CN107368770B - 一种回头客自动识别方法及系统 - Google Patents

Abstract

本发明涉及生物特征识别技术领域，提供了一种回头客自动识别方法及系统。其中回头客自动识别方法包括以下步骤：追踪监控区域内的人脸并记录人脸信息；对所述人脸信息进行去重处理；判断所述人脸信息是否为人脸数据库中已有的人脸信息，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。本发明对图像中的信息采用了更加先进的卷积神经网络模型来对回头客进行识别，可以做到更高的匹配准确率；通过对特征向量投影可以进一步的提高回头客识别的准确率。

Description

一种回头客自动识别方法及系统

【技术领域】

本发明涉及生物特征识别技术领域，尤其涉及一种回头客自动识别方法及系统。

【背景技术】

目前的大型商场或小型店铺门口都装有监控设备，该设备能够统计每天的客流量情况，在统计客流量的基础上找出回头客并分析回头客的消费群体，对商场或店铺的经营具有重要的意义。

客流量统计设备中的回头客分析技术多采用人脸识别技术，人脸识别技术，是基于静态图像、需要手动输入一张静态头像，系统才能够对人脸进行识别，无法实现对处于动态的客流量进行人脸识别，如何在客流量动态过程中实现回头客的识别，是目前亟待解决的问题。

【发明内容】

本发明要解决的技术问题是现有回头客识别技术只能基于静态图像进行识别，检测结果不够准确的问题。

为解决上述技术问题，本发明提供以下技术方案：

一种回头客自动识别方法，包括以下步骤：

采集追踪监控区域内的人脸并记录人脸信息；

判断所述对所述人脸信息进行去重处理；

判断所述人脸信息是否为人脸数据库中已有的人脸信息，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

在一些实施例中，所述对所述人脸信息进行去重处理具体为：

比对人脸信息找出相同的人脸信息；

在相同的人脸信息中提取出最清晰的人脸信息进行保存。

在一些实施例中，所述判断所述人脸信息是否为人脸数据库中已有的人脸信息，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中具体为：

利用深度卷积神经网络对所述人脸信息进行卷积运算，将最后一个卷基层的输出作为特征向量；

将所述特征向量投射至投影矩阵定义好的空间；

判断所述特征向量是否为人脸数据库中已有的特征向量，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

在一些实施例中，所述追踪监控区域内的人脸并记录人脸信息的步骤之前还包括判断监控区域内是否含有人脸信息。

在一些实施例中，所述判断监控区域内是否含有人脸信息具体为：

利用哈尔特征算法逐层判断所述监控区域内的图像中是否含有人脸特征，将含有人脸特征的图像定义为阳性样本；

利用离线训练方法筛选出阳性样本中的假阳性样本。

另一方面，本发明还提供一种回头客自动识别系统，包括：人脸追踪采集模块，人脸信息去重模块，回头客识别模块，其中：

人脸追踪采集模块，用于追踪监控区域内的人脸并记录人脸信息；

人脸信息去重模块，用于对所述人脸信息进行去重处理；

回头客识别模块，用于判断所述人脸信息是否为人脸数据库中已有的人脸信息，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

在一些实施例中，所述人脸信息去重模块具体包括：人脸信息比对单元和人脸信息提取单元，其中：

人脸信息比对单元，用于比对人脸信息找出相同的人脸信息；

人脸信息提取单元，用于在相同的人脸信息中提取出最清晰的人脸信息进行保存。

在一些实施例中，所述回头客识别模块具体包括：卷积输出单元、投影矩阵单元和特征向量判断单元，其中：

卷积输出单元，用于利用深度卷积神经网络对所述人脸信息进行卷积运算，将最后一个卷基层的输出作为特征向量；

投影矩阵单元，用于将所述特征向量投射至投影矩阵定义好的空间；

特征向量判断单元，用于判断所述特征向量是否为人脸数据库中已有的特征向量，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

在一些实施例中，所述系统还包括人脸信息判断模块，所述人脸信息判断模块用于判断监控区域内是否含有人脸信息。

在一些实施例中，所述人脸信息判断模块具体包括：层联分类器单元和支持向量机单元，其中：

层联分类器单元，用于利用哈尔特征算法逐层判断所述图像中是否含有人脸特征，将含有人脸特征的图像定义为阳性样本；

支持向量机单元，用于利用离线训练方法筛选出阳性样本中的假阳性样本。

本发明的有益效果在于：本发明对图像中的信息采用了更加先进的卷积神经网络模型来对回头客进行识别，可以做到更高的匹配准确率；通过对特征向量投影可以进一步的提高回头客识别的准确率。

【附图说明】

图1是本发明实施例1一种回头客自动识别方法的流程示意图；

图2是本发明实施例2一种回头客自动识别系统的结构示意图。

【具体实施方式】

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，是本发明实施例1一种回头客自动识别方法的结构示意图，本发明实施例1提供一种回头客自动识别方法，包括以下步骤：

S1：追踪监控区域内的人脸并记录人脸信息；

为了了解店铺回头客的情况，需要在店铺安装采集设备，采集监控区域内的人脸信息。例如：当有顾客进入店铺时，采集设备将追踪监控区域内的人脸，记录下人脸区域内的相关信息为FaceID1，直到人脸消失在监控区域内，当有下一个顾客进入店铺时，记录下人脸区域内的相关信息为FaceID2，以同样的方法记录FaceID3、FaceID4等等。

S2：对所述人脸信息进行去重处理；

在本实施例中，所述对所述人脸信息进行去重处理具体为：

S21：比对人脸信息找出相同的人脸信息；

S22：在相同的人脸信息中提取出最清晰的人脸信息进行保存。

在一段时间内对进入店铺内的人脸进行采集后，需要对这些人脸信息进行去重处理。例如：在一天的记录时间过后，一共记录了FaceID1-FaceID20的人脸特征信息，需要找出这些人脸信息中属于同一个人的人脸信息并将同一个人的人脸信息中提取出最清晰的人脸信息做为下一步进行回头客判断的人脸信息，该过程是为了避免FaceID1-FaceID20中FaceID1可能和FaceID3是同一个人，若将每个FaceID都进行回头客判断会增加系统工作量。判断两个FaceID是否相同是通过判断两个FaceID之间的欧氏距离完成的。

S3：判断所述人脸信息是否为人脸数据库中已有的人脸信息，若是，确定所述人脸信息为回头客信息；若否，将所述人脸信息存储更新于所述人脸数据库中。

在本实施例中，所述步骤S3具体为：

S31：利用深度卷积神经网络对所述人脸信息进行卷积运算，将最后一个卷基层的输出作为特征向量；

S32：将所述特征向量投射至投影矩阵定义好的空间；

S33：判断所述特征向量是否为人脸数据库中已有的特征向量，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

对所述人脸信息进行去重处理之后，需要判断所述人脸信息是否为人脸数据库中已有的人脸信息，具体为：利用深度卷积神经网络对所述人脸信息进行卷积运算，将最后一个卷基层的输出作为特征向量，由于所述人脸信息可能为人脸数据库中没有的新人信息，需要将特征向量投射至投影矩阵定义好的空间，该空间能够将属于不相同的人脸信息的特征向量的欧式距离最大化，同时将同一人的人脸信息的特征向量的欧式距离最小化，该过程使得同一人的人脸信息更加全面准确，并保证不会将不相同的人脸信息进行混淆；判断所述特征向量是否为人脸数据库中已有的特征向量是通过比较人脸数据库中已有的特征向量与新投射的特征向量是否相似，若相似，说明该人脸信息为回头客信息，若不相似，则将新的特征向量存储更新于所述人脸数据库中的特征向量。进一步地，所述特征向量通过分类器后可以得到回头客的性别、年龄和颜值等参数，在输出回头客信息的过程中，可同时输出回头客的性别、年龄和颜值等参数，这里的颜值指一个人面容的美丽或英俊程度。

较佳地，在本实施例中，所述追踪监控区域内的人脸并记录人脸信息的步骤之前还包括判断监控区域内是否含有人脸信息。

为了保证判断的准确性，该判断过程分两级，首先进行第一级判断：利用哈尔特征算法逐层判断所述图像中是否含有人脸特征，将含有人脸特征的图像定义为阳性样本；哈尔特征是基于哈尔小波的特征，计算每一个图像内某矩形的像素和及其差值。通过哈尔特征算法判断的人脸特征信息可能出现假阳性样本，例如：设定哈尔特征为两个眼睛，一个鼻子，狗也是具有两个眼睛，一个鼻子的生物，此时图像中出现的狗脸被判断为人脸时，就出现了假阳性样本。因此，需要进行第二级判断：利用离线训练方法筛选出阳性样本中的假阳性样本，该过程利用非人脸数据作为阴性样本进行训练。

本实施例提供一种回头客自动识别方法，通过对图像中的信息采用了更加先进的卷积神经网络模型来对回头客进行识别，可以做到更高的匹配准确率；通过对特征向量投影可以进一步的提高回头客识别的准确率。

实施例2

如图2所示，是本发明实施例2一种回头客自动识别系统的结构示意图。本发明实施例2提供一种回头客自动识别系统，包括：人脸追踪采集模块2，人脸信息去重模块3，回头客识别模块4，其中：

人脸追踪采集模块2，用于追踪监控区域内的人脸并记录人脸信息；

人脸信息去重模块3，用于对所述人脸信息进行去重处理；

在本实施例中，所述人脸信息去重模块3具体包括：人脸信息比对单元31和人脸信息提取单元32，其中：

人脸信息比对单元31，用于比对人脸信息找出相同的人脸信息；

人脸信息提取单元32，用于在相同的人脸信息中提取出最清晰的人脸信息进行保存。

回头客识别模块4，用于判断所述人脸信息是否为人脸数据库中已有的人脸信息，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

在本实施例中，所述回头客识别模块4具体包括：卷积输出单元41、投影矩阵单元42和特征向量判断单元43，其中：

卷积输出单元41，用于利用深度卷积神经网络对所述人脸信息进行卷积运算，将最后一个卷基层的输出作为特征向量；

投影矩阵单元42，用于将所述特征向量投射至投影矩阵定义好的空间；

特征向量判断单元43，用于判断所述特征向量是否为人脸数据库中已有的特征向量，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

优选地，所述系统还包括人脸信息判断模块1，人脸信息判断模块1，用于判断所述图像信息是否为人脸信息；

在本实施例中，所述人脸信息判断模块1具体包括：层联分类器单元11和支持向量机单元12，其中：

层联分类器单元11，用于利用哈尔特征算法逐层判断所述图像中是否含有人脸特征，将含有人脸特征的图像定义为阳性样本；

支持向量机单元12，用于利用离线训练方法筛选出阳性样本中的假阳性样本。

由于本发明装置实施例与本发明方法实施例基于相同的发明构思，方法实施例中描述的技术内容同样适用于本发明装置实施例，此处不再赘述。

本实施例提供一种回头客自动识别系统，通过对图像中的信息采用了更加先进的卷积神经网络模型来对回头客进行识别，可以做到更高的匹配准确率；通过对特征向量投影可以进一步的提高回头客识别的准确率。

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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种回头客自动识别方法，其特征在于，包括以下步骤：

利用哈尔特征算法逐层判断监控区域内的图像中是否含有人脸特征，将含有人脸特征的图像定义为阳性样本；

利用离线训练方法筛选出阳性样本中的假阳性样本，以获取所述监控区域内的人脸；

追踪监控区域内的人脸并记录人脸信息；

对所述人脸信息进行去重处理；

利用深度卷积神经网络对所述人脸信息进行卷积运算，将最后一个卷基层的输出作为特征向量；

将所述特征向量投射至投影矩阵定义好的空间，所述投影矩阵用于将属于不相同的人脸信息的特征向量的欧式距离最大化，同时将同一人的人脸信息的特征向量的欧式距离最小化；

判断所述特征向量是否为人脸数据库中已有的特征向量，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

2.如权利要求1所述的回头客自动识别方法，其特征在于，所述对所述人脸信息进行去重处理具体为：

比对人脸信息找出相同的人脸信息；

在相同的人脸信息中提取出最清晰的人脸信息进行保存。

3.一种回头客自动识别系统，其特征在于，包括：人脸信息判断模块，人脸追踪采集模块，人脸信息去重模块，回头客识别模块，其中：

人脸信息判断模块，所述人脸信息判断模块具体包括：层联分类器单元和支持向量机单元，其中：

层联分类器单元，用于利用哈尔特征算法逐层判断监控区域内的图像中是否含有人脸特征，将含有人脸特征的图像定义为阳性样本；

支持向量机单元，用于利用离线训练方法筛选出阳性样本中的假阳性样本，以获取所述监控区域内的人脸；

人脸追踪采集模块，用于追踪监控区域内的人脸并记录人脸信息；

人脸信息去重模块，用于对所述人脸信息进行去重处理；

回头客识别模块，所述回头客识别模块具体包括：卷积输出单元、投影矩阵单元和特征向量判断单元，其中：

卷积输出单元，用于利用深度卷积神经网络对所述人脸信息进行卷积运算，将最后一个卷基层的输出作为特征向量；

投影矩阵单元，用于将所述特征向量投射至投影矩阵定义好的空间，所述投影矩阵用于将属于不相同的人脸信息的特征向量的欧式距离最大化，同时将同一人的人脸信息的特征向量的欧式距离最小化；

特征向量判断单元，用于判断所述特征向量是否为人脸数据库中已有的特征向量，若是，确定所述人脸为回头客；若否，将所述人脸信息存储更新于所述人脸数据库中。

4.如权利要求3所述的回头客自动识别系统，其特征在于，所述人脸信息去重模块具体包括：人脸信息比对单元和人脸信息提取单元，其中：

人脸信息比对单元，用于比对人脸信息找出相同的人脸信息；

人脸信息提取单元，用于在相同的人脸信息中提取出最清晰的人脸信息进行保存。

Images