CN106776781B - 一种人群关系网络分析方法及装置 - Google Patents

Abstract

本发明公开了一种人群关系网络分析方法及装置。其中的方法包括：根据设定的数据采集格式对多个场所的视频数据进行数据采集，采集到的数据包括人脸特征值及其结构化信息；将采集数据通时延关系过滤、地理位置映射、行为模式判定、权重关系网络构建过程，得到人群关系网络的基础信息；关系网络的基础信息上进行关系视图过滤从而进行灵活可配置的关系呈现。还公开了相应的装置。将视频图像采集和人脸识别技术引入到大范围的人群关系网络的分析当中，解决了数据来源的广度和统一性的问题，能够实现广泛、准确的人群关系分析。

Description

一种人群关系网络分析方法及装置

技术领域

本发明涉及数据处理领域，尤其涉及一种人群关系网络分析方法及装置。

背景技术

在数据的智能分析和挖掘领域，往往通过对海量数据的深入分析处理来发现隐含在数据中的有用模式，从而解决日常社会生活中的各种问题场景。如智慧城市/安防，商业智能(英文：Business Intelligence，简称：BI)等应用场景中，都对人的活动特别是人群(社会)活动的相关模式有着浓厚的兴趣和应用的痛点，这些模式包含人群的特定的活动时间规律、地点规律、轨迹规律及这些规律背后的隐含的商业价值。但在这些模式中，人群关系网络是一个有相对较高价值，且处于较深层次的模式信息，蕴含着较高的商业价值。

事实上，在目前已经比较充分的数字化、互联网化的生活模式下，人的各种类型的活动通常都伴随信息化/数字化信息的产生，比方说人的购买行为会产生一条或多条的购物记录及支付记录，一次旅行会产生为数众多的交通、住宿等记录，打一次电话或通过社交APP的联系沟通等，会产生通话记录/社交记录等信息，总之，人的衣食住行、工作、教育、医疗等几乎所有活动，都被数字化、信息化，在这个过程中也就产生了海量的信息。

人群关系网络的分析需要记录人群中的个人不同类型活动的信息，然而，虽然以上海量的信息极其巨大，但一个最重大的问题是这些看似海量的信息却以极其割裂的方式掌握在各方手中，这种割裂数据的形式导致这些数据在应用上要统一应用非常困难：几乎不可能被统一的收集并加以利用，这是由于在不同的数据之间，同一个人的信息由于缺乏统一的标识，无法进行综合统一的分析，无法分辨不同的信息哪些是来自于同一个人，这样就丢失了重要的分析基础；数据的格式极其不统一，在统一整理使用分析方面困难巨大。

基于以上问题，通常在一个垂直领域进行人员关系网络的分析是比较常见的，如银行财务关系网络，购物平台的消费关系网络等。但是这些领域依然存在以下方面的缺点：数据通常依赖于人为输入的准确性，但是人们在这些活动中，通常会使用一些非真实的身份信息；基于账号等身份信息容易在多方之间互相串用，导致很多的噪音数据，影响分析的准确性。

总结以上问题，通过目前常规信息来源及分析手段，第一，不能得到广泛人群关系网络的分析的方案，第二，即便在垂直分析领域，数据来源的天生不可靠性对数据分析的准确性也产生一定的影响。

发明内容

本发明实施例提供一种人群关系网络分析方法及装置，以实现广泛、准确的人群关系分析。

一方面，提供了一种人群关系网络分析方法，所述方法包括：

根据设定的数据采集格式对多个场所的视频数据进行数据采集，采集到的数据包括人脸特征值和各人脸特征值对应的结构化信息；

将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理；根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息。

优选地，所述结构化信息包括：采集时间、采集地点，所述根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息，包括：

根据采集时间进行时延关系过滤，确定所述人脸特征值对应的人群之间的关联关系；

根据采集地点进行地理信息映射，确定各人脸特征值对应的个人的活动的场所；

根据所述采集时间和采集地点，分析各人脸特征值对应的个人在所述场所的行为；

根据所述人脸特征值对应的人群之间的关联关系、各人脸特征值对应的个人的活动的场所、以及各人脸特征值对应的个人在所述场所的行为，构造所述人群关系网络基础信息的人群关系无向权重视图。

优选地，所述人群关系无向权重视图包含多个边集合：Edge(Person(x),Person(y),R(z),Weight(w))；

其中，Person(x)、Person(y)表示任意的个人，R(z)表示Person(x)与Person(y)之间的关系类型，Weight(w)表示Person(x)与Person(y)之间的密切度为Weight(w)。

优选地，所述方法还包括：

在所述人群关系无向权重视图中加入关系视图过滤参数进行所述人群关系网络基础信息的过滤，得到过滤的人群关系无向权重视图；

其中，所述关系视图过滤参数包括：关系类型的集合，单个关系的权重门限，总体关系的权重门限，中心点Person(center)及图遍历深度。

另一方面，提供了一种人群关系网络分析装置，所述装置包括：

采集模块，用于根据设定的数据采集格式对多个场所的视频数据进行数据采集，采集到的数据包括人脸特征值和各人脸特征值对应的结构化信息；

聚类模块，用于将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理；

构造模块，用于根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息。

优选地，所述结构化信息包括：采集时间、采集地点，所述构造模块包括：

第一确定单元，用于根据采集时间进行时延关系过滤，确定所述人脸特征值对应的人群之间的关联关系；

第二确定单元，用于根据采集地点进行地理信息映射，确定各人脸特征值对应的个人的活动的场所；

分析单元，用于根据所述采集时间和采集地点，分析各人脸特征值对应的个人在所述场所的行为；

构造单元，用于根据所述人脸特征值对应的人群之间的关联关系、各人脸特征值对应的个人的活动的场所、以及各人脸特征值对应的个人在所述场所的行为，构造所述人群关系网络基础信息的人群关系无向权重视图。

优选地，所述人群关系无向权重视图包含多个边集合：Edge(Person(x),Person(y),R(z),Weight(w))；

其中，Person(x)、Person(y)表示任意的个人，R(z)表示Person(x)与Person(y)之间的关系类型，Weight(w)表示Person(x)与Person(y)之间的密切度为Weight(w)。

优选地，所述装置还包括：

过滤模块，用于在所述人群关系无向权重视图中加入关系视图过滤参数进行所述人群关系网络基础信息的过滤，得到过滤的人群关系无向权重视图；

其中，所述关系视图过滤参数包括：关系类型的集合，单个关系的权重门限，总体关系的权重门限，中心点Person(center)及图遍历深度。

实施本发明实施例提供的人群关系网络分析方法及装置，具有如下有益效果：

将视频图像采集和人脸识别技术引入到大范围的人群关系网络的分析当中，解决了数据来源的广度和统一性的问题；

信息采集无需要人为配合，信息准确率高；

综合利用图像采集的多维度信息，包括地理位置，短时的信息，长时的信息，为人群关系的分析、分类、相互关系的识别提供多维度的信息，关系分析广泛且精准。

人群关系无向权重视图的存储结构及基于此结构的动态过滤视图呈现方法，很好的支持动态、持续的关系网络的分析和展示，能够极大提升关系分析的灵活性和效率。

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，下面描述中的附图仅仅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为本发明实施例提供的一种人群关系网络分析方法的流程示意图；

图2为本发明实施例提供的一种人群关系网络分析方法进一步细化的流程示意图；

图3为人群关系时延过滤器结构示意图；

图4为地理信息关联处理示意图；

图5为行为模式识别处理示意图；

图6为示例的人群关系无向权重视图；

图7为本发明实施例提供的一种人群关系网络分析装置的结构示意图；

图8为本发明实施例提供的一种人群关系网络分析装置进一步细化的结构示意图。

具体实施方式

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，所描述的实施例仅仅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。

图1为本发明实施例提供的一种人群关系网络分析方法的流程示意图，该方法包括以下步骤：

S101，根据设定的数据采集格式对多个场所的视频数据进行数据采集。

本实施例依托于现在的广泛的视频采集网络进行多个场所内人群活动记录的采集，可采用现有的视频图像采集技术。为了对广大范围内的数据实行统一的采集和分析，本实施例规定了数据采集的统一格式，采集到的数据包括人脸特征值和各人脸特征值对应的结构化信息。人脸特征值用于唯一准确地确定个人，通过人脸识别技术可以获得人脸特征值，各人脸特征值对应的结构化信息用于分析人群之间的关系，结构化信息可以是：时间、地点、性别、服饰、表情等。

S102，将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理。

由于人脸特征值用于唯一准确地确定个人，对于采集到的数据中属于某个人的数据进行聚类处理，可以获取每个人的一系列的社会活动记录。

S103，根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息。

采集到以上格式统一的人脸特征值和多个结构化信息后，进行人群关系网络的分析。人群关系网络包括人在某个场所所处的角色，人在某个时间点在进行什么，以及人与人之间的关系等。通过根据每个人的一系列的社会活动记录包含的多条结构化信息，可以分析出人群关系网络，具体地，例如，通过分析一段时间内某个人在某个时间点经常进入某场所，可以分析该人在某个场所工作；又例如，通过分析一段时间内某个人在某个时间点进行某件事的频率，可以分析该人在某个时间点在进行什么，如上班；再例如，某两个人在同一时间段经常进入某场所，可以分析该两人为同事。

根据本发明实施例提供的一种人群关系网络分析方法，将视频图像采集和人脸识别技术引入到大范围的人群关系网络的分析当中，解决了数据来源的广度和统一性的问题，能够实现广泛、准确的人群关系分析。

图2为本发明实施例提供的一种人群关系网络分析方法进一步细化的流程示意图，该方法包括以下步骤：

S201，根据设定的数据采集格式对多个场所的视频数据进行数据采集。

本实施例依托于现在的广泛的视频采集网络进行多个场所内人群活动记录的采集，可采用现有的视频图像采集技术。为了对广大范围内的数据实行统一的采集和分析，本实施例规定了数据采集的统一格式，采集到的数据包括人脸特征值和至少一条结构化信息。设定的数据采集格式如下表1所示：

表1示例的数据采集格式

人脸特征值

时间

地点

其它结构化信息(性别、服饰、表情等)

人脸特征值用于唯一准确地确定个人。通过现有的人脸识别技术可以识别视频数据中的人脸，从而得到识别出的人脸的人脸特征值。

在获取视频数据中的人脸特征值之外，还可获得多条结构化信息，至少一条结构化信息用于分析人群之间的关系，结构化信息包括时间、地点、性别、服饰、表情等。

S202，将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理。

通过对采集到的人脸特征值进行聚类分析，得到当前采集的信息的人员ID(m),对于整个采集范围，同一个人的信息，实时聚类分析输出相同的ID(m)。

S203，根据采集时间进行时延关系过滤，确定所述人脸特征值对应的人群之间的关联关系。

S204，根据采集地点进行地理信息映射，确定各人脸特征值对应的个人的活动的场所。

S205，根据所述采集时间和采集地点，分析各人脸特征值对应的个人在所述场所的行为。

本实施例中，人群关系网络通过人群关系无向权重视图体现。在构造人群关系无向权重视图之前，进行三个预处理步骤(S203-S205)：

(1):根据采集时间等关键信息，进行关系的时延过滤，得到一次采集过程中的具有关联关系的相关人员。其基本思想是，只在足够相近的时间采集到的人，才可能具有关联关系。

(2):利用采集数据的地理位置信息，进行地理位置与场所属性的关联处理，得到关系发生的场所信息(如医院、饭店、地铁等)。

(3):根据聚类的结果，得到某个人在当前场所的所有采集记录的时间序列，以判断这个人在当前场景的角色，如同样的饭店场所，不同采集得到的人的根据其时间序列可判断为是顾客和店员，同样是医院，其时间序列的不同可判断为医生还是病人。

对于第一个预处理步骤，即时延过滤，其结构如图3所示。人群关系时延过滤器工作过程包含过滤操作和维护操作，其中过滤操作的过程如下：

1：当对一个元素进行关系时延过滤时，遍历Map中现有的元素。

2：针对当前Map中存在的每一个元素，生成一个关系项，输出到后续的流程。

3：如果Map为空，则不生成任何关系项。

人群关系时延过滤器的维护操作包含如下步骤：

1：当对一个元素(x)进行过滤操作时，首先将其加入到Delay Filting Map中，设定其超时时间为ExpireTime(x)

2：每一个维护周期Tick，遍历每个Map中元素，对ExpireTime(x)进行减一操作。

3：如果ExpireTime(x)减为0，则从Map删除元素。

4：重复步骤1-3，对Delay Filting Map进行持续不断的维护。

对于第二个预处理步骤，即地理信息关联处理，其处理示意图如图4所示。其工作过程包含如下步骤：

1：接收图像采集所处的地理位置的信息坐标。

2：遍历对自标注的位置信息，及第三方的地图及GIS信息系统进行查询。直到采集的地理位置的坐标映射为场所的属性信息(如车站，商场，医院等等)

3：将场所信息输出给后续模块。

对于第三个预处理步骤，即行为模式识别，其处理示意图如图5所示。行为模式识别过程包含以下步骤：

1：所有的实时聚类结果的信息，都存储在聚类信息数据库中，数据库中存储了每一个已经聚好类的数据采集的记录的所有结果。

2：当一个新的识别请求发生时，首先通过数据库查询模块得到当前类的所有的视频图像的分采集的在当前地点的采集记录。

3：对得到的记录的集合进行概率统计，得到出行采集的时间的时间分布直方图。

4：用统计出的分布直方图与行为模式库的模式进行卷积，得到卷积最大的结果，如果符合一定的阈值设定要求，则匹配映射成功，得到这个类别在当前地点的行为模式(如上班，送快递，吃饭，购物，未知等)

5：将匹配得到的地点相关的行为模式输出到后续处理步骤。

S206，根据所述人脸特征值对应的人群之间的关联关系、各人脸特征值对应的个人的活动的场所、以及各人脸特征值对应的个人在所述场所的行为，构造所述人群关系网络基础信息的人群关系无向权重视图。

本实施例的人群关系无向权重图，包含一个特别设计的Graph存储结构和特别设计的Graph更新，即权重计算过程。

人群关系Graph无向权重图的结构如图6所示。如图6所示的Graph是一个无向多重的权重图，它表述了人与人之间关系的类型与各类型的权重。权重表明了两个人之间某种关系严密的程度。对于某一种关系，权重的计算方法如下：

Weight(R)＝∑(1/T_intelvel)×C_capture

其中，Weight(R)是指某一种关系的权重，T_intervel是表明采集时两个人之间相隔的出现的时间长短，C_capture是指两个人共同采集的到的次数。其中两个人之间所有Wegiht(R)的和是两个人之间关系的总权重Weight(total)，Weight(total)表明了两个人之所有关系密切度的和。

Graph的更新计算步骤如下：

1：预处理输出通过计算后，输出以下形式的无向图(graph)的边集合：Edge(Person(x),Person(y),R(z),Weight(w))；

其中，Person(x)、Person(y)表示任意的个人，R(z)表示Person(x)与Person(y)之间的关系类型，Weight(w)表示Person(x)与Person(y)之间的密切度为Weight(w)。

2:检查现存的无向多重权重图，如果当前边的存在，则进行权重累加。

3：如果当前边不存在，则新建这边，并把Edge(Person(x),Person(y),R,Weight(r))作为新边的初始权重。

4：折旧因子及周期计算，周期性对无向多得权重图中的权重进行进行折旧因子为α计算。折旧后的权重为折旧前的(1-a)倍。

S207，在所述人群关系无向权重视图中加入关系视图过滤参数进行所述人群关系网络基础信息的过滤，得到过滤的人群关系无向权重视图。

在原始的人群关系图的基础上，通过加入关系视图过滤条件(如权重门限,关系类型等)，得到原始关系图的一个过滤视图，通过不断的调整过滤条件，对关系网图进行动态/连续的呈现和分析。其中，所述关系视图过滤参数包括：关系类型的集合，单个关系的权重门限，总体关系的权重门限，中心点Person(center)及图遍历深度。

本实施例所提出的视图过滤，其工作步骤如下：

1：设置过滤的参数，参数可包含关系类型的集合，单个关系的权重门限，总体关系的权重门限等，另外一个关键的参数是中心点Person(center)及图遍历深度。

2：根据中心点及遍历深度，得到总的关系graph的一个子Graph.

3:根据设定的参数，对由2得到的子图进行过滤和更新。不符合条件的图的边将从子图中删除。

4：输出子图的过滤的最终结果为过滤视图。

根据本发明实施例提供的一种人群关系网络分析方法，将视频图像采集和人脸识别技术引入到大范围的人群关系网络的分析当中，解决了数据来源的广度和统一性的问题，能够实现广泛、准确的人群关系分析；信息采集无需要人为配合，信息准确率高；综合利用图像采集的多维度信息，包括地理位置，短时的信息，长时的信息，为人群关系的分析、分类、相互关系的识别提供多维度的信息，关系分析广泛且精准；人群关系无向权重视图的存储结构及基于此结构的动态过滤视图呈现方法，很好的支持动态、持续的关系网络的分析和展示，能够极大提升关系分析的灵活性和效率。

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，因为根据本发明，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，所涉及的动作和模块并不一定是本发明所必须的。

图7为本发明实施例提供的一种人群关系网络分析装置的结构示意图，该装置1000包括：采集模块11、聚类模块12和构造模块13。

采集模块11，用于根据设定的数据采集格式对多个场所的视频数据进行数据采集。

本实施例依托于现在的广泛的视频采集网络进行多个场所内人群活动记录的采集，可采用现有的视频图像采集技术。为了对广大范围内的数据实行统一的采集和分析，本实施例规定了数据采集的统一格式，采集到的数据包括人脸特征值和各人脸特征值对应的结构化信息。人脸特征值用于唯一准确地确定个人，通过人脸识别技术可以获得人脸特征值，各人脸特征值对应的结构化信息用于分析人群之间的关系，结构化信息可以是：时间、地点、性别、服饰、表情等。

聚类模块12，用于将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理。

由于人脸特征值用于唯一准确地确定个人，对于采集到的数据中属于某个人的数据进行聚类处理，可以获取每个人的一系列的社会活动记录。

构造模块13，用于根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息。

采集到以上格式统一的人脸特征值和多个结构化信息后，进行人群关系网络的分析。人群关系网络包括人在某个场所所处的角色，人在某个时间点在进行什么，以及人与人之间的关系等。通过根据每个人的一系列的社会活动记录包含的多条结构化信息，可以分析出人群关系网络，具体地，例如，通过分析一段时间内某个人在某个时间点经常进入某场所，可以分析该人在某个场所工作；又例如，通过分析一段时间内某个人在某个时间点进行某件事的频率，可以分析该人在某个时间点在进行什么，如上班；再例如，某两个人在同一时间段经常进入某场所，可以分析该两人为同事。

根据本发明实施例提供的一种人群关系网络分析装置，将视频图像采集和人脸识别技术引入到大范围的人群关系网络的分析当中，解决了数据来源的广度和统一性的问题，能够实现广泛、准确的人群关系分析。

图8为本发明实施例提供的一种人群关系网络分析装置进一步细化的结构示意图，该装置2000包括：采集模块21、聚类模块22、构造模块23和过滤模块24。

采集模块21，用于根据设定的数据采集格式对多个场所的视频数据进行数据采集，采集到的数据包括人脸特征值和各人脸特征值对应的结构化信息。

聚类模块22，用于将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理。

构造模块23，用于根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息。

在本实施例中，构造模块23包括：第一确定单元231、第二确定单元232、分析单元233和构造单元234。

第一确定单元231，用于根据采集时间进行时延关系过滤，确定所述人脸特征值对应的人群之间的关联关系系；

第二确定单元232，用于根据采集地点进行地理信息映射，确定各人脸特征值对应的个人的活动的场所；

分析单元233，用于根据所述采集时间和采集地点，分析各人脸特征值对应的个人在所述场所的行为；

构造单元234，用于根据所述人脸特征值对应的人群之间的关联关系、各人脸特征值对应的个人的活动的场所、以及各人脸特征值对应的个人在所述场所的行为，构造所述人群关系网络基础信息的人群关系无向权重视图。

所述人群关系无向权重视图包含多个边集合：Edge(Person(x),Person(y),R(z),Weight(w))；

其中，Person(x)、Person(y)表示任意的个人，R(z)表示Person(x)与Person(y)之间的关系类型，Weight(w)表示Person(x)与Person(y)之间的密切度为Weight(w)。

过滤模块24，用于在所述人群关系无向权重视图中加入关系视图过滤参数进行所述人群关系网络基础信息的过滤，得到过滤的人群关系无向权重视图；其中，所述关系视图过滤参数包括：关系类型的集合，单个关系的权重门限，总体关系的权重门限，中心点Person(center)及图遍历深度。

根据本发明实施例提供的一种人群关系网络分析装置，将视频图像采集和人脸识别技术引入到大范围的人群关系网络的分析当中，解决了数据来源的广度和统一性的问题，能够实现广泛、准确的人群关系分析；信息采集无需要人为配合，信息准确率高；综合利用图像采集的多维度信息，包括地理位置，短时的信息，长时的信息，为人群关系的分析、分类、相互关系的识别提供多维度的信息，关系分析广泛且精准；人群关系无向权重视图的存储结构及基于此结构的动态过滤视图呈现方法，很好的支持动态、持续的关系网络的分析和展示，能够极大提升关系分析的灵活性和效率。

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。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可以用硬件实现，或固件实现，或它们的组合方式来实现。当使用软件实现时，可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质可以包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外。任何连接可以适当的成为计算机可读介质。例如，如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(Digital Subscriber Line，DSL)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的，那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定影中。如本发明所使用的，盘(Disk)和碟(disc)包括压缩光碟(CD)、激光碟、光碟、数字通用光碟(DVD)、软盘和蓝光光碟，其中盘通常磁性的复制数据，而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。

总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种人群关系网络分析方法，其特征在于，所述方法包括：

根据设定的数据采集格式对多个场所的视频数据进行数据采集，采集到的数据包括人脸特征值和各人脸特征值对应的结构化信息，所述结构化信息包括：采集时间、采集地点；

将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理；

根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息；

所述根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息，包括：

根据采集时间进行时延关系过滤，确定所述人脸特征值对应的人群之间的关联关系；

根据采集地点进行地理信息映射，确定各人脸特征值对应的个人的活动的场所；

根据所述采集时间和采集地点，分析各人脸特征值对应的个人在所述场所的行为；

根据所述人脸特征值对应的人群之间的关联关系、各人脸特征值对应的个人的活动的场所、以及各人脸特征值对应的个人在所述场所的行为，构造所述人群关系网络基础信息的人群关系无向权重视图；

所述根据所述采集时间和采集地点，分析各人脸特征值对应的个人在所述场所的行为，包括：

所有的实时聚类结果的信息，存储在聚类信息数据库中；

查询当前类的所有的视频图像的分采集的在当前地点的采集记录；

对得到的记录的集合进行概率统计，得到出行采集的时间的时间分布直方图；

用统计出的分布直方图与行为模式库的模式进行卷积，得到卷积最大的结果，如果符合一定的阈值设定要求，则匹配映射成功，得到这个类别在当前地点的行为模式。

2.如权利要求1所述的方法，其特征在于，所述人群关系无向权重视图包含多个边集合：Edge(Person(x),Person(y),R(z),Weight(w))；

其中，Person(x)、Person(y)表示任意的个人，R(z)表示Person(x)与Person(y)之间的关系类型，Weight(w)表示Person(x)与Person(y)之间的密切度为Weight(w)。

3.如权利要求1或2所述的方法，其特征在于，所述方法还包括：

在所述人群关系无向权重视图中加入关系视图过滤参数进行所述人群关系网络基础信息的过滤，得到过滤的人群关系无向权重视图；

其中，所述关系视图过滤参数包括：关系类型的集合，单个关系的权重门限，总体关系的权重门限，中心点Person(center)及图遍历深度。

4.一种人群关系网络分析装置，其特征在于，所述装置包括：

采集模块，用于根据设定的数据采集格式对多个场所的视频数据进行数据采集，采集到的数据包括人脸特征值和各人脸特征值对应的结构化信息，所述结构化信息包括：采集时间、采集地点；

聚类模块，用于将所述人脸特征值和各人脸特征值对应的结构化信息进行实时聚类处理；

构造模块，用于根据实时聚类处理后的所述人脸特征值和各人脸特征值对应的结构化信息，构造人群关系网络基础信息；

所述构造模块包括：

第一确定单元，用于根据采集时间进行时延关系过滤，确定所述人脸特征值对应的人群之间的关联关系；

第二确定单元，用于根据采集地点进行地理信息映射，确定各人脸特征值对应的个人的活动的场所；

分析单元，用于根据所述采集时间和采集地点，分析各人脸特征值对应的个人在所述场所的行为；

构造单元，用于根据所述人脸特征值对应的人群之间的关联关系、各人脸特征值对应的个人的活动的场所、以及各人脸特征值对应的个人在所述场所的行为，构造所述人群关系网络基础信息的人群关系无向权重视图；

所述分析单元用于：

所有的实时聚类结果的信息，存储在聚类信息数据库中；

查询当前类的所有的视频图像的分采集的在当前地点的采集记录；

对得到的记录的集合进行概率统计，得到出行采集的时间的时间分布直方图；

用统计出的分布直方图与行为模式库的模式进行卷积，得到卷积最大的结果，如果符合一定的阈值设定要求，则匹配映射成功，得到这个类别在当前地点的行为模式。

5.如权利要求4所述的装置，其特征在于，所述人群关系无向权重视图包含多个边集合：Edge(Person(x),Person(y),R(z),Weight(w))；

其中，Person(x)、Person(y)表示任意的个人，R(z)表示Person(x)与Person(y)之间的关系类型，Weight(w)表示Person(x)与Person(y)之间的密切度为Weight(w)。

6.如权利要求4或5所述的装置，其特征在于，所述装置还包括：

过滤模块，用于在所述人群关系无向权重视图中加入关系视图过滤参数进行所述人群关系网络基础信息的过滤，得到过滤的人群关系无向权重视图；

其中，所述关系视图过滤参数包括：关系类型的集合，单个关系的权重门限，总体关系的权重门限，中心点Person(center)及图遍历深度。