观测数据计算人员出现频率的似然函数;根据似然函数和预先估计的先验概率,利用贝叶斯方法计算人员出现频率的后验概率,用作新的当前估计;根据新的估计对下一时刻进行预测,作为下一时刻的先验概率。
但是,不论采用何种具体的概率统计模型作为人群分析模型,模型应允许根据具体应用场景定义人员“频繁出现”周期和、单位观测时间,以及、在单位观测时间内最大可统计的“出现”次数。比如,将区域常住人口定义为在1个月以上频繁出入的人员,单位观测时间为每一天,同时每一天如果最大统计出现次数为3次,即,即使观测到某一人在一天内重复出现10次,其有效统计次数仍为3次。又比如,将区域徘徊人员定义为一天内频繁出现的人员,单位观测时间为30分钟,每单位时间内最大统计次数为1次,即,即使观测到某一人在30分钟内重复出现若干次,其有效统计次数仍为1次。这样,若某一人在一天中的多个30分钟出现,则可被发现为“频繁出现”。
可以看出,本发明实施例技术方案中,首先,计算机设备采集目标区域内的N张人脸图像,所述N为正整数,其次,基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量,并将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同,最后,基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。通过实施本发明实施例能够实现识别人脸采集区域中频繁出现的人员,并能随时间跟踪频繁出现的人员的动态变化。
下面为本发明装置实施例,本发明装置实施例用于执行本发明方法实施例一实现的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例一。
请参阅图2,图2是本发明第二实施例提供的一种计算机设备的结构示意图,如图2所示,本发明实施例中的计算机设备包括采集单元201、转换单元202、分类单元203以及分析单元204,其中:
采集单元201,用于采集目标区域内的N张人脸图像,所述N为正整数;
转换单元202,用于基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量;
分类单元203,用于将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同;
分析单元204,用于基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。
可选的,所述预设人群分析模型包括高斯混合模型,其中,所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数:均值μk、方差Σk以及混合系数πk,所述混合系数πk表示第k个分量xk出现的频率,其中,所述k为正整数。
可选的,所述分析单元203,具体用于基于所述高斯混合模型,针对所述至少一个分量进行分析,针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计。
可选的,所述分析单元203,在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于采用滑动窗口法和期望最大化方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,所述分析单元203,在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于采用移动平均数方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,所述分析单元203,在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于基于预设样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μk、方差Σ以及混合系数πk进行初始估计,得到和初始混合系数分布Dir(π|α0);基于所述 以及t时刻的观测数据x,确定混合系数πk的共轭似然函数Multi(m|π),其中,所述t时刻的观测数据不属于所述预设样本;基于所述混合系数πk的共轭似然函数Multi(m|π),确定所述混合系数πk在t时刻的后验概率为P(π|x)=Dir(π|α+m);根据所述混合系数πk在t时刻的后验概率预测所述混合系数πk在t+1时刻的先验概率。
具体的,上述各个单元的具体实现可参考图1对应实施例中相关步骤的描述,在此不赘述。
可以看出,本发明实施例技术方案中,首先,计算机设备采集目标区域内的N张人脸图像,所述N为正整数,其次,基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量,并将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同,最后,基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。通过实施本发明实施例能够实现识别人脸采集区域中频繁出现的人员,并能随时间跟踪频繁出现的人员的动态变化。
请参考图3,图3是本发明第三实施例提供的一种计算机设备的结构示意图。如图3所示,本发明实施例中的计算机设备包括:至少一个处理器301,例如CPU,至少一个接收器303,至少一个存储器304,至少一个发送器305,至少一个通信总线302。其中,通信总线302用于实现这些组件之间的连接通信。其中,本发明实施例中装置的接收器303和发送器305可以是有线发送端口,也可以为无线设备,例如包括天线装置,用于与其他节点设备进行信令或数据的通信。存储器304可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器304可选的还可以是至少一个位于远离前述处理器301的存储装置。存储器304中存储一组程序代码,且所述处理器301可通过通信总线302,调用存储器304中存储的代码以执行相关的功能。
所述处理器301,用于采集目标区域内的N张人脸图像,所述N为正整数;基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量;将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同;基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。
可选的,所述预设人群分析模型包括高斯混合模型,其中,所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数:均值μk、方差Σk以及混合系数πk,所述混合系数πk表示第k个分量xk出现的频率,其中,所述k为正整数。
可选的,所述处理器301在用于基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率时,具体用于基于所述高斯混合模型,针对所述至少一个分量进行分析,针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计。
可选的,所述处理器301在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于采用滑动窗口法和期望最大化方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,所述处理器301在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于采用移动平均数方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
可选的,所述处理器301在用于针对高斯混合模型的数学表达式中的的混合系数πk进行动态估计时,具体用于基于预设样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μk、方差Σ以及混合系数πk进行初始估计,得到和初始混合系数分布Dir(π|α0);基于所述 以及t时刻的观测数据x,确定混合系数πk的共轭似然函数Multi(m|π),其中,所述t时刻的观测数据不属于所述预设样本;基于所述混合系数πk的共轭似然函数Multi(m|π),确定所述混合系数πk在t时刻的后验概率为P(π|x)=Dir(π|α+m);根据所述混合系数πk在t时刻的后验概率预测所述混合系数πk在t+1时刻的先验概率。
具体的,上述各个单元的具体实现可参考图1对应实施例中相关步骤的描述,在此不赘述。
可以看出,本发明实施例技术方案中,首先,计算机设备采集目标区域内的N张人脸图像,所述N为正整数,其次,基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量,并将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同,最后,基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。通过实施本发明实施例能够实现识别人脸采集区域中频繁出现的人员,并能随时间跟踪频繁出现的人员的动态变化。
本发明实施例还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任何一种服务进程的监控方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本发明所必须的。
本发明实施例的方法的步骤顺序可以根据实际需要进行调整、合并或删减。本发明实施例的终端的单元可以根据实际需要进行整合、进一步划分或删减。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例是示意性的,例如所述单元的划分,为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本发明实施例所提供的一种人群分析方法及计算机设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种人群分析方法,其特征在于,所述方法包括:
采集目标区域内的N张人脸图像,所述N为正整数;
基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量;
将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同;
基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。
2.如权利要求1所述的方法,其特征在于,
所述预设人群分析模型包括高斯混合模型,其中,所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数:均值μk、方差Σk以及混合系数πk,所述混合系数πk表示第k个分量xk出现的频率,其中,所述k为正整数。
3.如权利要求2所述的方法,其特征在于,所述基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,包括:
基于所述高斯混合模型,针对所述至少一个分量进行分析,针对高斯混合模型的数学表达式中的混合系数πk进行动态估计。
4.如权利要求3所述的方法,其特征在于,所述针对高斯混合模型的数学表达式中的混合系数πk进行动态估计,包括:
采用滑动窗口法和期望最大化方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
5.如权利要求3所述的方法,其特征在于,所述针对高斯混合模型的数学表达式中的混合系数πk进行动态估计,包括:
采用移动平均数方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
6.如权利要求3所述的方法,其特征在于,所述针对高斯混合模型的数学表达式中的混合系数πk进行动态估计,包括:
基于预设样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μk、方差Σ以及混合系数πk进行初始估计,得到和初始混合系数分布Dir(π|α0);
基于所述以及t时刻的观测数据x,确定混合系数πk的共轭似然函数Multi(m|π),其中,所述t时刻的观测数据不属于所述预设样本;
基于所述混合系数πk的共轭似然函数Multi(m|π),确定所述混合系数πk在t时刻的后验概率为P(π|x)=Dir(π|α+m);
根据所述混合系数πk在t时刻的后验概率预测所述混合系数πk在t+1时刻的先验概率。
7.一种计算机设备,其特征在于,所述计算机设备包括:
采集单元,用于采集目标区域内的N张人脸图像,所述N为正整数;
转换单元,用于基于预设人脸特征提取模型,将所述采集的N张人脸图像转换为对应的N个特征向量;
分类单元,用于将所述N个特征向量进行分类,以获取至少一个分量,其中,所述分量代表一个向量集合,所述分量包括至少一个特征向量,每个分量对应一个人物,任意两个分量对应的人物互不相同;
分析单元,用于基于预设人群分析模型,针对所述至少一个分量进行分析,识别目标分量的出现频率,其中,所述至少一个分量包括所述目标分量,所述目标分量对应目标人物,所述目标分量的出现频率为所述目标区域内目标人物的出现频率。
8.如权利要求7所述的计算机设备,其特征在于,所述预设人群分析模型包括高斯混合模型,其中,所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数:均值μk、方差Σk以及混合系数πk,所述混合系数πk表示第k个分量xk出现的频率,其中,所述k为正整数。
9.如权利要求8所述的计算机设备,其特征在于,
所述分析单元,具体用于基于所述高斯混合模型,针对所述至少一个分量进行分析,针对高斯混合模型的数学表达式中的混合系数πk进行动态估计。
10.如权利要求9所述的计算机设备,其特征在于,
所述分析单元,在用于针对高斯混合模型的数学表达式中的混合系数πk进行动态估计时,具体用于采用滑动窗口法和期望最大化方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
11.如权利要求9所述的计算机设备,其特征在于,
所述分析单元,在用于针对高斯混合模型的数学表达式中的混合系数πk进行动态估计时,具体用于采用移动平均数方法,针对高斯混合模型的数学表达式中的混合系数πk进行极大似然估计。
12.如权利要求9所述的计算机设备,其特征在于,
所述分析单元,在用于针对高斯混合模型的数学表达式中的混合系数πk进行动态估计时,具体用于基于预设样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μk、方差Σ以及混合系数πk进行初始估计,得到和初始混合系数分布Dir(π|α0);基于所述 以及t时刻的观测数据x,确定混合系数πk的共轭似然函数Multi(m|π),其中,所述t时刻的观测数据不属于所述预设样本;基于所述混合系数πk的共轭似然函数Multi(m|π),确定所述混合系数πk在t时刻的后验概率为P(π|x)=Dir(π|α+m);根据所述混合系数πk在t时刻的后验概率预测所述混合系数πk在t+1时刻的先验概率。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610884791.8A CN106503631A (zh) | 2016-10-10 | 2016-10-10 | 一种人群分析方法及计算机设备 |
PCT/CN2017/087726 WO2018068521A1 (zh) | 2016-10-10 | 2017-06-09 | 一种人群分析方法及计算机设备 |
CN201710727993.6A CN107918688B (zh) | 2016-10-10 | 2017-08-23 | 场景模型动态估计方法、数据分析方法及装置、电子设备 |
PCT/CN2017/103988 WO2018068654A1 (zh) | 2016-10-10 | 2017-09-28 | 场景模型动态估计方法、数据分析方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610884791.8A CN106503631A (zh) | 2016-10-10 | 2016-10-10 | 一种人群分析方法及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106503631A true CN106503631A (zh) | 2017-03-15 |
Family
ID=58293822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610884791.8A Pending CN106503631A (zh) | 2016-10-10 | 2016-10-10 | 一种人群分析方法及计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106503631A (zh) |
WO (1) | WO2018068521A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480624A (zh) * | 2017-08-08 | 2017-12-15 | 深圳云天励飞技术有限公司 | 常住人口获取方法、装置及系统、计算机装置和存储介质 |
WO2018068521A1 (zh) * | 2016-10-10 | 2018-04-19 | 深圳云天励飞技术有限公司 | 一种人群分析方法及计算机设备 |
WO2018068654A1 (zh) * | 2016-10-10 | 2018-04-19 | 深圳云天励飞技术有限公司 | 场景模型动态估计方法、数据分析方法及装置、电子设备 |
CN109086829A (zh) * | 2018-08-14 | 2018-12-25 | 东方网力科技股份有限公司 | 一种社会人口治理的方法及装置 |
CN109492604A (zh) * | 2018-11-23 | 2019-03-19 | 北京嘉华科盈信息系统有限公司 | 人脸模型特征统计分析系统 |
CN113128282A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种人群类别的划分方法、装置及终端 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100568262C (zh) * | 2007-12-29 | 2009-12-09 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
US9165190B2 (en) * | 2012-09-12 | 2015-10-20 | Avigilon Fortress Corporation | 3D human pose and shape modeling |
CN103488993B (zh) * | 2013-09-22 | 2016-09-07 | 北京联合大学 | 一种基于fast的人群异常行为识别方法 |
CN103761504A (zh) * | 2013-12-31 | 2014-04-30 | 江苏图云智能科技发展有限公司 | 一种人脸识别系统 |
CN106503631A (zh) * | 2016-10-10 | 2017-03-15 | 深圳云天励飞技术有限公司 | 一种人群分析方法及计算机设备 |
-
2016
- 2016-10-10 CN CN201610884791.8A patent/CN106503631A/zh active Pending
-
2017
- 2017-06-09 WO PCT/CN2017/087726 patent/WO2018068521A1/zh active Application Filing
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018068521A1 (zh) * | 2016-10-10 | 2018-04-19 | 深圳云天励飞技术有限公司 | 一种人群分析方法及计算机设备 |
WO2018068654A1 (zh) * | 2016-10-10 | 2018-04-19 | 深圳云天励飞技术有限公司 | 场景模型动态估计方法、数据分析方法及装置、电子设备 |
CN107480624A (zh) * | 2017-08-08 | 2017-12-15 | 深圳云天励飞技术有限公司 | 常住人口获取方法、装置及系统、计算机装置和存储介质 |
CN107480624B (zh) * | 2017-08-08 | 2018-12-11 | 深圳云天励飞技术有限公司 | 常住人口获取方法、装置及系统、计算机装置和存储介质 |
CN109086829A (zh) * | 2018-08-14 | 2018-12-25 | 东方网力科技股份有限公司 | 一种社会人口治理的方法及装置 |
CN109492604A (zh) * | 2018-11-23 | 2019-03-19 | 北京嘉华科盈信息系统有限公司 | 人脸模型特征统计分析系统 |
CN113128282A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种人群类别的划分方法、装置及终端 |
Also Published As
Publication number | Publication date |
---|---|
WO2018068521A1 (zh) | 2018-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503631A (zh) | 一种人群分析方法及计算机设备 | |
CN109947793B (zh) | 伴随关系的分析方法、装置和存储介质 | |
CN104573652B (zh) | 确定人脸图像中人脸的身份标识的方法、装置和终端 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108288051B (zh) | 行人再识别模型训练方法及装置、电子设备和存储介质 | |
CN108229347B (zh) | 用于人识别的拟吉布斯结构采样的深层置换的方法和装置 | |
CN108197592B (zh) | 信息获取方法和装置 | |
CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN106228121B (zh) | 手势特征识别方法和装置 | |
CN104021380A (zh) | 通过计算装置进行面部识别的方法和装置 | |
CN110287889A (zh) | 一种身份识别的方法及装置 | |
CN109829072A (zh) | 构建图谱方法及相关装置 | |
CN107918688B (zh) | 场景模型动态估计方法、数据分析方法及装置、电子设备 | |
CN103955682A (zh) | 基于surf兴趣点的行为识别方法及装置 | |
CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
US9752880B2 (en) | Object linking method, object linking apparatus, and storage medium | |
CN110852237A (zh) | 对象姿态的确定方法及装置、存储介质、电子装置 | |
CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
CN105844204B (zh) | 人体行为识别方法和装置 | |
CN110222734B (zh) | 贝叶斯网络学习方法、智能设备及存储装置 | |
CN115222583A (zh) | 模型训练方法及装置、图像处理方法、电子设备、介质 | |
CN105809183A (zh) | 基于视频的人头跟踪方法及其装置 | |
CN111626212B (zh) | 图片中对象的识别方法和装置、存储介质及电子装置 | |
CN110781223A (zh) | 数据处理方法及装置、处理器、电子设备及存储介质 | |
CN112561935B (zh) | 一种大脑影像智能分类方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170315 |
|
WD01 | Invention patent application deemed withdrawn after publication |