CN110321935A - 业务事件关系确定方法及装置、计算机可读存储介质 - Google Patents
业务事件关系确定方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110321935A CN110321935A CN201910511032.0A CN201910511032A CN110321935A CN 110321935 A CN110321935 A CN 110321935A CN 201910511032 A CN201910511032 A CN 201910511032A CN 110321935 A CN110321935 A CN 110321935A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- event
- business event
- facial image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种业务事件关系确定方法及装置、计算机可读存储介质,所述业务事件关系确定方法包括:获取所有业务事件分别对应的事件图像;分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像;对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量;基于所述每张人脸图像一一对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度;根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。采用上述方案,对于一些业务相关信息极少或者没有其他线索的业务事件,也可以实现对业务事件之间的关系进行确定。
Description
技术领域
本发明实施例涉及社交网络技术领域,尤其涉及一种业务事件关系确定方法及装置、计算机可读存储介质。
背景技术
在业务场景的办理过程中,通常会留下一些与业务相关的业务信息。基于业务信息可以判断不同业务事件是否存在关联关系,进而进行业务营销的对象预测或者营销风险预测等。
然而,对于一些业务相关信息极少或者没有其他线索可以产生业务事件之间关联关系时,则无法对这些业务事件之间的关系进行判断。
发明内容
本发明实施例的目的在于提供一种判断业务事件之间关联关系的方案。
为解决上述技术问题,本发明实施例提供一种业务事件关系确定方法包括:获取所有业务事件分别对应的事件图像;分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像;对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量;基于所述每张人脸图像一一对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度;根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。
可选的,所述根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系,包括:当第i张人脸图像与第j张人脸图像之间的相似度超过预设阈值时,确定第i张人脸图像对应的业务事件与第j张人脸图像对应的业务事件之间的存在关联关系;1≤i≠j≤N,N为人脸图像的总数目。
可选的,在确定所述不同事件图像对应的业务事件之间的关联关系之后,还包括:根据确定的所述不同事件图像对应的业务事件之间的关联关系,构建所述不同业务事件之间的社交网络。
可选的,所述根据确定的所述不同业务事件之间的关联关系,构建所述不同业务事件之间的社交网络,包括:以所述不同业务事件之间的关联关系为边,以所述不同业务事件中的人脸图像对应的人脸属性作为连接节点的节点属性,构建所述不同业务事件之间的社交网络。
可选的,在构建所述不同业务事件之间的社交网络之后,还包括:根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对不同的业务事件进行分类;和或;根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对所述不同事件图像中相似度超过预设阈值的人脸图像对应的人物进行人物画像。
可选的,所述分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像,包括:采用尺度不变人脸检测器对所述事件图像进行人脸检测,输出所述事件图像中出现人脸的人脸矩形区域坐标以及人脸置信度;利用生成网络对所述事件图像中出现人脸区域图像进行超分辨率采样,得到满足预设分辨率的人脸区域图像;对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,将标准化人脸图像作为对应事件图像中出现的人物对应的人脸图像。
可选的,所述对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,包括:对所述满足预设分辨率的人脸区域图像进行人脸关键点识别;根据人脸关键点识别结果,将所述满足预设分辨率的人脸区域图像旋转至预设标准位置;按照预设图像尺寸,对旋转至所述标准位置的满足预设分辨率的人脸区域图像进行裁剪,得到所述满足所述预设图像尺寸的标准化人脸图像。
可选的,所述对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量,包括:分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的满足预设图像尺寸的标准化人脸图像;采用人脸向量化算法对每个满足预设图像尺寸的标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为每个人脸图像对应的人脸特征向量。
可选的,所述分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的标准化人脸图像之后,还包括:分别将所述每个满足预设图像尺寸的标准化人脸图像进行镜像,得到一一对应的镜像后的人脸图像;采用人脸向量化算法对每个镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算每个人脸图像的第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述每个人脸图像对应的人脸特征向量。
可选的,所述根据所述人脸图像对应的人脸特征向量,计算各人脸图像之间的相似度,包括:将各人脸图像对应的人脸特征向量转化成模长为1的人脸特征向量;将每个模长为1的人脸特征向量映射到半径为1的高维球面,得到所述每个模长为1的人脸特征向量在半径为1的高维球面上的映射点;计算任意两映射点与球心形成的夹角的余弦值,并将计算的余弦值作为所述两映射点对应的两张人脸图像之间的相似度。
本发明实施例还提供一种业务事件关系确定装置,包括:获取单元,适于获取所有业务事件分别对应的事件图像;人脸检测单元,适于分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像;向量化单元,适于对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量;计算单元,适于基于所述每张人脸图像一一对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度;确定单元,适于根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。
可选的,所述确定单元,适于当第i张人脸图像与第j张人脸图像之间的相似度超过预设阈值时,确定第i张人脸图像对应的业务事件与第j张人脸图像对应的业务事件之间的存在关联关系;1≤i≠j≤N,N为人脸图像的总数目。
可选的,所述业务事件关系确定装置还包括:构建单元,适于根据确定的所述不同事件图像对应的业务事件之间的关联关系,构建所述不同业务事件之间的社交网络。
可选的,所述构建单元,适于以所述不同业务事件之间的关联关系为边,以所述不同业务事件中的人脸图像对应的人脸属性作为连接节点的节点属性,构建所述不同业务事件之间的社交网络。
可选的,所述业务事件关系确定装置还包括分类单元及人物画像单元中的至少一种,其中:所述分类单元,适于根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对不同的业务事件进行分类;所述人物画像单元,适于根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对所述不同事件图像中相似度超过预设阈值的人脸图像对应的人物进行人物画像。
可选的,所述人脸检测单元,适于采用尺度不变人脸检测器对所述事件图像进行人脸检测,输出所述事件图像中出现人脸的人脸矩形区域坐标以及人脸置信度;利用生成网络对所述事件图像中出现人脸区域图像进行超分辨率采样,得到满足预设分辨率的人脸区域图像;对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,将标准化人脸图像作为对应事件图像中出现的人物对应的人脸图像。
可选的,所述人脸检测单元,适于对所述满足预设分辨率的人脸区域图像进行人脸关键点识别;根据人脸关键点识别结果,将所述满足预设分辨率的人脸区域图像旋转至预设标准位置;按照预设图像尺寸,对旋转至所述标准位置的满足预设分辨率的人脸区域图像进行裁剪,得到所述满足所述预设图像尺寸的标准化人脸图像。
可选的,所述向量化单元,适于分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的满足预设图像尺寸的标准化人脸图像;采用人脸向量化算法对每个满足预设图像尺寸的标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为每个人脸图像对应的人脸特征向量。
可选的,所述向量化单元,还适于分别将所述每个满足预设图像尺寸的标准化人脸图像进行镜像,得到一一对应的镜像后的人脸图像;采用人脸向量化算法对每个镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算每个人脸图像的第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述每个人脸图像对应的人脸特征向量。
可选的,所述计算单元,适于将各人脸图像对应的人脸特征向量转化成模长为1的人脸特征向量;将每个模长为1的人脸特征向量映射到半径为1的高维球面,得到所述每个模长为1的人脸特征向量在半径为1的高维球面上的映射点;计算任意两映射点与球心形成的夹角的余弦值,并将计算的余弦值作为所述两映射点对应的两张人脸图像之间的相似度。
本发明实施例还提供一种业务事件关系确定装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一种业务事件关系确定方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一种业务事件关系确定方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
通过对各业务事件对应的事件图像进行人脸检测,得到各事件图像对应的人脸图像,基于各人脸图像对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度,根据不同事件图像中各人脸图像之间的相似度计算结果,确定不同事件图像对应的业务事件之间的关联关系,从而可以在没有其他业务信息线索时,基于事件图像即可以实现对业务事件之间关系的确定。
进一步,根据确定的不同事件图像对应的业务事件之间的关联关系,构建不同业务事件之间的社交网络,从而可以便于对具有关联关系的业务事件进行后续利用及分析。
进一步,根据不同业务事件之间的社交网络以及不同业务事件之间的关联关系,对不同的业务事件进行分类,或者对不同事件图像中相似度超过预设阈值的人脸图像对应的人物进行人物画像,便于在不同业务事件中发现相似业务事件,以及通过相似业务事件发现对业务的利弊,对业务事件以及人物进行自动分类。
附图说明
图1是本发明实施例中的一种业务事件关系确定方法的流程图;
图2是本发明实施例中的一种业务事件关系确定装置的结构示意图。
具体实施方式
如上所述,现有技术中对于一些业务相关信息极少或者没有其他线索可以产生业务事件之间关联关系时,则无法对这些业务事件之间的关系进行判断。
本发明实施例中,通过对各业务事件对应的事件图像进行人脸检测,得到各事件图像对应的人脸图像,基于各人脸图像对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度,根据不同事件图像中各人脸图像之间的相似度计算结果,确定不同事件图像对应的业务事件之间的关联关系,从而可以在没有其他业务信息线索时,基于事件图像即可以实现对业务事件之间关系的确定。
为使本发明实施例的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参照图1,给出了本发明实施例中的一种业务事件关系确定方法的流程图。具体可以包括如下步骤:
步骤11,获取所有业务事件分别对应的事件图像。
在具体实施中,在业务事件办理过程中,通常可以留存有业务事件相关的影像资料,如视频、图像等。在本发明实施例中,在判断业务事件之间是否存在关联关系时,可以获取到待判断是否存在关联关系的所有业务事件分别对应的事件图像。
在具体实施中,一个业务事件可以对应有一张事件图像,也可以对应有多张事件图像。
步骤12,分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像。
在具体实施中,当获取到业务事件对应的事件图像后,可以分别对所有的事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像。若一张事件图像中出现一个人物,相应地,该事件图像对应有一张人脸图像。若一张事件图像中出现多个人物,相应地,该事件图像对应有多张人脸图像。
在本发明实施例中,可以采用如下方式分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像:采用尺寸不变人脸检测器对事件图像进行人脸检测,以确定事件图像中出现的人脸所在的人脸矩形区域坐标以及人脸置信度,其中,人脸置信度用于描述某一区域包括人脸的可能性,也即用于表征事件图像中出现人脸的概率,人脸置信度越高越接受这个区域包含人脸的假设,人脸置信度越高表明出现人脸的概率越大。人脸置信度与图像的清晰度、图像中人脸的位置、人脸的姿态(正面人脸、侧面人脸等)等因素相关,人脸图像的清晰度越高、人脸姿态越接近正面人脸所对应的人脸置信度越高。利用生成网络对所述事件图像中出现人脸区域图像进行超分辨率采样,得到满足预设分辨率的人脸区域图像,从而可以对分辨率较低的人脸图像进行转换得到分辨率较高的清晰的人脸图像。对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,将标准化人脸图像作为对应事件图像中出现的人物对应的人脸图像。
在本发明实施例中,可以采用如下方式得到标准化人脸图像:对所述满足预设分辨率的人脸区域图像进行人脸关键点识别,其中,人脸关键点可以包括人的五官以及面部轮廓上设定的点。根据人脸关键点识别结果,将所述满足预设分辨率的人脸区域图像旋转至预设标准位置,也即将满足预设分辨率的人脸区域图像的人脸方向调整至所设定的方向,使得人脸中的关键点如眼睛、鼻尖以及嘴角等处于预设位置。按照预设图像尺寸,对旋转至所述标准位置的满足预设分辨率的人脸区域图像进行裁剪,得到满足所述预设图像尺寸的标准化人脸图像。
可以理解的是,根据满足预设分辨率的人脸图像的实际尺寸情况,还可以对满足预设分辨率的人脸图像进行放大或缩小,以得到满足所述预设图像尺寸的标准化人脸图像,将满足所述预设图像尺寸的标准化人脸图像作为每张事件图像中出现的各人物的人脸图像。
步骤13,对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量。
在本发明实施例中,可以采用如下方式对每张人脸图像进行人脸向量化,得到每张人脸图像一一对应的人脸特征向量:分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的满足预设图像尺寸的标准化人脸图像。
在本发明实施例中,对所述人脸图像进行标准化可以包括如下步骤:对人脸图像进行尺寸归一化,得到预设尺寸的人脸图像;对得到的预设尺寸的人脸图像中的人脸方向进行旋转等调整操作,使得人脸中的关键点如眼睛、鼻尖以及嘴角等处于预设位置。通过对得到的预设尺寸的人脸图像进行调整操作,可以使得得到的预设尺寸的人脸图像中的人脸处于非倾斜状态。通过对待处理图像中的人脸图像进行标准化处理,可以提高人脸检测的容错性,以及提高后续基于人脸图像进行业务事件关系判断的精度。
在具体实施中,在得到标准化人脸图像后,可以采用人脸向量化算法对所述标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为每个人脸图像对应的人脸特征向量。一张人脸图像可以看作一个3维的像素矩阵,通过人脸向量化处理之后,可以得到对应的1维向量,1维向量的长度可以根据实际需求进行设定。例如,采用全连接层较小的轻量级的人脸向量化算法对所述标准化的人脸图像进行人脸特征向量化,将3维人脸图像转换成对应的1维向量,并采用512维向量作为所述人脸图像对应的人脸特征向量。
为了进一步提高所得到的人脸特征向量的精确度以及稳定性,在本发明实施例中,分别将所述每个满足预设图像尺寸的标准化人脸图像进行镜像,得到一一对应的镜像后的人脸图像,采用人脸向量化算法对每个镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量,计算每个人脸图像的第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述每个人脸图像对应的人脸特征向量。
步骤14,基于所述每张人脸图像一一对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度。
在具体实施中,可以采用欧式距离计算不同事件图像中各人脸图像之间的相似度,也可以采用余弦距离计算不同事件图像中各人脸图像之间的相似度。
在本发明实施例中,可以采用如下方式计算不同事件图像中的各人脸图像之间的相似度:将各人脸图像对应的人脸特征向量转化成模长为1的人脸特征向量;将每个模长为1的人脸特征向量映射到半径为1的高维球面,得到每个模长为1的人脸特征向量在半径为1的高维球面上的映射点;计算任意两映射点与球心形成的夹角的余弦值,并将计算的余弦值作为所述两映射点对应的两张人脸图像之间的相似度。
在本发明另一实施例中,为了便于计算不同事件图像中的各人脸图像的相似度,可以将N张人脸图像对应的人脸特征向量组合得到N*512的矩阵,其中,矩阵的第i行为第i张人脸图像对应的人脸特征向量,第j行为第j张人脸图像对应的人脸特征向量。将N*512的矩阵转置得到512*N的矩阵,将上述N*512矩阵与转置后的512*N的矩阵相乘得到相似度矩阵,由于A*B=|A||B|cos(α),矩阵第i行第j列的数值在-1到1之间表示第i张人脸图像与第j张人脸图像的相似度,数值越大相似度越高。
步骤15,根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。
在具体实施中,当第i张人脸图像与第j张人脸图像之间的相似度超过预设阈值时,确定第i张人脸图像对应的业务事件与第j张人脸图像对应的业务事件之间的存在关联关系;1≤i≠j≤N,N为人脸图像的总数目,也即当不同事件图像中的任两张人脸图像之间的相似度超过预设阈值时,则可以判定相似度超过预设阈值的两张人脸图像为同一人物,从而可以确定相似度超过预设阈值的人脸图像对应的业务事件之间存在关联关系,从而可以实现根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。
由上可知,通过对各业务事件对应的事件图像进行人脸检测,得到各事件图像对应的人脸图像,基于各人脸图像对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度,根据不同事件图像中各人脸图像之间的相似度计算结果,确定不同事件图像对应的业务事件之间的关联关系,从而可以在没有其他业务信息线索时,基于事件图像即可以实现对业务事件之间关系的确定。
在实际应用中,同一业务事件可能对应多张不同的事件图像,而同一目标人物可能同时出现在多张不同的事件图像中,而实质上这多张不同的事件图像本身就隶属于同一业务事件,为了简化计算复杂度,提高业务事件关联关系判断的效率,在本发明实施例中,可以仅对属于不同业务事件的不同事件图像中的人脸图像进行相似度判断。
在具体实施中,继续参照图1,在步骤15之后,还可以执行步骤16,构建所述不同业务事件之间的社交网络。
在本发明实施例中,在确定不同事件图像对应的业务事件之间的关联关系之后,还可以根据确定的不同事件图像对应的业务事件之间的关联关系,构建不同业务事件之间的社交网络。
具体而言,在本发明实施例中,可以以不同业务事件之间的关联关系为边,以不同业务事件中的人脸图像对应的人脸属性作为连接节点的节点属性,构建不同业务事件之间的社交网络。
在具体实施中,人脸属性可以包括人物的身份信息、年龄、性别、职业等中的至少一种信息。
在具体实施中,在步骤16之后,还可以执行步骤17,根据不同业务事件之间的社交网络以及不同业务事件之间的关联关系,对不同的业务事件进行分类。
在本发明实施例中,当不同业务事件建立社交网络之后,具有关联关系的两个或者多个不同业务事件之间存在相似度超过预设阈值的人脸图像,也即这两个或多个不同业务事件之间存在相同的人物,两个或多个不同业务事件之间通过这一相同的人物产生联系。可以根据业务事件的类型、具有关联关系的不同业务事件之间的相同人物的人物属性对不同的业务事件进行分类。
例如,具有关联关系的业务事件A、业务事件B以及业务事件C均属于销售业务,业务事件A、业务事件B以及业务事件C均存在业务员李四。具有关联关系的业务事件D、业务事件E、业务事件F以及业务事件G均属于销售业务,业务事件D、业务事件E、业务事件F以及业务事件G均存在业务员张三。根据不同事件之间存在的关键人物,也即相同人物张三及李四,将业务事件A、业务事件B以及业务事件C划分为一类,将业务事件D、业务事件E、业务事件F以及业务事件G划分为另一类。
在具体实施中,在步骤16之后,还可以执行步骤18,根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对所述不同事件图像中相似度超过预设阈值的人脸图像对应的人物进行人物画像。
在具体实施中,对于具有关联关系的不同业务事件中相似度超过预设阈值的人脸图像,可以获取相似度超过预设阈值的人脸图像对应人物的人脸属性,从而根据人脸属进行人物画像。
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。通过识别业务事件出现的相同人物,以及与目标人物同时出现的陪同人物人脸,从而可以得到不同事件之间通过人脸图像所产生的关联关系。以业务事件为点,以不同业务事件之间因人脸图像之间的关联关系为边可构建社交网络,也可将人脸图像产生的关联信息加入由其他关联构建的社交网络,从而日可以丰富社交网络的内容。通过人脸图像产生的关联的统计特征及属性挖掘相似业务事件,并总结规律对业务事件进行分类。此外,还可对具有关联关系的不同业务之间对应的各人物进行身份画像。
在实际业务中,采用本发明上述实施例在没有其他线索可以产生业务事件间的关联关系时,基于人脸关联构建的关联图可以独立作为社交网络。在已经存在以业务事件为节点的社交网络时,人脸关联关系也可以加入社交网络中,丰富社交网络结构及内容。通过在不同业务事件中找到相同人脸可以调查得到业务意义上的相似业务事件,观察相似业务事件对于业务的利弊,总结相似业务事件在社交网络中的规律,将网络中发现的规律量化成规则和变量实现对业务事件和人物的自动分类。
在具体实施中,业务事件可以为用于确定营销对象的营销业务,采用本发明上述实施例提供的业务事件关系确定方法,可以实现精准营销。业务事件也可以为风险预估业务,根据不同业务事件中出现的风险人物,从而找出不同业务事件之间的潜在关联,以进行有效风险预防。
需要说明的是,步骤17及步骤18可以并列,步骤17及步骤18择一执行,步骤17及步骤18也可以同时执行,具体根据实际应用场景的需求进行设定即可。
为了便于本领域技术人员更好的理解和实现本发明实施例,本发明实施例还提供一种业务事件关系确定装置。
参照图2,给出了本发明实施例中的一种业务事件关系确定装置的结构示意图。业务事件关系确定装置20可以包括:获取单元21、人脸检测单元22、向量化单元23、计算单元24以及确定单元25,其中:
获取单元21,适于获取所有业务事件分别对应的事件图像;
人脸检测单元22,适于分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像;
向量化单元23,适于对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量;
计算单元24,适于基于所述每张人脸图像一一对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度;
确定单元25,适于根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。
在具体实施中,所述确定单元25,适于当第i张人脸图像与第j张人脸图像之间的相似度超过预设阈值时,确定第i张人脸图像对应的业务事件与第j张人脸图像对应的业务事件之间的存在关联关系;1≤i≠j≤N,N为人脸图像的总数目。
在具体实施中,业务事件关系确定装置20还可以包括:构建单元26,适于根据确定的所述不同事件图像对应的业务事件之间的关联关系,构建所述不同业务事件之间的社交网络。
在具体实施中,构建单元26,可以适于以所述不同业务事件之间的关联关系为边,以所述不同业务事件中的人脸图像对应的人脸属性作为连接节点的节点属性,构建所述不同业务事件之间的社交网络。
在具体实施中,业务事件关系确定装置20还可以包括:分类单元27及人物画像单元28中的至少一种,其中:
所述分类单元27,可以适于根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对不同的业务事件进行分类;
在具体实施中,所述人物画像单元28,可以适于根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对所述不同事件图像中相似度超过预设阈值的人脸图像对应的人物进行人物画像。
在具体实施中,所述人脸检测单元22,可以适于采用尺度不变人脸检测器对所述事件图像进行人脸检测,输出所述事件图像中出现人脸的人脸矩形区域坐标以及人脸置信度;利用生成网络对所述事件图像中出现人脸区域图像进行超分辨率采样,得到满足预设分辨率的人脸区域图像;对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,将标准化人脸图像作为对应事件图像中出现的人物对应的人脸图像。
在具体实施中,所述人脸检测单元22,可以适于对所述满足预设分辨率的人脸区域图像进行人脸关键点识别;根据人脸关键点识别结果,将所述满足预设分辨率的人脸区域图像旋转至预设标准位置;按照预设图像尺寸,对旋转至所述标准位置的满足预设分辨率的人脸区域图像进行裁剪,得到所述满足所述预设图像尺寸的标准化人脸图像。
在具体实施中,所述向量化单元23,可以适于分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的满足预设图像尺寸的标准化人脸图像;采用人脸向量化算法对每个满足预设图像尺寸的标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为每个人脸图像对应的人脸特征向量。
在具体实施中,所述向量化单元23,还适于分别将所述每个满足预设图像尺寸的标准化人脸图像进行镜像,得到一一对应的镜像后的人脸图像;采用人脸向量化算法对每个镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算每个人脸图像的第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述每个人脸图像对应的人脸特征向量。
在具体实施中,所述计算单元24,可以适于将各人脸图像对应的人脸特征向量转化成模长为1的人脸特征向量;将每个模长为1的人脸特征向量映射到半径为1的高维球面,得到每个模长为1的人脸特征向量在半径为1的高维球面上的映射点;计算任意两映射点与球心形成的夹角的余弦值,并将计算的余弦值作为所述两映射点对应的两张人脸图像之间的相似度。
在具体实施中,业务事件关系确定装置20的工作原理及工作流程,可以参考本发明上述实施例中提供的业务事件关系确定方法中的描述,此处不再赘述。
本发明实施例还提供一种业务事件关系确定装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行权利本发明上述任一实施例提供的业务事件关系确定方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机指令,所述计算机指令运行时执行本发明上述任一实施例提供的业务事件关系确定方法的步骤。
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,该程序可以存储于任一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (22)
1.一种业务事件关系确定方法,其特征在于,包括:
获取所有业务事件分别对应的事件图像;
分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像;
对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量;
基于所述每张人脸图像一一对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度;
根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。
2.根据权利要求1所述的业务事件关系确定方法,其特征在于,所述根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系,包括:
当第i张人脸图像与第j张人脸图像之间的相似度超过预设阈值时,确定第i张人脸图像对应的业务事件与第j张人脸图像对应的业务事件之间的存在关联关系;1≤i≠j≤N,N为人脸图像的总数目。
3.根据权利要求2所述的业务事件关系确定方法,其特征在于,在确定所述不同事件图像对应的业务事件之间的关联关系之后,还包括:
根据确定的所述不同事件图像对应的业务事件之间的关联关系,构建所述不同业务事件之间的社交网络。
4.根据权利要求3所述的业务事件关系确定方法,其特征在于,所述根据确定的所述不同业务事件之间的关联关系,构建所述不同业务事件之间的社交网络,包括:
以所述不同业务事件之间的关联关系为边,以所述不同业务事件中的人脸图像对应的人脸属性作为连接节点的节点属性,构建所述不同业务事件之间的社交网络。
5.根据权利要求3所述的业务事件关系确定方法,其特征在于,在构建所述不同业务事件之间的社交网络之后,还包括:
根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对不同的业务事件进行分类;和或;
根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对所述不同事件图像中相似度超过预设阈值的人脸图像对应的人物进行人物画像。
6.根据权利要求1所述的业务事件关系确定方法,其特征在于,所述分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像,包括:
采用尺度不变人脸检测器对所述事件图像进行人脸检测,输出所述事件图像中出现人脸的人脸矩形区域坐标以及人脸置信度;
利用生成网络对所述事件图像中出现人脸区域图像进行超分辨率采样,得到满足预设分辨率的人脸区域图像;
对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,将标准化人脸图像作为对应事件图像中出现的人物对应的人脸图像。
7.根据权利要求6所述的业务事件关系确定方法,其特征在于,所述对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,包括:
对所述满足预设分辨率的人脸区域图像进行人脸关键点识别;
根据人脸关键点识别结果,将所述满足预设分辨率的人脸区域图像旋转至预设标准位置;
按照预设图像尺寸,对旋转至所述标准位置的满足预设分辨率的人脸区域图像进行裁剪,得到所述满足所述预设图像尺寸的标准化人脸图像。
8.根据权利要求1所述的业务事件关系确定方法,其特征在于,所述对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量,包括:
分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的满足预设图像尺寸的标准化人脸图像;
采用人脸向量化算法对每个满足预设图像尺寸的标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为每个人脸图像对应的人脸特征向量。
9.根据权利要求8所述的业务事件关系确定方法,其特征在于,所述分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的标准化人脸图像之后,还包括:
分别将所述每个满足预设图像尺寸的标准化人脸图像进行镜像,得到一一对应的镜像后的人脸图像;
采用人脸向量化算法对每个镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;
计算每个人脸图像的第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述每个人脸图像对应的人脸特征向量。
10.根据权利要求1所述的业务事件关系确定方法,其特征在于,所述根据所述人脸图像对应的人脸特征向量,计算各人脸图像之间的相似度,包括:
将各人脸图像对应的人脸特征向量转化成模长为1的人脸特征向量;
将每个模长为1的人脸特征向量映射到半径为1的高维球面,得到所述每个模长为1的人脸特征向量在半径为1的高维球面上的映射点;
计算任意两映射点与球心形成的夹角的余弦值,并将计算的余弦值作为所述两映射点对应的两张人脸图像之间的相似度。
11.一种业务事件关系确定装置,其特征在于,包括:
获取单元,适于获取所有业务事件分别对应的事件图像;
人脸检测单元,适于分别对所有事件图像进行人脸检测,得到每张事件图像中出现的各人物的人脸图像;
向量化单元,适于对所述每张事件图像中出现的各人物的人脸图像分别进行人脸向量化,得到与每张人脸图像一一对应的人脸特征向量;
计算单元,适于基于所述每张人脸图像一一对应的人脸特征向量,计算不同事件图像中各人脸图像之间的相似度;
确定单元,适于根据所述不同事件图像中各人脸图像之间的相似度,确定所述不同事件图像对应的业务事件之间的关联关系。
12.根据权利要求11所述的业务事件关系确定装置,其特征在于,所述确定单元,适于当第i张人脸图像与第j张人脸图像之间的相似度超过预设阈值时,确定第i张人脸图像对应的业务事件与第j张人脸图像对应的业务事件之间的存在关联关系;1≤i≠j≤N,N为人脸图像的总数目。
13.根据权利要求12所述的业务事件关系确定装置,其特征在于,还包括:构建单元,适于根据确定的所述不同事件图像对应的业务事件之间的关联关系,构建所述不同业务事件之间的社交网络。
14.根据权利要求13所述的业务事件关系确定装置,其特征在于,所述构建单元,适于以所述不同业务事件之间的关联关系为边,以所述不同业务事件中的人脸图像对应的人脸属性作为连接节点的节点属性,构建所述不同业务事件之间的社交网络。
15.根据权利要求13所述的业务事件关系确定装置,其特征在于,还包括分类单元及人物画像单元中的至少一种,其中:
所述分类单元,适于根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对不同的业务事件进行分类;
所述人物画像单元,适于根据所述不同业务事件之间的社交网络以及所述不同业务事件之间的关联关系,对所述不同事件图像中相似度超过预设阈值的人脸图像对应的人物进行人物画像。
16.根据权利要求11所述的业务事件关系确定装置,其特征在于,所述人脸检测单元,适于采用尺度不变人脸检测器对所述事件图像进行人脸检测,输出所述事件图像中出现人脸的人脸矩形区域坐标以及人脸置信度;利用生成网络对所述事件图像中出现人脸区域图像进行超分辨率采样,得到满足预设分辨率的人脸区域图像;对所述满足预设分辨率的人脸区域图像进行人脸对齐,得到满足预设图像尺寸的标准化人脸图像,将标准化人脸图像作为对应事件图像中出现的人物对应的人脸图像。
17.根据权利要求16所述的业务事件关系确定装置,其特征在于,所述人脸检测单元,适于对所述满足预设分辨率的人脸区域图像进行人脸关键点识别;根据人脸关键点识别结果,将所述满足预设分辨率的人脸区域图像旋转至预设标准位置;按照预设图像尺寸,对旋转至所述标准位置的满足预设分辨率的人脸区域图像进行裁剪,得到所述满足所述预设图像尺寸的标准化人脸图像。
18.根据权利要求11所述的业务事件关系确定装置,其特征在于,所述向量化单元,适于分别对每张人脸图像进行图像标准化,得到与所述每张人脸图像一一对应的满足预设图像尺寸的标准化人脸图像;采用人脸向量化算法对每个满足预设图像尺寸的标准化人脸图像进行人脸向量化处理,获取预设维度的第一人脸特征向量作为每个人脸图像对应的人脸特征向量。
19.根据权利要求18所述的业务事件关系确定装置,其特征在于,所述向量化单元,还适于分别将所述每个满足预设图像尺寸的标准化人脸图像进行镜像,得到一一对应的镜像后的人脸图像;采用人脸向量化算法对每个镜像后的人脸图像进行人脸向量化处理,获取预设维度的第二人脸特征向量;计算每个人脸图像的第一人脸特征向量与所述第二人脸特征向量的均值,将所求的均值作为所述每个人脸图像对应的人脸特征向量。
20.根据权利要求11所述的业务事件关系确定装置,其特征在于,所述计算单元,适于将各人脸图像对应的人脸特征向量转化成模长为1的人脸特征向量;将每个模长为1的人脸特征向量映射到半径为1的高维球面,得到所述每个模长为1的人脸特征向量在半径为1的高维球面上的映射点;计算任意两映射点与球心形成的夹角的余弦值,并将计算的余弦值作为所述两映射点对应的两张人脸图像之间的相似度。
21.一种业务事件关系确定装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至10任一项所述的业务事件关系确定方法的步骤。
22.一种计算机可读存储介质,计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至10任一项所述的业务事件关系确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511032.0A CN110321935B (zh) | 2019-06-13 | 2019-06-13 | 业务事件关系确定方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511032.0A CN110321935B (zh) | 2019-06-13 | 2019-06-13 | 业务事件关系确定方法及装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321935A true CN110321935A (zh) | 2019-10-11 |
CN110321935B CN110321935B (zh) | 2022-03-15 |
Family
ID=68119525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910511032.0A Active CN110321935B (zh) | 2019-06-13 | 2019-06-13 | 业务事件关系确定方法及装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321935B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126969A (zh) * | 2019-12-29 | 2020-05-08 | 山西云时代技术有限公司 | 一种企业审计监督管理实现方法 |
CN111222419A (zh) * | 2019-12-24 | 2020-06-02 | 深圳市优必选科技股份有限公司 | 一种物体识别方法、机器人以及计算机可读存储介质 |
CN113705537A (zh) * | 2021-09-18 | 2021-11-26 | 中国银行股份有限公司 | 用户身份认证方法及装置 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315631A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种新闻视频故事单元关联方法 |
CN101681428A (zh) * | 2007-05-30 | 2010-03-24 | 伊斯曼柯达公司 | 来自图像集合的合成人物模型 |
CN102200578A (zh) * | 2010-03-25 | 2011-09-28 | 日电(中国)有限公司 | 数据关联设备和方法 |
EP2378463A2 (en) * | 2004-03-16 | 2011-10-19 | 3VR Security, Inc. | Pipeline architecture for analyzing multiple video streams |
CN102637183A (zh) * | 2011-02-12 | 2012-08-15 | 北京千橡网景科技发展有限公司 | 用于在社交网络中向用户推荐好友的方法和设备 |
CN104284162A (zh) * | 2014-10-29 | 2015-01-14 | 广州中国科学院软件应用技术研究所 | 一种视频检索方法和系统 |
CN104317789A (zh) * | 2014-04-24 | 2015-01-28 | 科技谷(厦门)信息技术有限公司 | 构建乘客社交网络的方法 |
CN105100108A (zh) * | 2015-08-18 | 2015-11-25 | 赛肯(北京)科技有限公司 | 一种基于人脸识别的登录认证方法、装置及系统 |
CN105553940A (zh) * | 2015-12-09 | 2016-05-04 | 北京中科云集科技有限公司 | 一种基于大数据处理平台的安全防护方法 |
CN105938528A (zh) * | 2016-04-03 | 2016-09-14 | 长春工业大学 | 一种计算机事件的控制系统 |
CN106469309A (zh) * | 2015-08-14 | 2017-03-01 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN107111787A (zh) * | 2014-09-08 | 2017-08-29 | 皮沃塔尔软件公司 | 流处理 |
CN107169474A (zh) * | 2017-06-16 | 2017-09-15 | 郑州云海信息技术有限公司 | 一种基于智能计算技术的犯罪预警方法 |
CN108154091A (zh) * | 2017-12-11 | 2018-06-12 | 北京小米移动软件有限公司 | 图像展示方法、图像处理方法及装置 |
CN108415666A (zh) * | 2018-01-20 | 2018-08-17 | 福建省数字福建云计算运营有限公司 | 一种基于家庭云盘的数据存储方法及系统 |
CN108829764A (zh) * | 2018-05-28 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 推荐信息获取方法、装置、系统、服务器及存储介质 |
CN109271917A (zh) * | 2018-09-10 | 2019-01-25 | 广州杰赛科技股份有限公司 | 人脸识别方法、装置、计算机设备和可读存储介质 |
CN109615256A (zh) * | 2018-12-17 | 2019-04-12 | 武汉烽火信息集成技术有限公司 | 智慧园区安防风险控制方法、存储介质、电子设备及系统 |
CN109711301A (zh) * | 2018-12-18 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 驾驶人员审核方法、装置、计算机设备和存储介质 |
CN109726617A (zh) * | 2017-10-30 | 2019-05-07 | 同方威视科技江苏有限公司 | 安检系统以及安检方法 |
-
2019
- 2019-06-13 CN CN201910511032.0A patent/CN110321935B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2378463A2 (en) * | 2004-03-16 | 2011-10-19 | 3VR Security, Inc. | Pipeline architecture for analyzing multiple video streams |
CN101681428A (zh) * | 2007-05-30 | 2010-03-24 | 伊斯曼柯达公司 | 来自图像集合的合成人物模型 |
CN101315631A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种新闻视频故事单元关联方法 |
CN102200578A (zh) * | 2010-03-25 | 2011-09-28 | 日电(中国)有限公司 | 数据关联设备和方法 |
CN102637183A (zh) * | 2011-02-12 | 2012-08-15 | 北京千橡网景科技发展有限公司 | 用于在社交网络中向用户推荐好友的方法和设备 |
CN104317789A (zh) * | 2014-04-24 | 2015-01-28 | 科技谷(厦门)信息技术有限公司 | 构建乘客社交网络的方法 |
CN107111787A (zh) * | 2014-09-08 | 2017-08-29 | 皮沃塔尔软件公司 | 流处理 |
CN104284162A (zh) * | 2014-10-29 | 2015-01-14 | 广州中国科学院软件应用技术研究所 | 一种视频检索方法和系统 |
CN106469309A (zh) * | 2015-08-14 | 2017-03-01 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN105100108A (zh) * | 2015-08-18 | 2015-11-25 | 赛肯(北京)科技有限公司 | 一种基于人脸识别的登录认证方法、装置及系统 |
CN105553940A (zh) * | 2015-12-09 | 2016-05-04 | 北京中科云集科技有限公司 | 一种基于大数据处理平台的安全防护方法 |
CN105938528A (zh) * | 2016-04-03 | 2016-09-14 | 长春工业大学 | 一种计算机事件的控制系统 |
CN107169474A (zh) * | 2017-06-16 | 2017-09-15 | 郑州云海信息技术有限公司 | 一种基于智能计算技术的犯罪预警方法 |
CN109726617A (zh) * | 2017-10-30 | 2019-05-07 | 同方威视科技江苏有限公司 | 安检系统以及安检方法 |
CN108154091A (zh) * | 2017-12-11 | 2018-06-12 | 北京小米移动软件有限公司 | 图像展示方法、图像处理方法及装置 |
CN108415666A (zh) * | 2018-01-20 | 2018-08-17 | 福建省数字福建云计算运营有限公司 | 一种基于家庭云盘的数据存储方法及系统 |
CN108829764A (zh) * | 2018-05-28 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 推荐信息获取方法、装置、系统、服务器及存储介质 |
CN109271917A (zh) * | 2018-09-10 | 2019-01-25 | 广州杰赛科技股份有限公司 | 人脸识别方法、装置、计算机设备和可读存储介质 |
CN109615256A (zh) * | 2018-12-17 | 2019-04-12 | 武汉烽火信息集成技术有限公司 | 智慧园区安防风险控制方法、存储介质、电子设备及系统 |
CN109711301A (zh) * | 2018-12-18 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 驾驶人员审核方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
DAVID REVERTER VALEIRAS等: ""An Asynchronous Neuromorphic Event-Driven Visual Part-Based Shape Tracking"", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS ( VOLUME: 26, ISSUE: 12, DEC. 2015)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222419A (zh) * | 2019-12-24 | 2020-06-02 | 深圳市优必选科技股份有限公司 | 一种物体识别方法、机器人以及计算机可读存储介质 |
CN111126969A (zh) * | 2019-12-29 | 2020-05-08 | 山西云时代技术有限公司 | 一种企业审计监督管理实现方法 |
CN113705537A (zh) * | 2021-09-18 | 2021-11-26 | 中国银行股份有限公司 | 用户身份认证方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110321935B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12062249B2 (en) | System and method for generating image landmarks | |
Liu et al. | Dense face alignment | |
Jourabloo et al. | Pose-invariant 3D face alignment | |
WO2020119661A1 (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
Chen et al. | Why recognition in a statistics-based face recognition system should be based on the pure face portion: a probabilistic decision-based proof | |
US8238660B2 (en) | Hybrid graph model for unsupervised object segmentation | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
WO2021217924A1 (zh) | 交通卡口车辆类型的识别方法、装置、设备及存储介质 | |
CN108197532A (zh) | 人脸识别的方法、装置及计算机装置 | |
JP6207210B2 (ja) | 情報処理装置およびその方法 | |
CN108198172B (zh) | 图像显著性检测方法和装置 | |
US20130064460A1 (en) | Image Clustering a Personal Clothing Model | |
CN110321935A (zh) | 业务事件关系确定方法及装置、计算机可读存储介质 | |
EP4375857A1 (en) | Supervised learning method and apparatus for image features, device, and storage medium | |
CN111476806A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112036284B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN105303152A (zh) | 一种人体再识别方法 | |
CN110232331B (zh) | 一种在线人脸聚类的方法及系统 | |
Huang et al. | Soft-margin mixture of regressions | |
CN108446672A (zh) | 一种基于由粗到细脸部形状估计的人脸对齐方法 | |
EP4404148A1 (en) | Image processing method and apparatus, and computer-readable storage medium | |
CN113255561B (zh) | 头发信息识别方法、装置、设备及存储介质 | |
CN107025444A (zh) | 分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置 | |
CN111310821A (zh) | 多视图特征融合方法、系统、计算机设备及存储介质 | |
CN113112518A (zh) | 基于拼接图像的特征提取器生成方法、装置和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |