CN110765435A - 确定人员身份属性的方法、装置和电子设备 - Google Patents
确定人员身份属性的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110765435A CN110765435A CN201911015620.1A CN201911015620A CN110765435A CN 110765435 A CN110765435 A CN 110765435A CN 201911015620 A CN201911015620 A CN 201911015620A CN 110765435 A CN110765435 A CN 110765435A
- Authority
- CN
- China
- Prior art keywords
- person
- personnel
- identity attribute
- target
- identity
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种确定人员身份属性的方法、装置和电子设备,其中,该确定人员身份属性的方法包括:从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔;根据该关联人员的身份属性,确定该目标人员的身份属性。本发明中,基于具有同行关系的人员通常也具有相同的身份属性的原则,通过获取与目标人员具有同行关系的人员,并根据这些同行人员的身份属性来确定目标人员的身份属性,从而可以准确、快速地确定人员的身份属性。
Description
技术领域
本发明涉及人员身份识别技术领域,尤其是涉及一种确定人员身份属性的方法、装置和电子设备。
背景技术
已建设的人脸识别系统,通过人像聚类技术能够把实时的人脸抓拍图片进行聚合,进而生成每个人的人像档案。在确定人像档案对应人员的身份属性时,往往高度依赖相关部门提供的人员实名化照片库和人员身份属性,通过人员实名化照片库与人像档案进行匹配,才能知道人像档案对应人员的身份属性。
但是,即使根据相关部门提供的人员实名化照片库,也无法完全匹配海量的人像档案,因为还存在大量未掌握的人员,例如流动人口、未登记真实信息的人员等等,而这种尚未掌握的人员恰恰是需要重点关注的人员。此外,还有一些人员,虽然已经实名化,但是仍然难以确定其身份属性,或者尚无法确定其可能存在的其他身份属性。因此,还有大量人员的身份属性难以确定。
发明内容
有鉴于此,本发明的目的在于提供一种确定人员身份属性的方法、装置和电子设备,可以准确、快速地确定人员的身份属性。
第一方面,本发明实施例提供了一种确定人员身份属性的方法,包括:从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔;根据该关联人员的身份属性,确定该目标人员的身份属性。
在本发明较佳的实施例中,上述预设的人员关系数据,通过下述方式获得:从预设的人像数据中,获取预设人群中各个人员之间的同行关系,以及具有同行关系的人员之间的同行次数;根据该同行关系和该同行次数,建立该预设人群中各个人员之间的人员关系数据。
在本发明较佳的实施例中,上述获取目标人员的关联人员的步骤,包括:从上述人员关系数据中获取未知身份属性的人员;将获取到的未知身份属性的人员,确定为目标人员;将该人员关系数据中,与该目标人员具有同行关系的人员,确定为关联人员。
在本发明较佳的实施例中,上述根据关联人员的身份属性,确定该目标人员的身份属性的步骤,包括:获取关联人员的身份属性,以及每个关联人员与目标人员的同行次数;根据关联人员的身份属性,以及每个关联人员与该目标人员的同行次数,计算该目标人员为指定身份属性的概率值;根据该概率值确定该目标人员的身份属性。
在本发明较佳的实施例中,上述根据关联人员的身份属性,以及每个关联人员与目标人员的同行次数,计算该目标人员为指定身份属性的概率值的步骤,包括:如果关联人员的身份属性为多种,针对每种身份属性,将当前身份属性确定为指定身份属性;获取该目标人员与具有该指定身份属性的关联人员的第一同行次数,以及该目标人员与所有关联人员的第二同行次数;计算该第一同行次数与该第二同行次数的比值,将该比值确定为该目标人员为指定身份属性的概率值。
在本发明较佳的实施例中,上述目标人员的身份属性包括:该指定身份属性、以及该指定身份属性对应的概率值。
在本发明较佳的实施例中,上述确定该目标人员的身份属性的步骤之后,该方法还包括:将该目标人员的身份属性保存至上述人员关系数据。
在本发明较佳的实施例中,上述人员关系数据为关系图谱形式的数据。
第二方面,本发明实施例还提供了一种确定人员身份属性的装置,包括:关联人员获取模块,用于从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与该目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔;身份属性确定模块,用于根据该关联人员的身份属性,确定该目标人员的身份属性。
第三方面,本发明实施例还提供了一种电子设备,包括处理器和存储器,该存储器存储有能够被该处理器执行的计算机可执行指令,该处理器执行该计算机可执行指令以实现上述确定人员身份属性的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述确定人员身份属性的方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种确定人员身份属性的方法、装置和电子设备,首先从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔;进而根据该关联人员的身份属性,确定该目标人员的身份属性。该方式中,基于具有更频繁同行关系的人员通常有更高的概率为相同的身份属性的原则,通过获取与目标人员具有同行关系的人员,并根据这些同行人员的身份属性来确定目标人员的身份属性,从而可以准确、快速地确定人员的身份属性。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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电子系统的结构示意图;
图2为本发明实施例提供的一种确定人员身份属性的方法的流程示意图;
图3为本发明实施例提供的另一种确定人员身份属性的方法的流程示意图;
图4为本发明实施例提供的另一种确定人员身份属性的方法的流程示意图;
图5为本发明实施例提供的一种关系图谱的示意图;
图6为本发明实施例提供的一种确定人员身份属性的装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
图标:100-电子系统;102-处理设备;104-存储装置;106-输入装置;108-输出装置;110-图像采集设备;112-总线系统;60-关联人员获取模块;61-身份属性确定模块;70-存储器;71-处理器;72-总线;73-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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做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。
考虑到现有的通过人员实名化照片库确定社会人员身份的方式,仍无法确定许多人员的身份属性,本发明实施例提供了一种确定人员身份属性的方法、装置和电子设备,该技术可以应用于服务器、计算机、相机、手机、平板电脑、车辆中控设备等多种设备中,该技术可采用相应的软件和硬件实现,以下对本发明实施例进行详细介绍。
实施例一:
首先,参照图1来描述用于实现本发明实施例的确定人员身份属性的方法、装置和电子设备的示例电子系统100。
如图1所示的一种电子系统的结构示意图,电子系统100包括一个或多个处理设备102、一个或多个存储装置104、输入装置106、输出装置108以及一个或多个图像采集设备110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子系统100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子系统也可以具有其他组件和结构。
所述处理设备102可以是网关,也可以为智能终端,或者是包含中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元的设备,可以对所述电子系统100中的其它组件的数据进行处理,还可以控制所述电子系统100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理设备102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理设备实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像采集设备110可以采集预览视频帧或图像数据,并且将采集到的预览视频帧或图像数据存储在所述存储装置104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的确定人员身份属性的方法、装置和电子设备的示例电子系统中的各器件可以集成设置,也可以分散设置,诸如将处理设备102、存储装置104、输入装置106和输出装置108集成设置于一体,而将图像采集设备110设置于可以采集到目标图像的指定位置。当上述电子系统中的各器件集成设置时,该电子系统可以被实现为诸如相机、智能手机、平板电脑、计算机、车载终端等智能终端。
实施例二:
本实施例提供了一种确定人员身份属性的方法,该方法由上述电子系统中的处理设备执行;该处理设备可以是具有数据处理能力的任何设备或芯片。该处理设备可以独立对接收到的信息进行处理,也可以与服务器相连,共同对信息进行分析处理,并将处理结果上传至云端。如图2所示,该图像处理方法包括如下步骤:
步骤S202,从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔。
这里,人员关系数据是关于人员彼此之间关系的数据,例如,该人员关系可以是同事关系、同学关系、亲属关系、朋友关系等等,并且,该人员关系数据通常包含多个人员的人员关系,其中,有的人员之间的关系可能是明确清楚的,有的人员之间的关系则可能是不确定的。另外,该人员关系数据的格式可以是文本、数据表或图形等形式。
在本实施例中,当需要确定某一个或几个人的身份属性时,将这一个或几个待确定身份属性的人员确定为目标人员。这里,身份属性可以是职业类别,例如商贩、警察、演员、工人等等;也可以是前科记录,例如吸毒、盗窃、涉黄、诈骗等等;还可以是居住类型,例如常住人口、外来人口等;此外,该身份属性还可以是其他用于表达人员身份特征的类属。
其中,上述目标人员可以是一个或多个,并且,该目标人员的身份属性既可以是未知的,也可以是已知的。例如,目标人员为陌生人,完全不知道他们的信息;又比如,目标人员为已经实名化的人员,其姓名、身份信息是可以在有关部门的档案系统里可查的。在实际操作中,一个人员的身份属性可以是变化的,例如,当一个学生毕业之后,他开始进入工作,因此他的身份属性由原来的学生变成公司的员工;并且,如果他又参加了某个社团,比如赛车,则他还具有赛车手的身份属性。这样,即使对于实名化的目标人员,也可以获得他们的更多的身份属性。
当需要确定上述目标人员的身份属性时,首先从预设的上述人员关系数据中,获取目标人员的关联人员,其中,关联人员是与目标人员具有同行关系的人。这里,当某人员与该目标人员出现在同一位置区域的时间差小于预设的时间间隔时,认为该人员与该目标人员具有同行关系,并确定该人员为目标人员的关联人员。通常情况下,该预设的时间间隔不大于60秒。例如,假设预设的时间间隔为30秒,则将与目标人员出现在同一位置区域的时间差小于30秒的人员,确定为与该目标人员具有同行关系的关联人员。
步骤S204,根据该关联人员的身份属性,确定该目标人员的身份属性。
这里,在获取目标人员的关联人员之后,根据该关联人员的身份属性确定该目标人员的身份属性,也即是,基于与目标人员有同行关系的人员的身份属性,确定目标人员的身份属性。
通常,对于具有同行关系的人,彼此之间的身份属性也往往有所关联。例如,假设目标人员经常与已知具有吸毒前科的人员同行,则该目标人员也是吸毒人员的可能性较高。又比如,目标人员的关联人员中有教师A和商贩B,那么,该目标人员可能是教师,也可能是商贩。并且,如果该目标人员与商贩B的同行相对更频繁,则该目标人员为商贩的可能性更大。
这样,对于上述人员关系数据中某些未知身份属性的人,可以通过与他们具有同行关系的人员的身份属性,来推测得到这些未知身份人员的身份属性;对于人员关系数据中已知部分身份属性的人,同样可以通过他们的关联人员,推测他们可能具有的其他身份属性。
相比于现有的通过人员实名化照片库确定人员身份属性的方式,本实施例提供的确定人员身份属性的方法,不需要依赖该人员实名化照片库,即可确定目标人员的身份属性;并且,对于无实名信息人员,同样可以获得这类人员的身份属性。
本发明实施例提供的确定人员身份属性的方法,首先从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔;进而根据该关联人员的身份属性,确定该目标人员的身份属性。该方式中,基于具有同行关系的人员通常也具有相同的身份属性的原则,通过获取与目标人员具有同行关系的人员,并根据这些同行人员的身份属性来确定目标人员的身份属性,从而可以准确、快速地确定人员的身份属性。
实施例三:
本实施例提供了另一种确定人员身份属性的方法,该方法在上述实施例的基础上实现;本实施例重点描述了根据关联人员的身份属性,确定该目标人员的身份属性的实现过程。如图3所示为该方法的流程示意图,由图3可见,该方法包括以下步骤:
步骤302,从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔。
步骤304,获取关联人员的身份属性,以及每个关联人员与目标人员的同行次数。
这里,假设与目标人员的关联人员有多种身份属性,则获取关联人员的所有身份属性。
步骤306,根据关联人员的身份属性,以及每个关联人员与该目标人员的同行次数,计算该目标人员为指定身份属性的概率值。
其中,上述指定身份属性为关联人员的身份属性中的其中一种,在其中一种可能的实施方式中,计算该目标人员为指定身份属性的概率值的步骤可以通过下述步骤12-16实现:
步骤12,如果关联人员的身份属性为多种,针对每种身份属性,将当前身份属性确定为指定身份属性。
例如,假设目标人员M的关联人员为人员A、人员B和人员C,且人员A和人员B均为教师,人员C为商贩,则表明该目标人员M的关联人员的身份属性包括教师和商贩。这样,针对教师和商贩这两种身份属性,分别将每一种身份属性确定为指定身份属性,例如,在其中一种可能的实施方式中,可以先将教师确定为指定身份属性,并计算该目标人员M为教师的概率值;然后,再将商贩确定为指定身份属性,并结算该目标人员M为商贩的概率值。
步骤14,获取该目标人员与具有该指定身份属性的关联人员的第一同行次数,以及该目标人员与所有关联人员的第二同行次数。
仍以上述目标人员M的例子说明,假设目标人员M分别与人员A、人员B和人员C的同行次数为5次、3次和2次,如果当前指定身份属性为教师,则在该目标人员M的关联人员中,具有教师这一指定身份属性的关联人员有人员A和人员B,获取目标人员M与具有教师身份属性的人员A和人员B的第一同行次数,为8次;并且,获取目标人员M与所有关联人员的第二同行次数,也即与人员A、人员B和人员C的总同行次数,为10次。
在实际操作中,当计算目标人员与关联人员的同行次数时,可能存在一些较为特殊的情况,例如在一个较小的区域可能布设了多个摄像装置,并且每个摄像装置都在同一时刻或较短的时间间隔拍摄到目标人员与关联人员的同行,则实际的一次同行有可能会计算为多次同行,此时,为了让同行次数更符合实际情况,需要对同行次数的计算进行去重处理。这里,可以设定相应的去重规则以优化同行次数的计算,例如,假设同一摄像装置在某一时间间隔内拍摄到同一目标人员与相同的关联人员同行多次,则可以记录为同行一次。比如,同一摄像装置在5分钟内拍摄到目标人员A与关联人员B同行2次,则可以去重处理,只算为同行一次。同理,对于距离较近的摄像装置,假设两个摄像装置X和Y相距10米,且在很短的时间内,例如30秒内分别拍摄到目标人员A与关联人员B同行,则也可以进行去重处理,只算为一次。这样,通过去重处理,可以使得同行次数的计算更符合实际,从而使得人员的身份属性推测更加准确。
步骤16,计算该第一同行次数与该第二同行次数的比值,将该比值确定为该目标人员为指定身份属性的概率值。
在上述目标人员M的例子中,计算当前指定身份属性为教师时,第一同行次数与第二同行次数的比值为80%,则确定该目标人员为教师这一身份属性的概率值为80%。
同理,如果当前指定身份属性为商贩,则在该目标人员M的关联人员中,具有商贩这一指定身份属性的关联人员有人员C,获取目标人员M与具有教师身份属性的人员C的第一同行次数,为2次;并且,获取目标人员M与所有关联人员的第二同行次数,为10次。计算当前指定身份属性为商贩时,第一同行次数与第二同行次数的比值为20%,则确定该目标人员为教师这一身份属性的概率值为20%。
步骤308,根据该概率值确定该目标人员的身份属性。
在本实施例中,该目标人员的身份属性包括指定身份属性,以及该指定身份属性对应的概率值。以上述目标人员M的例子说明,根据步骤S306计算得到的概率值,确定该目标人员M的身份属性为:80%的概率为教师,20%的概率为商贩。
上述方式中,首先从预设的人员关系数据中,获取目标人员的关联人员;然后获取关联人员的身份属性,以及每个关联人员与目标人员的同行次数;接着根据关联人员的身份属性,以及每个关联人员与该目标人员的同行次数,计算该目标人员为指定身份属性的概率值;进而根据该概率值确定该目标人员的身份属性。该方式中,通过计算具有指定身份属性的关联人员与目标人员的同行次数,占该目标人员的所有同行次数的比值,将该比值确定为目标人员为指定身份属性的概率值,得到该目标人员对应不同身份属性的概率值,从而可以准确、快速地确定人员的身份属性。
实施例四:
本实施例提供了另一种确定人员身份属性的方法,该方法在上述实施例的基础上实现;本实施例重点描述了获取上述人员关系数据的具体实现过程。参见图4,为该确定人员身份属性方法的流程示意图,由图4可见,该方法包括以下步骤:
步骤402,从预设的人像数据中,获取预设人群中各个人员之间的同行关系,以及具有同行关系的人员之间的同行次数;其中,具有同行关系的人员,各自出现在同一位置区域的时间差小于预设的时间间隔。
这里,人像数据可以是人像图片或人像视频等形式,并且,以人像图片为例,该人像数据既可以是实时抓拍的人像图片,例如,通过摄像头实时抓拍获取的人像;也可以是预先保存的人像图片,例如人像图库,有关部门的人像档案库等。
另外,预设人群通常包含多个人员,并且,该预设人群可以是流动性的,例如某条街道上的人群,或者某个城市内的人群;也可以是固定性的人群,例如选定的某几个人组成的人群。
首先,从预设的人像数据中,获取上述预设人群中,各个人员之间的同行关系,也即,对于预设人群中的每一个人,获取他与该预设人群中其他人的同行关系,其中,当该预设人群中的任意两个人各自出现在同一位置区域的时间差,小于预设的时间间隔时,确认这两个人有同行关系。
以上述人像数据为人像图片为例,该人像数据为某摄像头实时抓拍某一路口H的路人人像的集合,假设路人A和路人B出现在同一张人像图片里,显然他们是同行关系;如果路人A和路人B分别出现在两张不同的人像图片中,且这两张人像图片的拍摄时间差小于预设的时间间隔,则表明路人A和路人B出现在该路口H的时间差,小于预设的时间间隔,则确认路人A和路人B有同行关系。如果路人A和路人B分别出现在两张不同的人像图片中,且这两张人像图片的拍摄时间差大于预设的时间间隔,则路人A和路人B没有同行关系。
以上述人像数据为人像视频为例,该人像数据为某摄像头摄录的路口H的路人人像视频,假设路人A和路人B出现在该人像视频的同一帧人像图片里,表明他们是同行关系;如果路人A和路人B分别出现在两帧不同的人像图片中,且这两帧人像图片的拍摄时间差小于预设的时间间隔,则表明路人A和路人B出现在该路口H的时间差,小于预设的时间间隔,则确认路人A和路人B有同行关系。否则,路人A和路人B没有同行关系。
此外,还从上述预设的人像数据中获取具有同行关系的人员之间的同行次数。例如,假设预设人群包括人员A、人员B和人员C,且通过人像数据分析确定人员A与人员B有同行关系,人员B与人员C有同行关系,但是人员A与人员C没有同行关系;进一步,通过该人像数据获取同行关系人员之间的同行次数,得到人员A与人员B同行12次,人员B与人员C同行8次。这样,通过预设的人像数据,获取了预设人群中各个人员之间的同行关系,以及具有同行关系的人员之间的同行次数。
步骤404,根据该同行关系和该同行次数,建立该预设人群中各个人员之间的人员关系数据。
在其中一种可能的实施方式中,上述人员关系数据为关系图谱形式的数据,参见图5,所示为一种关系图谱的示意图,其中,每个圆圈代表一个人员,具有同行关系的人员之间通过虚线相连,且在虚线上标注有同行次数。此外,为了更直观地获得该预设人群中各个人员的身份属性,还可以在该关系图谱中每个人员的下方标注该人员已知的身份属性。
步骤406,从上述人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系。
在建立了预设人群的人员关系数据之后,可以根据该人员关系数据获取预设人群中任意目标人员的关系数据,包括与该目标人员具有同行关系的关联人员,以及目标人员与关联人员之间的同行次数。
在其中一种可能的应用场景中,上述预设群体包括已知身份属性的人员和未知身份属性的人员,为了进一步完善该预设人群中各个人员之间的人员关系数据,需要确定未知身份属性的人员的身份属性,在此过程中,上述获取目标人员的关联人员的步骤可以通过以下步骤22-26实现:
步骤22:从预设的人员关系数据中获取未知身份属性的人员。
步骤24:将获取到的未知身份属性的人员,确定为目标人员。
步骤26:将上述人员关系数据中,与该目标人员具有同行关系的人员,确定为关联人员。
这样,通过上述方式,可以获取预设群体中每个未知身份属性人员的关联人员,进而根据其关联人员的身份属性,确定该人员的身份属性,最终确定该预设群体中所有人员的身份属性,从而获得身份属性信息更加完整的人员关系数据。
步骤408,根据该关联人员的身份属性,确定该目标人员的身份属性。
这里,基于具有同行关系的人员通常也具有相同的身份属性的原则,可以根据该关联人员的身份属性,确定该目标人员的身份属性。对于确定该目标人员的身份属性的具体过程,可以参见前述实施例中的对应描述部分,在此不再赘述。
在其中一种可能的实施方式中,在确定目标人员的身份属性之后,还可以将该目标人员的身份属性保存至上述人员关系数据,通过这种方式,可以不断完善该人员关系数据。
本实施例中,首先从预设的人像数据中,获取预设人群中各个人员之间的同行关系,以及具有同行关系的人员之间的同行次数;然后根据该同行关系和该同行次数,建立该预设人群中各个人员之间的人员关系数据;接着从上述人员关系数据中,获取目标人员的关联人员;进而根据该关联人员的身份属性,确定该目标人员的身份属性。该方式中,通过人像数据建立起预设人群的人员关系数据,根据该人员关系数据,可以方便获取预设人群中每个人员的关联人员信息以及同行次数信息,进而快速确定目标人员的身份属性,该方式同样可以缓解现有技术中,无法确定人员的身份属性的技术问题。
实施例五:
为了更好理解上述实施例中的确定人员身份属性的方法,本实施例还介绍了该方法的一个应用实例。
目前,已建设的人脸识别系统,可以通过人像聚类技术把实时的人脸抓拍图片进行聚合,进而生成每个人的人像档案。其中,每个人像档案是同一个人的抓拍图片的合集。当需要确认某人像档案对应人员的身份属性时,现有的方式往往高度依赖相关部分提供的人员实名化照片库,只有通过人员实名化照片库与人像档案进行匹配,才能知道人像档案对应人员的身份属性。
但是,在实际情况下,通常难以获得全部或者大量的人员实名化照片库,即使相关部门提供了已掌握的所有人员的实名化照片库,也无法完全匹配海量的人像档案,因为还存在大量未掌握的人员,例如流动人口、未登记真实信息的人员等等。在这种情况下,存在大量人员无法确定其身份属性。这里,通过本发明提供的确定人员身份属性的方法可以缓解上述问题,具体过程如下。
(1)对于人群Q,其中包含无实名信息人员,首先获取该人群Q中每个人员的人像档案;其中,该人像档案基于人像抓拍图片及人像聚类技术建立。
(2)通过与已有的数据进行匹配,获得该人群Q中,已经实名化人员的身份属性。
(3)根据该人像档案获取该人群Q中每个人员之间的同行关系,以及具有同行关系的人员之间的同行次数;其中,当任意两个人出现在同一位置区域的时间差小于预设的时间间隔时,认为这两个人有同行关系。
(4)根据该同行关系和该同行次数,建立该人群Q中各个人员之间的人员关系数据。
(5)首先将人群Q中,与实名化人员有同行关系的未实名化人员确定为第一目标人员,将该人员关系数据中,与该第一目标人员具有同行关系的人员,确定为第一关联人员。
(6)其中,如果关联人员的身份属性为多种,针对每种身份属性,将当前身份属性确定为指定身份属性;获取该目标人员与具有该指定身份属性的关联人员的第一同行次数,以及该目标人员与所有关联人员的第二同行次数;计算该第一同行次数与该第二同行次数的比值,将该比值确定为该目标人员为指定身份属性的概率值;进而得到第一目标人员的身份属性。
(7)然后,将人群Q中,与实名化人员没有同行关系的未实名化人员确定为第二目标人员,将该人员关系数据中,与该第二目标人员具有同行关系的人员,确定为第二关联人员。
这里,假设人群Q中的人员A、人员B和人员C,他们均未实名化,且人员A和人员B都与实名化人员有同行关系,人员C分别与人员A、人员B有同行关系。这样,经过上述步骤(6)即得到人员A和人员B的推测的身份属性,例如,假设推测得到人员A为盗窃犯的概率值为20%,为抢劫犯的概率值为80%;并且,人员B为盗窃犯的概率值为40%,为抢劫犯的概率值为60%。这里,将人员C确定为第二目标人员,将人员A和人员B确定为该人员C的第二关联人员。
(8)根据第二关联人员的身份属性,同理可得到第二目标人员的身份属性。
仍以上述步骤(7)中的例子说明,假设人员C分别与人员A同行5次,与人员B同行10次,则可以结合人员A和人员B已经推测的身份属性计算人员C的身份属性和对应的概率值。
其中,人员C为盗窃犯的概率值为:(20%*5+40%*10)/(5+10)=33.3%;并且,人员C为抢劫犯的概率值为:(80%*5+60%*10)/(5+10)=66.7%。这样,即得到人员C的身份属性包括盗窃犯和抢劫犯,且对应的概率值分别为33.3%和66.7%。
(9)基于已经确定的未实名化人员的身份属性,继续推测其他未实名化人员的身份属性,进而得到人群Q中所有人员的身份属性。
这样,本实施例提供的确定人员身份属性的方法,有效缓解了现有技术中大量人员无法确定身份属性的技术问题,实现了利用已知推理未知的大数据应用,提高了人像档案的可用性,使相关部门的情报研判更精准、更高效。
实施例六:
对应于上述确定人员身份属性的方法的实施例,本实施例还提供了一种确定人员身份属性的装置,参见图6,所示为该装置的结构示意,由图6可见,该装置包括彼此相连的关联人员获取模块60和身份属性确定模块61,其中,各个模块的功能如下:
关联人员获取模块60,用于从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与该目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔;
身份属性确定模块61,用于根据该关联人员的身份属性,确定该目标人员的身份属性。
本实施例提供的一种确定人员身份属性的装置,首先从预设的人员关系数据中,获取目标人员的关联人员;其中,该关联人员与目标人员具有同行关系;与目标人员具有同行关系的关联人员,与该目标人员出现在同一位置区域的时间差小于预设的时间间隔;进而根据该关联人员的身份属性,确定该目标人员的身份属性。该装置中,基于具有更频繁同行关系的人员通常有更高的概率为相同的身份属性的原则,通过获取与目标人员具有同行关系的人员,并根据这些同行人员的身份属性来确定目标人员的身份属性,从而可以准确、快速地确定人员的身份属性。
进一步地,上述关联人员获取模块60还用于:从预设的人像数据中,获取预设人群中各个人员之间的同行关系,以及具有同行关系的人员之间的同行次数;根据该同行关系和该同行次数,建立该预设人群中各个人员之间的人员关系数据。
进一步地,上述关联人员获取模块60还用于:从上述人员关系数据中获取未知身份属性的人员;将获取到的未知身份属性的人员,确定为目标人员;将该人员关系数据中,与该目标人员具有同行关系的人员,确定为关联人员。
进一步地,上述身份属性确定模块61还用于:获取关联人员的身份属性,以及每个关联人员与目标人员的同行次数;根据关联人员的身份属性,以及每个关联人员与该目标人员的同行次数,计算该目标人员为指定身份属性的概率值;根据该概率值确定该目标人员的身份属性。
进一步地,上述身份属性确定模块61还用于:如果关联人员的身份属性为多种,针对每种身份属性,将当前身份属性确定为指定身份属性;获取该目标人员与具有该指定身份属性的关联人员的第一同行次数,以及该目标人员与所有关联人员的第二同行次数;计算该第一同行次数与该第二同行次数的比值,将该比值确定为该目标人员为指定身份属性的概率值。
进一步地,上述目标人员的身份属性包括:该指定身份属性、以及该指定身份属性对应的概率值。
进一步地,该确定人员身份属性的装置还包括身份属性保存模块,用于将该目标人员的身份属性保存至上述人员关系数据。
进一步地,上述人员关系数据为关系图谱形式的数据。
本发明实施例提供的确定人员身份属性的装置,其实现原理及产生的技术效果和前述确定人员身份属性的方法实施例相同,为简要描述,确定人员身份属性的装置的实施例部分未提及之处,可参考前述确定人员身份属性的方法实施例中相应内容。
实施例七:
本发明实施例还提供了一种电子设备,如图7所示,为该电子设备的结构示意图,其中,该电子设备包括处理器71和存储器70,该存储器70存储有能够被该处理器71执行的计算机可执行指令,该处理器71执行该计算机可执行指令以实现上述确定人员身份属性的方法。
在图7示出的实施方式中,该电子设备还包括总线72和通信接口73,其中,处理器71、通信接口73和存储器70通过总线72连接。
其中,存储器70可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线72可以是ISA总线、PCI总线或EISA总线等。所述总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器71读取存储器中的信息,结合其硬件完成前述实施例的确定人员身份属性的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述确定人员身份属性的方法,具体实现可参见前述方法实施例,在此不再赘述。
本发明实施例所提供的确定人员身份属性的方法、确定人员身份属性的装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的确定人员身份属性的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所述功能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,可以存储在一个处理器可执行的非易失的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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种确定人员身份属性的方法,其特征在于,包括:
从预设的人员关系数据中,获取目标人员的关联人员;其中,所述关联人员与所述目标人员具有同行关系;与所述目标人员具有同行关系的关联人员,与所述目标人员出现在同一位置区域的时间差小于预设的时间间隔;
根据所述关联人员的身份属性,确定所述目标人员的身份属性。
2.根据权利要求1所述的方法,其特征在于,所述预设的人员关系数据,通过下述方式获得:
从预设的人像数据中,获取预设人群中各个人员之间的同行关系,以及具有同行关系的人员之间的同行次数;
根据所述同行关系和所述同行次数,建立所述预设人群中各个人员之间的人员关系数据。
3.根据权利要求1所述的方法,其特征在于,获取目标人员的关联人员的步骤,包括:
从所述人员关系数据中获取未知身份属性的人员;
将获取到的所述未知身份属性的人员,确定为目标人员;
将所述人员关系数据中,与所述目标人员具有同行关系的人员,确定为关联人员。
4.根据权利要求1所述的方法,其特征在于,根据所述关联人员的身份属性,确定所述目标人员的身份属性的步骤,包括:
获取所述关联人员的身份属性,以及每个所述关联人员与所述目标人员的同行次数;
根据所述关联人员的身份属性,以及每个所述关联人员与所述目标人员的同行次数,计算所述目标人员为指定身份属性的概率值;
根据所述概率值确定所述目标人员的身份属性。
5.根据权利要求4所述的方法,其特征在于,根据所述关联人员的身份属性,以及每个所述关联人员与所述目标人员的同行次数,计算所述目标人员为指定身份属性的概率值的步骤,包括:
如果所述关联人员的身份属性为多种,针对每种身份属性,将当前身份属性确定为指定身份属性;
获取所述目标人员与具有所述指定身份属性的关联人员的第一同行次数,以及所述目标人员与所有所述关联人员的第二同行次数;
计算所述第一同行次数与所述第二同行次数的比值,将所述比值确定为所述目标人员为指定身份属性的概率值。
6.根据权利要求4所述的方法,其特征在于,所述目标人员的身份属性包括:所述指定身份属性、以及所述指定身份属性对应的概率值。
7.根据权利要求1-6任一项所述的方法,其特征在于,确定所述目标人员的身份属性的步骤之后,所述方法还包括:将所述目标人员的身份属性保存至所述人员关系数据。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述人员关系数据为关系图谱形式的数据。
9.一种确定人员身份属性的装置,其特征在于,包括:
关联人员获取模块,用于从预设的人员关系数据中,获取目标人员的关联人员;其中,所述关联人员与所述目标人员具有同行关系;与所述目标人员具有同行关系的关联人员,与所述目标人员出现在同一位置区域的时间差小于预设的时间间隔;
身份属性确定模块,用于根据所述关联人员的身份属性,确定所述目标人员的身份属性。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的确定人员身份属性的方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至8任一项所述的确定人员身份属性的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911015620.1A CN110765435B (zh) | 2019-10-23 | 2019-10-23 | 确定人员身份属性的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911015620.1A CN110765435B (zh) | 2019-10-23 | 2019-10-23 | 确定人员身份属性的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765435A true CN110765435A (zh) | 2020-02-07 |
CN110765435B CN110765435B (zh) | 2022-05-17 |
Family
ID=69333259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911015620.1A Active CN110765435B (zh) | 2019-10-23 | 2019-10-23 | 确定人员身份属性的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765435B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625654A (zh) * | 2020-04-14 | 2020-09-04 | 北京旷视科技有限公司 | 关系图谱的生成方法、传播路径的确认方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015196377A1 (zh) * | 2014-06-25 | 2015-12-30 | 华为技术有限公司 | 一种用户身份类别确定方法以及装置 |
CN106610997A (zh) * | 2015-10-23 | 2017-05-03 | 杭州海康威视数字技术股份有限公司 | 人物信息处理方法、装置及系统 |
CN106682212A (zh) * | 2016-12-31 | 2017-05-17 | 复旦大学 | 一种基于用户移动行为的社会关系分类方法与装置 |
CN107480246A (zh) * | 2017-08-10 | 2017-12-15 | 北京中航安通科技有限公司 | 一种关联人员的识别方法及装置 |
CN108875704A (zh) * | 2018-07-17 | 2018-11-23 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109522342A (zh) * | 2018-11-30 | 2019-03-26 | 北京百度网讯科技有限公司 | 公安警务管理方法、装置、设备和存储介质 |
CN109669956A (zh) * | 2018-12-22 | 2019-04-23 | 江西微应科技有限公司 | 存储器、用户关系确定方法、装置和设备 |
CN109829072A (zh) * | 2018-12-26 | 2019-05-31 | 深圳云天励飞技术有限公司 | 构建图谱方法及相关装置 |
CN110020025A (zh) * | 2017-09-28 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN110019963A (zh) * | 2017-12-11 | 2019-07-16 | 罗普特(厦门)科技集团有限公司 | 嫌疑人关系人员的搜索方法 |
CN110276272A (zh) * | 2019-05-30 | 2019-09-24 | 罗普特科技集团股份有限公司 | 确认标签人员的同行人员关系的方法、装置、存储介质 |
CN110288015A (zh) * | 2019-06-21 | 2019-09-27 | 北京旷视科技有限公司 | 一种人像检索的处理方法和装置 |
-
2019
- 2019-10-23 CN CN201911015620.1A patent/CN110765435B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015196377A1 (zh) * | 2014-06-25 | 2015-12-30 | 华为技术有限公司 | 一种用户身份类别确定方法以及装置 |
CN106610997A (zh) * | 2015-10-23 | 2017-05-03 | 杭州海康威视数字技术股份有限公司 | 人物信息处理方法、装置及系统 |
CN106682212A (zh) * | 2016-12-31 | 2017-05-17 | 复旦大学 | 一种基于用户移动行为的社会关系分类方法与装置 |
CN107480246A (zh) * | 2017-08-10 | 2017-12-15 | 北京中航安通科技有限公司 | 一种关联人员的识别方法及装置 |
CN110020025A (zh) * | 2017-09-28 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN110019963A (zh) * | 2017-12-11 | 2019-07-16 | 罗普特(厦门)科技集团有限公司 | 嫌疑人关系人员的搜索方法 |
CN108875704A (zh) * | 2018-07-17 | 2018-11-23 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109522342A (zh) * | 2018-11-30 | 2019-03-26 | 北京百度网讯科技有限公司 | 公安警务管理方法、装置、设备和存储介质 |
CN109669956A (zh) * | 2018-12-22 | 2019-04-23 | 江西微应科技有限公司 | 存储器、用户关系确定方法、装置和设备 |
CN109829072A (zh) * | 2018-12-26 | 2019-05-31 | 深圳云天励飞技术有限公司 | 构建图谱方法及相关装置 |
CN110276272A (zh) * | 2019-05-30 | 2019-09-24 | 罗普特科技集团股份有限公司 | 确认标签人员的同行人员关系的方法、装置、存储介质 |
CN110288015A (zh) * | 2019-06-21 | 2019-09-27 | 北京旷视科技有限公司 | 一种人像检索的处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
栾润生等: "动态人脸识别在侦查工作中的应用", 《中国刑警学院学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625654A (zh) * | 2020-04-14 | 2020-09-04 | 北京旷视科技有限公司 | 关系图谱的生成方法、传播路径的确认方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110765435B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10298537B2 (en) | Apparatus for sharing image content based on matching | |
EP3125135B1 (en) | Picture processing method and device | |
US8447769B1 (en) | System and method for real-time image collection and sharing | |
WO2020259099A1 (zh) | 一种信息处理方法及装置、存储介质 | |
TWI740537B (zh) | 一種資訊處理方法及裝置、儲存介質 | |
RU2664003C2 (ru) | Способ и устройство для определения ассоциированного пользователя | |
KR20140105478A (ko) | 사진을 이용하여 동작을 개시 및 수행하는 기법 | |
US9070024B2 (en) | Intelligent biometric identification of a participant associated with a media recording | |
CN110674800B (zh) | 一种人脸活体检测方法、装置、电子设备及存储介质 | |
JP5882805B2 (ja) | 情報処理装置、その処理方法及びプログラム | |
US20130343618A1 (en) | Searching for Events by Attendants | |
KR101782590B1 (ko) | 이미지 분석기반의 관계형 태그생성 및 추천 방법 | |
JP2019153296A (ja) | 解析装置、解析方法及びプログラム | |
CN110765435B (zh) | 确定人员身份属性的方法、装置和电子设备 | |
US8300256B2 (en) | Methods, systems, and computer program products for associating an image with a communication characteristic | |
CN110737795A (zh) | 相册封面的确定方法、装置、设备及存储介质 | |
CN113128278A (zh) | 一种图像识别方法及装置 | |
JPWO2019187107A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN110392228B (zh) | 监视方法与使用此方法的电子装置 | |
JP6082484B2 (ja) | 情報処理装置、その処理方法及びプログラム | |
KR20210101736A (ko) | 앨범간단정리 어플리케이션 | |
US10642885B2 (en) | Grouping images according to context | |
CN111597384A (zh) | 视频源管理方法及相关装置 | |
CN115905675A (zh) | 一种信息匹配方法、装置、服务器、系统及存储介质 | |
CN114648799A (zh) | 一种人脸分类方法、装置及电子设备 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230807 Address after: No. 1268, 1f, building 12, neijian Middle Road, Xisanqi building materials City, Haidian District, Beijing 100096 Patentee after: BEIJING KUANGSHI TECHNOLOGY Co.,Ltd. Address before: 100080 room 1018, 10th floor, 1 Zhongguancun Street, Haidian District, Beijing Patentee before: BEIJING KUANGSHI TECHNOLOGY Co.,Ltd. Patentee before: Qingdao Guangshi Technology Co.,Ltd. |