CN110751046A - 一种用户识别方法、装置、可读存储介质及终端设备 - Google Patents
一种用户识别方法、装置、可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN110751046A CN110751046A CN201910889893.2A CN201910889893A CN110751046A CN 110751046 A CN110751046 A CN 110751046A CN 201910889893 A CN201910889893 A CN 201910889893A CN 110751046 A CN110751046 A CN 110751046A
- Authority
- CN
- China
- Prior art keywords
- user
- identified
- information
- clustering
- 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
Images
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Abstract
本申请属于图像处理技术领域,尤其涉及一种用户识别方法、装置、计算机可读存储介质及终端设备。所述方法获取预设的图像采集系统在指定时段内采集的图像集合,所述图像采集系统分布在指定区域内;从所述图像集合中提取各个待识别用户的用户信息,所述待识别用户为在所述指定时段内出现在所述指定区域内的用户;获取各个图像采集装置的属性信息;根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组;从各个用户群组中选取满足预设的筛选条件的目标用户群组,并将所述目标用户群组中的待识别用户确定为目标用户,极大提升了识别结果的准确率。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种用户识别方法、装置、计算机可读存储介质及终端设备。
背景技术
现有技术在进行用户识别时,往往需要预先从经过授权的信息源获取待识别用户在各个方面的详细信息,通过对这些信息的处理结果来识别用户。然而,在实际应用中,用户出于隐私等方面的考虑,往往不会将其信息授权给他人使用,造成信息的大量缺失,基于这种缺失的用户信息所得到的识别结果的准确率较低。
发明内容
有鉴于此,本申请实施例提供了一种用户识别方法、装置、计算机可读存储介质及终端设备,以解决现有的用户识别方法准确率较低的问题。
本申请实施例的第一方面提供了一种用户识别方法,可以包括:
获取预设的图像采集系统在指定时段内采集的图像集合,所述图像采集系统分布在指定区域内;
从所述图像集合中提取各个待识别用户的用户信息,所述待识别用户为在所述指定时段内出现在所述指定区域内的用户;
获取各个图像采集装置的属性信息;
根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组;
从各个用户群组中选取满足预设的筛选条件的目标用户群组,并将所述目标用户群组中的待识别用户确定为目标用户。
在第一方面的一种可能的实现方式中,所述从所述图像集合中提取各个待识别用户的用户信息包括:
在所述图像集合中进行人脸检测,并根据检测结果确定各个待识别用户;
将所述图像集合中包含第n个待识别用户的各个图像构造为第n个图像子集,1≤n≤N,N为所述待识别用户的总数;
从第n个图像子集中提取第n个待识别用户的用户信息。
在第一方面的一种可能的实现方式中,所述从第n个图像子集中提取第n个待识别用户的用户信息包括:
从第n个图像子集中提取第n个待识别用户的人脸特征数据,记为如下所示的向量形式:
FaceVec=(FaceElm1,FaceElm2,...,FaceElmgn,...,FaceElmGN)
其中,gn为人脸特征数据的维度序号,1≤gn≤GN,GN为人脸特征数据的维度总数,FaceElmgn为人脸特征数据在第gn个维度上的取值,FaceVec为第n个待识别用户的人脸特征数据。
从预设的用户样本库中分别选取所述用户信息对应的参照样本集。
所述用户信息包括性别信息或年龄信息,性别信息对应的参照样本集包括男性样本集和女性样本集,年龄信息对应的参照样本集包括多个年龄段样本集。所述男性样本集和所述女性样本集作为确定待识别用户的性别信息的依据,而各个年龄段样本集作为确定待识别用户的年龄信息的依据。
其中,所述男性样本集和所述女性样本集中所包含的样本数量应当大致相等。
所述男性样本集中的各个男性样本的人脸特征数据记为:
MaleVecm=(MaleElmm,1,MaleElmm,2,...,MaleElmm,gn,...,MaleElmm,GN)
m为男性样本的序号,1≤m≤MaleNum,MaleNum为男性样本的总数,MaleElmm,gn为第m个男性样本的人脸特征数据在第gn个维度上的取值,MaleVecm为第m个男性样本的人脸特征数据。
所述女性样本集中的各个女性样本的人脸特征数据记为:
FemVecf=(FemElmf,1,FemElmf,2,...,FemElmf,gn,...,FemElmf,GN)
f为女性样本的序号,1≤f≤FemNum,FemNum为女性样本的总数,FemElmf,gn为第f个女性样本的人脸特征数据在第gn个维度上的取值,FemVecf为第f个女性样本的人脸特征数据。
各个年龄段样本集中所包含的样本数量应当大致相等,以保持最终结果的均衡性,各个样本的人脸特征数据记为:
AgeVecs,c=(AgeElms,c,1,AgeElms,c,2,...,AgeElms,c,gn,...,AgeElms,c,GN)
s为各个年龄段的序号,1≤s≤SN,SN为年龄段的总数,c为样本的序号,1≤c≤CNs,CNs为第s个年龄段样本集中的样本总数,AgeElms,c,gn为第s个年龄段样本集中的第c个样本的人脸特征数据在第gn个维度上的取值,AgeVecs,c为第s个年龄段样本集中的第c个样本的人脸特征数据。
根据下式分别计算第n个待识别用户的人脸特征数据与所述男性样本集以及所述女性样本集之间的平均距离;
其中,FaceElmgn为第n个待识别用户的人脸特征数据在第gn个维度上的取值,MaleDis为第n个待识别用户的人脸特征数据与所述男性样本集之间的平均距离,FemDis为第n个待识别用户的人脸特征数据与所述女性样本集之间的平均距离。
根据下式分别计算第n个待识别用户的人脸特征数据与各个年龄段样本集之间的平均距离:
其中,AgeDiss为第n个待识别用户的人脸特征数据与第s个年龄段样本集之间的平均距离。
根据所述平均距离确定第n个待识别用户的用户信息。
在第一方面的一种可能的实现方式中,所述根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组包括:
根据各个待识别用户的用户信息以及各个图像采集装置的属性信息分别构造各个待识别用户的特征信息,将各个待识别用户的特征信息记为如下所示的向量形式:
FtVecn=(Datan,1,Datan,2,Datan,3,...Datan,b,...Datan,B)
其中,b为特征信息的序号,1≤b≤B,Datan,b为第n个待识别用户的第b条特征信息,FtVecn为第n个待识别用户的特征信息的向量形式。
在预设的空间坐标系中选取G个点分别作为第0轮聚类后各个用户群组的聚类中心,G为用户群组的总数。
根据第t-1轮聚类后各个用户群组的聚类中心对各个待识别用户的特征信息进行第t轮聚类,得到第t轮聚类结果,t为正整数。
根据下式分别计算第n个待识别用户的用户信息与第t-1轮聚类后各个用户群组的聚类中心之间的空间距离:
其中,CoreDist,g,n为第n个待识别用户的用户信息与第t-1轮聚类后第g个用户群组的聚类中心之间的空间距离。
根据下式确定第n个待识别用户在第t轮聚类后所属的用户群组:
GroupSqt,n=argmin(CoreDist,1,n,CoreDist,2,n,...,CoreDist,g,n,...,CoreDist,G,n)
其中,GroupSqt,n为第n个待识别用户在第t轮聚类后所属的用户群组的序号。
根据下式计算第t轮聚类后各个用户群组的聚类中心:
其中,sp为各个用户群组中的待识别用户的序号,1≤sp≤SpNumt,g,SpNumt,g为第t轮聚类后第g个用户群组中的待识别用户的总数,FtVect,g.sp为第t轮聚类后第g个用户群组中的第sp个待识别用户的用户信息。
若第t轮聚类后各个用户群组的聚类中心不满足预设的收敛条件,则将t增加一个计数单位,并返回执行所述根据第t-1轮聚类后各个用户群组的聚类中心对各个待识别用户的特征信息进行第t轮聚类的步骤及其后续步骤,所述收敛条件可以表示为:
其中,Thresh为预设的阈值。
若第t轮聚类后各个用户群组的聚类中心满足所述收敛条件,则根据第t轮聚类结果确定最终的各个用户群组。
本申请实施例的第二方面提供了一种用户识别装置,可以包括:
图像集合获取模块,用于获取预设的图像采集系统在指定时段内采集的图像集合,所述图像采集系统分布在指定区域内;
用户信息提取模块,用于从所述图像集合中提取各个待识别用户的用户信息,所述待识别用户为在所述指定时段内出现在所述指定区域内的用户;
属性信息获取模块,用于获取各个图像采集装置的属性信息;
用户聚类模块,用于根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组;
目标用户确定模块,用于从各个用户群组中选取满足预设的筛选条件的目标用户群组,并将所述目标用户群组中的待识别用户确定为目标用户。
本申请实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述任一种用户识别方法的步骤。
本申请实施例的第四方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述任一种用户识别方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述任一种用户识别方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:通过本发明实施例,可以通过图像采集系统来采集在指定的区域和时段出现的用户图像,从这些图像中获取用户信息,从而摆脱了对于需要授权的信息源的依赖,即使在无法从该信息源获取到所需信息的前提下,也可以通过图像处理的手段从采集的图像中提取出用户信息,保证了用户信息的完整性,相较于现有技术中基于缺失的用户信息所得到的识别结果准确率更高。在提取出用户信息之后,将用户信息结合图像采集装置的属性信息来对用户进行聚类,进一步丰富了聚类所需的信息维度,更加便于分析用户的类型群组,确定出目标用户。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例的一种具体实施环境的示意图;
图2为本申请实施例的另一种具体实施环境的示意图;
图3为本申请实施例中一种用户识别方法的一个实施例流程图;
图4为将指定区域划分为若干个子区域的示意图;
图5为从图像集合中提取各个待识别用户的用户信息的示意流程图;
图6为待识别用户的用户信息的提取过程的示意流程图;
图7为对各个待识别用户进行聚类的示意流程图;
图8为本申请实施例中一种用户识别装置的一个实施例结构图;
图9为本申请实施例中一种终端设备的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1所示为本申请实施例提供的一种用户识别方法的一种具体实施环境的示意图,该实施环境可以包括终端设备101和图像采集系统102。
所述图像采集系统102可以包括两个以上的图像采集装置1021,所述图像采集装置1021可以是单个的摄像头,也可以是由若干个摄像头组成的摄像头阵列。所述终端设备101为本申请实施例的实施主体,各个图像采集装置1021分别与所述终端设备101通过有线和/或无线网络进行通信和数据传输。
图2所示为本申请实施例提供的一种用户识别方法的另一种具体实施环境的示意图,在该实施环境下,所述图像采集系统102还可以包括监控服务器1022,各个图像采集装置1021不再与所述终端设备101直接进行通信和数据传输,而是分别与所述监控服务器1022通过有线和/或无线网络进行通信和数据传输,所述监控服务器1022与所述终端设备101通过有线和/或无线网络进行通信和数据传输。
请参阅图3,本申请实施例中一种用户识别方法的一个实施例可以包括:
步骤S301、获取预设的图像采集系统在指定时段内采集的图像集合。
所述图像采集系统中的各个图像采集装置分布在指定区域内,用于对指定区域进行监控,所述指定区域包括但不限于商场、购物中心、大型超市等。如图4所示,在本申请实施例的一种具体实现中,可以将所述指定区域划分为若干个子区域,每个子区域分布一个图像采集装置来对该子区域进行监控,优选地,可以将图像采集装置安装在其所覆盖的子区域的中心位置的天花板下面,并保证其不被杂物遮盖。每个子区域的范围大小可以根据具体情况来设置,例如,可以将其设置为5平方米、10平方米、20平方米等等,本实施例对此不作具体限定。所述指定时段可以根据具体情况来设定,例如,可以将其设置为1天、2天、1周、1个月等等,本实施例对此不作具体限定。
在图1所示的实施环境中,各个图像采集装置在所述指定时段内,可以将采集到的图像实时或非实时地传输至所述终端设备,所述终端设备对接收到的图像进行汇总并存储,形成所述图像集合。
在图2所示的实施环境中,各个图像采集装置在所述指定时段内,可以将采集到的图像实时或非实时地传输至所述监控服务器,所述监控服务器对接收到的图像进行汇总并存储,形成所述图像集合。当所述终端设备执行用户识别任务时,即可从所述监控服务器中获取所述图像集合。
步骤S302、从所述图像集合中提取各个待识别用户的用户信息。
所述待识别用户为在所述指定时段内出现在所述指定区域内的用户。
如图5所示,步骤S302具体可以包括如下过程:
步骤S3021、在所述图像集合中进行人脸检测,并根据检测结果确定各个待识别用户。
在本实施例中,可以使用预设的人脸检测算法在所述图像集合中进行人脸检测,所述人脸检测算法包括但不限于基于直方图粗分割和奇异值特征的人脸检测算法、基于二进小波变换的人脸检测算法、基于AdaBoost的人脸检测算法、基于面部双眼结构特征的人脸检测算法等现有技术中常用的人脸检测算法。
在人脸检测完成后,检测结果中每一个检测出的人脸均对应于一个待识别用户,容易理解地,一个待识别用户的人脸可能会在所述图像集合中多次出现,在这种情况下,会将重复检测出的人脸确定为同一待识别用户。
步骤S3022、将所述图像集合中包含第n个待识别用户的各个图像构造为第n个图像子集。
其中,1≤n≤N,N为所述待识别用户的总数。
步骤S3023、从第n个图像子集中提取第n个待识别用户的用户信息。
在如图5所示的过程中,通过人脸检测确定出各个待识别用户,分别构造出各个待识别用户的图像子集,实现了对于图像数据的有效划分,每个待识别用户均有与之对应的图像子集,排除了其他用户的干扰,从而可以更加准确和快速地提取出待识别用户的用户信息。
如图6所示,所述用户信息的提取过程可以包括:
步骤S601、从第n个图像子集中提取第n个待识别用户的人脸特征数据。
在本实施例中,可以使用预设的人脸特征提取算法进行人脸特征数据的提取,所述人脸特征提取算法包括但不限于方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(Local Binary Pattern,LBP)等现有技术中常用的人脸特征提取算法。
此处将第n个待识别用户的人脸特征数据记为如下所示的向量形式:
FaceVec=(FaceElm1,FaceElm2,...,FaceElmgn,...,FaceElmGN)
其中,gn为人脸特征数据的维度序号,1≤gn≤GN,GN为人脸特征数据的维度总数,FaceElmgn为人脸特征数据在第gn个维度上的取值,FaceVec为第n个待识别用户的人脸特征数据。
步骤S602、从预设的用户样本库中分别选取所述用户信息对应的参照样本集。
所述用户信息可以包括但不限于性别信息和/或年龄信息,所述性别信息对应的参照样本集包括男性样本集和女性样本集,所述年龄信息对应的参照样本集包括多个年龄段样本集,所述男性样本集和所述女性样本集作为确定待识别用户的性别信息的依据,而各个年龄段样本集作为确定待识别用户的年龄信息的依据。
其中,所述男性样本集和所述女性样本集中所包含的样本数量应当大致相等,以保持最终结果的均衡性。
所述男性样本集中的各个男性样本的人脸特征数据记为:
MaleVecm=(MaleElmm,1,MaleElmm,2,...,MaleElmm,gn,...,MaleElmm,GN)
m为男性样本的序号,1≤m≤MaleNum,MaleNum为男性样本的总数,MaleElmm,gn为第m个男性样本的人脸特征数据在第gn个维度上的取值,MaleVecm为第m个男性样本的人脸特征数据。
所述女性样本集中的各个女性样本的人脸特征数据记为:
FemVecf=(FemElmf,1,FemElmf,2,...,FemElmf,gn,...,FemElmf,GN)
f为女性样本的序号,1≤f≤FemNum,FemNum为女性样本的总数,FemElmf,gn为第f个女性样本的人脸特征数据在第gn个维度上的取值,FemVecf为第f个女性样本的人脸特征数据。
各个年龄段样本集中所包含的样本数量应当大致相等,以保持最终结果的均衡性,各个样本的人脸特征数据记为:
AgeVecs,c=(AgeElms,c,1,AgeElms,c,2,...,AgeElms,c,gn,...,AgeElms,c,GN)
s为各个年龄段的序号,1≤s≤SN,SN为年龄段的总数,c为样本的序号,1≤c≤CNs,CNs为第s个年龄段样本集中的样本总数,AgeElms,c,gn为第s个年龄段样本集中的第c个样本的人脸特征数据在第gn个维度上的取值,AgeVecs,c为第s个年龄段样本集中的第c个样本的人脸特征数据。
步骤S603、分别计算第n个待识别用户的人脸特征数据与用户信息对应的参照样本集之间的平均距离。
具体地,可以根据下式分别计算第n个待识别用户的人脸特征数据与所述男性样本集以及所述女性样本集之间的平均距离;
其中,FaceElmgn为第n个待识别用户的人脸特征数据在第gn个维度上的取值,MaleDis为第n个待识别用户的人脸特征数据与所述男性样本集之间的平均距离,FemDis为第n个待识别用户的人脸特征数据与所述女性样本集之间的平均距离。
可以根据下式分别计算第n个待识别用户的人脸特征数据与各个年龄段样本集之间的平均距离:
其中,AgeDiss为第n个待识别用户的人脸特征数据与第s个年龄段样本集之间的平均距离。
步骤S604、根据所述平均距离确定第n个待识别用户的用户信息。
具体地,对于性别信息而言,若MaleDis大于FemDis,则可确定第n个待识别用户的性别信息为男性,若MaleDis小于FemDis,则可确定第n个待识别用户的性别信息为女性。
对于年龄信息而言,可以根据下式确定第n个待识别用户的年龄信息:
AgeType=argmin(AgeDis1,AgeDis2,...,AgeDiss,...,AgeDisSN)
其中,argmin为最小自变量函数,AgeType为第n个待识别用户所处的年龄段的序号。
在如图6所示的过程中,使用大量已知用户信息的样本数据作为确定待识别用户的用户信息的依据,极大提高了对用户的用户信息进行识别的准确率。
所述用户信息还可以包括行为信息,所述行为信息包括但不限于运动轨迹、运动深度、停留时间和图像采集次数。在进行行为信息提取时,可以获取第n个图像子集中的各个图像的采集时刻以及采集装置,然后根据第n个图像子集中的各个图像的采集时刻以及采集装置确定第n个待识别用户的行为信息。
所述运动轨迹为待识别用户在所述指定区域中经过的路线,若第n个待识别用户按照时间顺序先后被图像采集装置1、图像采集装置2、图像采集装置3和图像采集装置4抓拍到,而这4个图像采集装置分别用于对子区域1、子区域2、子区域3和子区域4进行监控,则第n个待识别用户的运动轨迹则为:从子区域1出发,并依次经过子区域2、子区域3和子区域4。所述运动深度为待识别用户经过的图像采集装置的总数,在此例中,第n个待识别用户的运动深度为4。所述停留时间为待识别用户在预设的目标区域中停留的时间,所述目标区域可以为商铺所在的区域。所述图像采集次数包括待识别用户被各个图像采集装置抓拍的次数,以及待识别用户在各个子时段被抓拍的次数。在本实施例中,可以将所述指定区域在一天内的开放时段划分为若干个子时段,例如,若所述指定区域在一天内的开放时段为早上9点到晚上9点,则可以将早上9点至早上10点划分为一个子时段,将早上10点至早上11点划分为一个子时段,将早上11点至中午12点划分为一个子时段,以此类推,总共划分出12个子时段。
通过上述对各个图像的采集时刻以及采集装置的分析,可以确定出待识别用户的运动轨迹、运动深度、停留时间和图像采集次数等等行为信息,为待识别用户的用户信息增加了更多的维度,在此基础上对待识别用户进行聚类,可以得到更加精准的聚类结果。
步骤S303、获取各个图像采集装置的属性信息。
所述属性信息包括但不限于设备标识(ID),在所述指定区域中的楼层和具体位置,以及是否为所述指定区域的出入口等等。
步骤S304、根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组。
如图7所示,步骤S304具体可以包括如下过程:
步骤S3041、根据各个待识别用户的用户信息以及各个图像采集装置的属性信息分别构造各个待识别用户的特征信息。
对于任意一个待识别用户而言,可以将与其对应的所述用户信息和所述信息汇总成对其进行识别的特征信息。此处将所述用户信息的条数记为b1,将所述属性信息的条数记为b2,将所述特征信息的条数记为B,则有:B=b1+b2。在本实施例中,可以将各个待识别用户的特征信息记为如下所示的向量形式:
FtVecn=(Datan,1,Datan,2,Datan,3,...Datan,b,...Datan,B)
其中,b为特征信息的序号,1≤b≤B,Datan,b为第n个待识别用户的第b条特征信息,FtVecn为第n个待识别用户的特征信息的向量形式。
步骤S3042、在预设的空间坐标系中选取G个点分别作为第0轮聚类后各个用户群组的聚类中心。
所述空间坐标系为一个多维度的空间坐标系,总的维度数为B,该空间坐标系中的每一个空间维度均对应于一条特征信息。G为用户群组的总数,其具体取值可以根据实际情况进行设置,例如,可以将其设置为3、5、10或者其它取值,本实施例对此不作具体限定。第0轮聚类后各个用户群组的聚类中心也即初始聚类中心,其具体位置可以随机选取,但应尽量保证其均匀分散在空间坐标系中,任意两个初始聚类中心之间的空间距离应当大于预设的距离阈值。这样可以有效区分开各个聚类中心,有助于通过尽可能少的迭代次数实现聚类中心的快速收敛。
然后,通过后续步骤对各个用户群组的聚类中心进行多轮迭代计算并重新进行聚类,直至各个用户群组的聚类中心满足预设的收敛条件为止。
步骤S3043、根据第t-1轮聚类后各个用户群组的聚类中心对各个待识别用户的特征信息进行第t轮聚类,得到第t轮聚类结果。
t为正整数,其初始值为1。
此处,可以将第t轮聚类后各个用户群组的聚类中心在所述空间坐标系的位置用向量形式表示为:
CoreVect,g=(CtDatat,g,1,CtDatat,g,2,CtDatat,g,3,...CtDatat,g,b,...CtDatat,g,B)
其中,g为各个用户群组的序号,1≤g≤G,CtDatat,g,m为第t轮聚类后第g个用户群组的聚类中心的第b条特征信息,CoreVect,g为第t轮聚类后第g个用户群组的聚类中心。
然后,可以根据下式分别计算第n个待识别用户的用户信息与第t-1轮聚类后各个用户群组的聚类中心之间的空间距离:
其中,CoreDist,g,n为第n个待识别用户的用户信息与第t-1轮聚类后第g个用户群组的聚类中心之间的空间距离。
最后,可以根据下式确定第n个待识别用户在第t轮聚类后所属的用户群组:
GroupSqt,n=argmin(CoreDist,1,n,CoreDist,2,n,...,CoreDist,g,n,...,CoreDist,G,n)
其中,GroupSqt,n为第n个待识别用户在第t轮聚类后所属的用户群组的序号。
步骤S3044、根据第t轮聚类结果计算第t轮聚类后各个用户群组的聚类中心。
具体地,可以根据下式计算第t轮聚类后各个用户群组的聚类中心:
其中,sp为各个用户群组中的待识别用户的序号,1≤sp≤SpNumt,g,SpNumt,g为第t轮聚类后第g个用户群组中的待识别用户的总数,FtVect,g.sp为第t轮聚类后第g个用户群组中的第sp个待识别用户的用户信息。
步骤S3045、判断第t轮聚类后各个用户群组的聚类中心是否满足预设的收敛条件。
具体地,所述收敛条件可以表示为:
其中,Thresh为预设的阈值,可以根据实际情况对其进行设置,例如,可以将其设置为10、50、100或者其它取值。
若第t轮聚类后各个用户群组的聚类中心不满足所述收敛条件,则执行步骤S3046及其后续步骤,若第t轮聚类后各个用户群组的聚类中心满足所述收敛条件,则执行步骤S3047。
步骤S3046、将t增加一个计数单位。
即根据下式对t进行更新:t=t+1,然后返回执行步骤S3043及其后续步骤,直至满足所述收敛条件为止。
步骤S3047、根据第t轮聚类结果确定最终的各个用户群组。
当各个用户群组的聚类中心收敛时,即可结束聚类过程。假设共有A、B、C、D、E这5个用户群组,在经过第t轮聚类之后,各个待识别用户被分别划分到这5个用户群组中。
通过图7所示的过程,可以不断地对各个待识别用户的聚类结果进行迭代,逐步提高聚类结果的准确率,以此聚类结果为基础,能够得到更精准的识别结果。
步骤S305、从各个用户群组中选取满足预设的筛选条件的目标用户群组,并将所述目标用户群组中的待识别用户确定为目标用户。
在本实施例中,所述目标用户可以为非消费型用户,非消费型用户包括商场的各类工作人员,以及商场外来访的服务型人员,比如:外卖骑手、快递人员等。非消费型用户的特点是:被图像采集装置抓拍次数较多,活动区域比较有规律,在商场的活动时间也比较有规律,进出商场的时间和地点也比较固定。与之对应的,消费型用户的特点是:不会频繁出入商场,在商城的游逛时间会比较分散,用户来访商场的次数不会很频繁,用户一般会出现在商场的公共区域。针对非消费型用户和消费型用户的这些区别,即可从各个待识别用户中识别出非消费型用户。进一步地,通过这些非消费型用户的占比,以及每天实际的客流量,就可以计算出每天实际消费型用户的真实流量。
具体地,可以首先根据各个待识别用户的特征信息分别计算各个用户群组的平均特征信息。对于任意一个用户群组而言,将其中的各个待识别用户的特征信息进行算数平均,所得到的结果即为该用户群组的平均特征信息。
然后,根据所述平均特征信息从各个用户群组中选取满足预设的筛选条件的目标用户群组。所述筛选条件包括但不限于第一筛选条件和/或第二筛选条件,所述第一筛选条件为:被各个图像采集装置抓拍的次数最多,所述第二筛选条件为:在最早的子时段和最晚的子时段被抓拍的次数最多。
在选取出所述目标用户群组之后,即可将所述目标用户群组中的待识别用户确定为目标用户。
在上述过程中,各个用户群组的平均特征信息是综合考虑各个待识别用户的特征信息的基础上计算得到的,可以有效表征整个用户群组的整体特征,以此为依据进行筛选,能够得到更加精准的筛选结果。
综上所述,通过本发明实施例,可以通过图像采集系统来采集在指定的区域和时段出现的用户图像,从这些图像中获取用户信息,从而摆脱了对于需要授权的信息源的依赖,即使在无法从该信息源获取到所需信息的前提下,也可以通过图像处理的手段从采集的图像中提取出用户信息,保证了用户信息的完整性,相较于现有技术中基于缺失的用户信息所得到的识别结果准确率更高。在提取出用户信息之后,将用户信息结合图像采集装置的属性信息来对用户进行聚类,进一步丰富了聚类所需的信息维度,更加便于分析用户的类型群组,确定出目标用户。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种用户识别方法,图8示出了本申请实施例提供的一种用户识别装置的一个实施例结构图。
本实施例中,一种用户识别装置可以包括:
图像采集模块801,用于获取预设的图像采集系统在指定时段内采集的图像集合,所述图像采集系统分布在指定区域内;
用户信息提取模块802,用于从所述图像集合中提取各个待识别用户的用户信息,所述待识别用户为在所述指定时段内出现在所述指定区域内的用户;
属性信息获取模块803,用于获取各个图像采集装置的属性信息;
聚类模块804,用于根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组;
目标用户识别模块805,用于从各个用户群组中选取满足预设的筛选条件的目标用户群组,并将所述目标用户群组中的待识别用户确定为目标用户。
进一步地,所述用户信息提取模块可以包括:
人脸检测单元,用于在所述图像集合中进行人脸检测,并根据检测结果确定各个待识别用户;
图像子集构造单元,用于将所述图像集合中包含第n个待识别用户的各个图像构造为第n个图像子集,1≤n≤N,N为所述待识别用户的总数;
用户信息提取单元,用于从第n个图像子集中提取第n个待识别用户的用户信息。
进一步地,所述用户信息提取单元可以包括:
人脸特征数据提取子单元,用于从第n个图像子集中提取第n个待识别用户的人脸特征数据;
参照样本集选取子单元,用于从预设的用户样本库中分别选取所述用户信息对应的参照样本集;
平均距离计算子单元,用于分别计算第n个待识别用户的人脸特征数据与用户信息对应的参照样本集之间的平均距离;
信息确定子单元,用于根据所述平均距离确定第n个待识别用户的用户信息。
进一步地,所述用户信息包括行为信息,所述用户信息提取单元可以包括:
采集信息获取子单元,用于获取第n个图像子集中的各个图像的采集时刻以及采集装置;
行为信息确定子单元,用于根据第n个图像子集中的各个图像的采集时刻以及采集装置确定第n个待识别用户的行为信息。
进一步地,所述聚类模块可以包括:
特征信息构造单元,用于根据各个待识别用户的用户信息以及各个图像采集装置的属性信息分别构造各个待识别用户的特征信息;
聚类中心选取单元,用于在预设的空间坐标系中选取G个点分别作为第0轮聚类后各个用户群组的聚类中心,G为用户群组的总数;
聚类单元,用于根据第t-1轮聚类后各个用户群组的聚类中心对各个待识别用户的特征信息进行第t轮聚类,得到第t轮聚类结果,t为正整数;
聚类中心计算单元,用于根据第t轮聚类结果计算第t轮聚类后各个用户群组的聚类中心;
计数单元,用于若第t轮聚类后各个用户群组的聚类中心不满足预设的收敛条件,则将t增加一个计数单位;
用户群组确定单元,用于若第t轮聚类后各个用户群组的聚类中心满足所述收敛条件,则根据第t轮聚类结果确定最终的各个用户群组。
进一步地,所述目标用户识别模块可以包括:
平均特征信息计算单元,用于根据各个待识别用户的特征信息分别计算各个用户群组的平均特征信息;
目标用户群组选取单元,用于根据所述平均特征信息从各个用户群组中选取满足预设的筛选条件的目标用户群组。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
图9示出了本申请实施例提供的一种终端设备的示意框图,为了便于说明,仅示出了与本申请实施例相关的部分。
如图9所示,该实施例的终端设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个用户识别方法实施例中的步骤,例如图3所示的步骤S301至步骤S305。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块801至模块805的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,图9仅仅是终端设备9的示例,并不构成对终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备9还可以包括输入输出设备、网络接入设备、总线等。
所述处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元,例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备,例如所述终端设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备9所需的其它程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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,在本申请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。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在所述终端设备上运行时,使得所述终端设备可实现上述各个方法实施例中的步骤。
所述集成的模块/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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用户识别方法,其特征在于,包括:
获取预设的图像采集系统在指定时段内采集的图像集合,所述图像采集系统分布在指定区域内;
从所述图像集合中提取各个待识别用户的用户信息,所述待识别用户为在所述指定时段内出现在所述指定区域内的用户;
获取各个图像采集装置的属性信息;
根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组;
从各个用户群组中选取满足预设的筛选条件的目标用户群组,并将所述目标用户群组中的待识别用户确定为目标用户。
2.根据权利要求1所述的用户识别方法,其特征在于,所述从所述图像集合中提取各个待识别用户的用户信息包括:
在所述图像集合中进行人脸检测,并根据检测结果确定各个待识别用户;
将所述图像集合中包含第n个待识别用户的各个图像构造为第n个图像子集,1≤n≤N,N为所述待识别用户的总数;
从第n个图像子集中提取第n个待识别用户的用户信息。
3.根据权利要求2所述的用户识别方法,其特征在于,所述从第n个图像子集中提取第n个待识别用户的用户信息包括:
从第n个图像子集中提取第n个待识别用户的人脸特征数据;
从预设的用户样本库中分别选取所述用户信息对应的参照样本集;
分别计算第n个待识别用户的人脸特征数据与用户信息对应的参照样本集之间的平均距离;
根据所述平均距离确定第n个待识别用户的用户信息。
4.根据权利要求3所述的用户识别方法,其特征在于,所述用户信息包括性别信息或年龄信息,性别信息对应的参照样本集包括男性样本集和女性样本集,年龄信息对应的参照样本集包括多个年龄段样本集。
5.根据权利要求2所述的用户识别方法,其特征在于,所述用户信息包括行为信息,所述从第n个图像子集中提取第n个待识别用户的用户信息包括:
获取第n个图像子集中的各个图像的采集时刻以及采集装置;
根据第n个图像子集中的各个图像的采集时刻以及采集装置确定第n个待识别用户的行为信息。
6.根据权利要求1至5中任一项所述的用户识别方法,其特征在于,所述根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组包括:
根据各个待识别用户的用户信息以及各个图像采集装置的属性信息分别构造各个待识别用户的特征信息;
在预设的空间坐标系中选取G个点分别作为第0轮聚类后各个用户群组的聚类中心,G为用户群组的总数;
根据第t-1轮聚类后各个用户群组的聚类中心对各个待识别用户的特征信息进行第t轮聚类,得到第t轮聚类结果,t为正整数;
根据第t轮聚类结果计算第t轮聚类后各个用户群组的聚类中心;
若第t轮聚类后各个用户群组的聚类中心不满足预设的收敛条件,则将t增加一个计数单位,并返回执行所述根据第t-1轮聚类后各个用户群组的聚类中心对各个待识别用户的特征信息进行第t轮聚类的步骤及其后续步骤;
若第t轮聚类后各个用户群组的聚类中心满足所述收敛条件,则根据第t轮聚类结果确定最终的各个用户群组。
7.根据权利要求6所述的用户识别方法,其特征在于,所述从各个用户群组中选取满足预设的筛选条件的目标用户群组包括:
根据各个待识别用户的特征信息分别计算各个用户群组的平均特征信息;
根据所述平均特征信息从各个用户群组中选取满足预设的筛选条件的目标用户群组。
8.一种用户识别装置,其特征在于,包括:
图像集合获取模块,用于获取预设的图像采集系统在指定时段内采集的图像集合,所述图像采集系统包括分布在指定区域内的两个以上的图像采集装置;
用户信息提取模块,用于从所述图像集合中提取各个待识别用户的用户信息,所述待识别用户为在所述指定时段内出现在所述指定区域内的用户;
属性信息获取模块,用于获取各个图像采集装置的属性信息;
用户聚类模块,用于根据各个待识别用户的用户信息以及各个图像采集装置的属性信息对各个待识别用户进行聚类,得到各个用户群组;
目标用户确定模块,用于从各个用户群组中选取满足预设的筛选条件的目标用户群组,并将所述目标用户群组中的待识别用户确定为目标用户。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的用户识别方法的步骤。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的用户识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910889893.2A CN110751046B (zh) | 2019-09-19 | 2019-09-19 | 一种用户识别方法、装置、可读存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910889893.2A CN110751046B (zh) | 2019-09-19 | 2019-09-19 | 一种用户识别方法、装置、可读存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751046A true CN110751046A (zh) | 2020-02-04 |
CN110751046B CN110751046B (zh) | 2022-05-17 |
Family
ID=69276739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910889893.2A Active CN110751046B (zh) | 2019-09-19 | 2019-09-19 | 一种用户识别方法、装置、可读存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751046B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113448427A (zh) * | 2020-03-24 | 2021-09-28 | 华为技术有限公司 | 设备控制方法、装置及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268563A1 (en) * | 2012-04-10 | 2013-10-10 | Derek Shiell | Fast and Robust Classification Algorithm for Vein Recognition Using Infrared Images |
CN105488364A (zh) * | 2014-09-15 | 2016-04-13 | 上海天脉聚源文化传媒有限公司 | 一种利用二维码区分用户类别的方法、装置及系统 |
CN106997629A (zh) * | 2017-02-17 | 2017-08-01 | 北京格灵深瞳信息技术有限公司 | 门禁控制方法、装置及系统 |
CN108257046A (zh) * | 2018-01-17 | 2018-07-06 | 福建省雾精灵环境科技有限公司 | 一种主题公园的智能管理系统及其方法 |
CN108875490A (zh) * | 2017-09-30 | 2018-11-23 | 北京旷视科技有限公司 | 人员流量分析的方法、装置及计算机存储介质 |
CN109766736A (zh) * | 2017-11-09 | 2019-05-17 | 中国电信股份有限公司 | 人脸识别方法、装置和系统 |
CN110245981A (zh) * | 2019-05-31 | 2019-09-17 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的人群类型识别方法 |
-
2019
- 2019-09-19 CN CN201910889893.2A patent/CN110751046B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268563A1 (en) * | 2012-04-10 | 2013-10-10 | Derek Shiell | Fast and Robust Classification Algorithm for Vein Recognition Using Infrared Images |
CN105488364A (zh) * | 2014-09-15 | 2016-04-13 | 上海天脉聚源文化传媒有限公司 | 一种利用二维码区分用户类别的方法、装置及系统 |
CN106997629A (zh) * | 2017-02-17 | 2017-08-01 | 北京格灵深瞳信息技术有限公司 | 门禁控制方法、装置及系统 |
CN108875490A (zh) * | 2017-09-30 | 2018-11-23 | 北京旷视科技有限公司 | 人员流量分析的方法、装置及计算机存储介质 |
CN109766736A (zh) * | 2017-11-09 | 2019-05-17 | 中国电信股份有限公司 | 人脸识别方法、装置和系统 |
CN108257046A (zh) * | 2018-01-17 | 2018-07-06 | 福建省雾精灵环境科技有限公司 | 一种主题公园的智能管理系统及其方法 |
CN110245981A (zh) * | 2019-05-31 | 2019-09-17 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的人群类型识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113448427A (zh) * | 2020-03-24 | 2021-09-28 | 华为技术有限公司 | 设备控制方法、装置及系统 |
CN113448427B (zh) * | 2020-03-24 | 2023-09-12 | 华为技术有限公司 | 设备控制方法、装置及系统 |
US11880220B2 (en) | 2020-03-24 | 2024-01-23 | Huawei Technologies Co., Ltd. | Device control method, apparatus, and system |
Also Published As
Publication number | Publication date |
---|---|
CN110751046B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10009579B2 (en) | Method and system for counting people using depth sensor | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN109784274B (zh) | 识别尾随的方法及相关产品 | |
CN109190586B (zh) | 顾客到访分析方法、装置及存储介质 | |
CN110431560A (zh) | 目标人物的搜索方法和装置、设备、程序产品和介质 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN112668632B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN110489659A (zh) | 数据匹配方法和装置 | |
CN111191601A (zh) | 同行用户识别方法、装置、服务器及存储介质 | |
CN109902550A (zh) | 行人属性的识别方法和装置 | |
CN110751046B (zh) | 一种用户识别方法、装置、可读存储介质及终端设备 | |
CN114973057A (zh) | 基于人工智能的视频图像检测方法及相关设备 | |
CN114898420A (zh) | 异常人脸档案识别方法、装置、电子装置和存储介质 | |
CN111461905A (zh) | 车险骗赔规避方法、装置、计算机设备及存储介质 | |
CN110781223A (zh) | 数据处理方法及装置、处理器、电子设备及存储介质 | |
CN113918510A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
CN113743533A (zh) | 一种图片聚类方法、装置及存储介质 | |
CN113869367A (zh) | 模型能力检测方法、装置、电子设备和计算机可读介质 | |
CN112597880A (zh) | 客流批次识别方法、装置、计算机设备及可读存储介质 | |
CN113111934B (zh) | 一种图像分组方法、装置、电子设备及存储介质 | |
CN117333926B (zh) | 一种图片聚合方法、装置、电子设备及可读存储介质 | |
CN117037053A (zh) | 人员识别方法、装置、计算机设备和存储介质 | |
CN113128282A (zh) | 一种人群类别的划分方法、装置及终端 | |
CN114648727A (zh) | 客流人数统计方法、装置、通信设备及存储介质 | |
CN114092159A (zh) | 一种客流指标确定方法、装置、电子设备及存储介质 |
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 |