CN110807117A - 一种用户关系预测方法及装置、计算机可读存储介质 - Google Patents
一种用户关系预测方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110807117A CN110807117A CN201810880276.1A CN201810880276A CN110807117A CN 110807117 A CN110807117 A CN 110807117A CN 201810880276 A CN201810880276 A CN 201810880276A CN 110807117 A CN110807117 A CN 110807117A
- Authority
- CN
- China
- Prior art keywords
- target detection
- preset
- records
- identity information
- acquisition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 127
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000391 smoking effect Effects 0.000 claims description 9
- 230000007717 exclusion Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用户关系预测方法,通过获取多个目标侦测对象的人脸采集记录,并判断确定的所述目标侦测对象的同行记录是否符合预设的同行条件;在一组所述同行记录符合所述预设的同行条件时,进一步根据所述目标侦测对象的身份信息以及预设的关系预测算法,计算所述预测记录中对应的不同的所述目标侦测对象之间的关系。本发明技术方案实现了自动的监控与预测人与人之间的社会关系,并且关系预测的准确性高,数据的处理量小。本发明还提供一种用户关系预测装置及计算机可读存储介质。
Description
技术领域
本发明涉及智能监控技术领域,尤其涉及一种用户关系预测方法、用户关系预测装置、及计算机可读存储介质。
背景技术
社会关系表明人与人之间的关系,社会关系通常包括有例如同学关系、早恋情侣关系、师生恋关系、普通朋友关系、同班关系、学习小组关系、坏同学团伙(校园霸凌团体、不良帮会团体等)关系、办公室恋情关系、犯罪同伙关系等。人与人之间的大部分社会关系是值得肯定与鼓励的,但是某些违法、违反社会公德或者损害公共利益的社会关系是应该要被积极制止的,例如犯罪同伙关系、受贿与行贿关系、校园霸凌团体关系、不良帮会团体关系等;也存在一些特殊场合不鼓励或者要求禁止产生的某些社会关系,例如校园早恋关系,办公室恋情关系,师生恋关系等。
通常这些不值得鼓励或者应当积极制止的社会关系,在现实的生活中还是依赖于人们在本身的生活中主动发现,并不能通过技术手段有效的预测得到。
在校园、企业办公区、特殊监控区等地方虽然都安装有监控摄像,但是通常只是用于人工监控,或者用于后期的调查取证;现有技术中,尚无法实现自动的监控与预测人与人之间的社会关系。
发明内容
本发明实施例提供一种用户关系预测方法、用户关系预测装置及计算机存储介质,主要旨在解决现有技术中无法实现自动的监控与预测人与人之间的社会关系的技术问题。
本发明实施例提供了一种用户关系预测方法,包括:
获取多个目标侦测对象的人脸采集记录,其中,每一条所述人脸采集记录包括设置于预设采集位置的图像采集模块采集到对应的所述目标侦测对象的人脸图像时记录的采集时间以及采集位置;
根据所述人脸采集记录中的所述采集时间与所述采集位置,将具有相同的采集位置以及采集时间处于预设的时间间隔区间内的人脸采集记录确定为一组同行记录;
判断每一组所述同行记录是否符合预设的同行条件;
在一组所述同行记录符合所述预设的同行条件时,该组同行记录确定为预测记录,获取该预测记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的身份信息;
根据所述身份信息以及预设的关系预测算法,计算所述预测记录中对应的不同的所述目标侦测对象之间的关系。
进一步地,所述获取多个目标侦测对象的人脸采集记录的步骤,包括:
获取预设采集位置设置的图像采集模块采集的图像;
根据从所述图像中提取的人脸特征信息,判断所述图像中是否存在所述目标侦测对象;
在所述图像中存在所述目标侦测对象时,获取所述目标侦测对象的身份信息,并将所述目标侦测对象的身份信息、所述目标侦测对象被采集到所述图像的采集时间信息与采集位置信息记录为一条人脸采集记录。
进一步地,所述预设的同行条件包括以下条件中的一个或者多个:
一组所述同行记录对应的同行人在预设的时间周期内的被确定为同行的次数是否达到第一预设值,所述同行人为一组所述同行记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的集合;
所述同行记录中的所述人脸采集记录所记录的所述采集位置是否符合第二预设值;
所述同行记录中的所述人脸采集记录所记录的所述采集时间是否符合第三预设值。
进一步地,所述判断每一组所述同行人是否符合预设的同行条件的步骤之后,还包括:
在一组所述同行记录符合所述预设的同行条件时,获取该组同行记录中的所述人脸采集记录对应的采集位置的图像采集模块在所述采集时间采集到的现场图像信息;
从所述现场图像信息中提取与所述同行记录中的所述人脸采集记录对应的所述目标侦测对象的行为特征信息;
判断所述行为特征信息是否与预设的动作参数匹配;
在所述行为特征信息与预设的动作参数匹配时,进入所述根将该组同行记录确定为预测记录,获取该预测记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的身份信息的步骤。
进一步地,所述预设的动作参数包括以下中一个或多个:
亲吻动作的特征参数,拥抱动作的特征参数,牵/挽手动作的特征参数,搂肩/腰动作的特征参数,抽烟动作的特征参数,肢体冲突动作的特征参数。
进一步地,所述获取多个目标侦测对象的人脸采集记录的步骤,包括:
获取设定的时间段内的所述多个目标侦测对象的人脸采集记录。
进一步地,所述预设的关系预测算法,包括以下算法中的一个或者多个:
在所述身份信息的个数为两个,且所述身份信息对应为一男一女时,判断所述两个身份信息中是否存在至少一个与预设的排查数据库中得身份信息匹配,在所述两个身份信息均与所述预设的排除数据库中得身份信息不匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似情侣关系;
判断所述身份信息中是否存在至少一个与预设的连坐数据库中的身份信息匹配,在所述身份信息中存在至少一个与所述预设的连坐数据库中的身份信息匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似不良团体成员。
进一步地,所述预设的关系预测算法,包括:
根据所述身份信息获取对应的所述目标侦测对象的样本输入数据,将所述样本输入数据作为数据输入,通过预先训练的基于卷积神经网络的关系预测算法模型,获取所述身份信息对应的所述目标侦测对象之间的关系的预测结果;
其中,所述样本输入数据包括所述身份信息对应的所述目标侦测对象的年龄数据、性别数据、社会身份数据,所述身份信息对应的所述目标侦测对象被采集到的人脸采集记录中的采集位置、采集时间,所述身份信息对应的所述目标侦测对象被采集到的行为特征信息。
本发明还提供一种用户关系预测装置,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程序,其特征在于,所述处理器执行所述计算机程序时实现如上任一项所述的用户关系预测方法的步骤。
本发明还提供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程序,其特征在于,所述计算机程序被处理器执行时实现如上任一项所述的用户关系预测方法的步骤。
相较于现有技术,本发明实施例通过获取多个目标侦测对象的人脸采集记录,并判断确定的所述目标侦测对象的同行记录是否符合预设的同行条件;在一组所述同行记录符合所述预设的同行条件时,进一步根据所述目标侦测对象的身份信息以及预设的关系预测算法,计算所述预测记录中对应的不同的所述目标侦测对象之间的关系;实现了自动的监控与预测人与人之间的社会关系,同时通过先判断同行记录是否符合同行条件,决定是否有进一步进行关系预测的必要,再进一步地根据所述目标侦测对象的身份信息以及预设的关系预测算法,来有针对性的预测所述目标侦测对象之间的关系,进一步提高了关系预测的准确性,同时减小了数据的处理量。
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为本发明一实施例提供的用户关系预测方法的流程示意图;
图2为本发明一实施例提供的用户关系预测方法中的生成人脸采集记录流程的子流程示意图;
图3为本发明另一实施例提供的用户关系预测方法的流程示意图;
图4为本发明一实施例提供的用户关系预测装置的模块示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
请参照图1,图1为本发明一实施例中的基于人脸识别的用户关系预测方法100的方法流程图,其中,所述用户关系预测方法100包括如下步骤:
步骤S10,获取多个目标侦测对象的人脸采集记录,其中,每一条所述人脸采集记录有设置于预设采集位置的图像采集模块采集到对应的所述目标侦测对象的人脸图像时记录的采集时间以及采集位置。
其中,所述图像采集模块可以是摄像头、监控探头等。通常的,可以通过在校园、企业办公区、公园、道路拐角等需要进行监控的地方布置网络摄像头,实时或者定时采集图像。然后通过图像识别技术和人脸识别技术,从摄像头采集到的图像中识别出人脸和该人脸对应的人员身份信息。
具体的,当所述用户关系预测方法100是应用于校园,用于侦测老师及同学之间的社会关系时,所述图像采集模块(例如摄像头)可以设置在公共自习室、图书馆、偏僻的走廊、天台、树林等位置,进而采集在这些位置出现过的学生或者老师的图像信息,进而通过图像分析出老师或者同学在这些位置出现通常是与谁一起同行、或者在识别出老师或者同学在这些位置进行过什么行为,进一步来判断一同出现在这些位置的老师和/或同学们之间的社会关系。
具体的,请一并参考图2,在一实施例中,所述步骤S10可以包括:
步骤S11,获取预设采集位置设置的图像采集模块采集的图像;
步骤S12,根据从所述图像中提取的人脸特征信息,判断所述图像中是否存在所述目标侦测对象;
步骤S13,在所述图像中存在所述目标侦测对象时,获取所述目标侦测对象的身份信息,并将所述目标侦测对象的身份信息、所述目标侦测对象被采集到所述图像的采集时间信息与采集位置信息记录为一条人脸采集记录。
可以理解的是,通过预先存储目标侦测对象的人脸特征信息,将根据采集到的图像中提取出的人脸特征信息与预先存储的目标侦测对象的人脸特征信息进行匹配,只有匹配成功时,才被确认所述图像中存在所述目标侦测对象;才会进一步将所述目标侦测对象的身份信息、所述目标侦测对象被采集到所述图像的采集时间信息与采集位置信息记录为一条人脸采集记录。对图像中出现的无关人员、被排除的人员不做记录,从而可以减小数据运算量,加快运算速度。
具体的,可以是预先设置匹配数据库,该匹配数据库中记录所述目标侦测对象及其对应的人脸特征;从而到达判断所述图像中是否存在所述目标侦测对象的目的。
在步骤S10中,通过分析设置于预设采集位置的图像采集模块采集到的图像,可以得到多条代表不同的目标侦测对象的人脸采集记录,如果需要对用户关系进行预测,则对应获取两个或者数个需要进行预测的目标侦测对象所对应的人脸采集记录。
进一步地,在步骤S10中,可以是获取一设定的时间段内的多个目标侦测对象的人脸采集记录。由于人与人之间的社会关系也是存在一定时效性的,例如情侣有热恋期也有分手期,不良少年帮派成员有集会密集时间段也有松散时间段,针对一段时间所采集的多个目标侦测对象的人脸采集记录,可以更为精确的对多个目标侦测对象之间的关系进行预测。
步骤S20,根据所述人脸采集记录中的所述采集时间与所述采集位置,将具有相同的采集位置以及采集时间处于预设的时间间隔区间内的人脸采集记录确定为一组同行记录。
可以理解的是,一般意义上的两人或者多人同行,一般指的是两人或者多人同时或者时间间隔很近的先后出现在同一位置。
因此,在获取到多条代表不同的目标侦测对象的,记录有目标侦测对象的身份信息、所述目标侦测对象被采集到所述图像的采集时间信息与采集位置信息的所述人脸采集记录时,具有相同的采集位置以及采集时间处于预设的时间间隔区间内的人脸采集记录所对应的目标侦测对象,应当极有可能是同行的人,因此可以将其确定为一组同行记录。
进一步地,还可以将一组所述同行记录中不同的所述人脸采集记录对应的不同的所述目标侦测对象确定为一组同行人。
步骤S30,根据确定的所述同行记录,分别判断每一组所述同行记录是否符合预设的同行条件。
可以理解的是,虽然侦测到两个或者数个目标侦测对象确定为一组同行人,但是这不代表他们之间一定存在特定的社会关系,也许只是偶然的同时出现同一个地方;也可以是他们之间仅仅是普通的同学关系、同事关系、朋友关系、普通社交关系等,仅仅是一次或者数次同一时间出现在同一位置。
在步骤S30中,进一步设置的预设的同行条件的预判,来确认所述同行记录对应的同行人是否真正具有进一步进行关系预测的必要。
例如,男女两位同学,多次同时一同进入公共自习教室,被教室门口的摄像头采集到;男女两位同学多次在较晚时间出现在校园偏僻的小树林;公司的两位异性同事经常很晚一同下班;在偏僻的公园角落,两位男性经常在较晚时间一起碰头等;当这样的同行条件被侦测到时,则很有必要进行下一步的关系预测。
在具体示例中,所述预设的同行条件可以是:
示例一:一组所述同行记录对应的同行人在预设的时间周期内的被确定为同行的次数是否达到第一预设值,所述同行人为一组所述同行记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的集合。
具体的,可以是通过获取预设的时间周期(例如,一周、半个月、一个月等)内的多个所述目标侦测对象的人脸采集记录,同样的几个目标侦测对象在不同的时间都被认为存在同行记录(所述同行记录对应的采集位置可以相同也可以不同,即可以是在不同的采集位置同行)时,则可以认为该同样的几个目标侦测对象在该预设的时间周期内,同行了多次。
通常的,人与人之间的社会关系,最直观的体现就是同是出现的次数。例如,情侣关系的预测,最重要的预测依据之一就是一起同行的次数。
示例二:所述同行记录中的所述人脸采集记录所记录的所述采集位置是否符合第二预设值。
可以理解的是,例如犯罪同伙关系、不良同学团体等负面的社会关系通常在特定的位置可以侦测到同行信息。例如,一起抽烟的同学伙伴,经常会在天台、小树林等位置集会抽烟,因此会侦测到在这些位置的同行行为;非法交易等犯罪同伙关系,经常会在偏僻的位置或者路上侦测到同伙之间的同行信息。
因此,判断同行记录中的所述人脸采集记录所记录的所述采集位置是否符合预先确定的特定位置(第二预设值)可以更准确的对多个目标侦测对象之间的关系进行预测。
示例三:所述同行记录中的所述人脸采集记录所记录的所述采集时间是否符合第三预设值。
可以理解的是,例如犯罪同伙关系、不良同学团体等负面的社会关系通常也可以在特定的时间侦测到同行信息。例如,一起情侣关系,通常会在较晚的时间进行约会,因此会侦测到在这些时间的同行行为;非法交易等犯罪同伙关系,经常会在夜深人静的时间侦测到同伙之间的同行信息;一起抽烟的同学伙伴,经常会在课间或者午休时间集会抽烟,因此会侦测到在这些时间的同行行为。
因此,判断同行记录中的所述人脸采集记录所记录的所述采集时间是否符合特定的时间(第三预设值)可以更准确的对多个目标侦测对象之间的关系进行预测。
可以理解的是,所述预设的同行条件还可以是所述同行记录中的所述人脸采集记录所记录的所述采集时间和采集地点都符合特定的值。
步骤S40,在一组所述同行记录符合所述预设的同行条件时,将该组同行记录确定为预测记录,获取该预测记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的身份信息。
步骤S50,根据所述身份信息以及预设的关系预测算法,计算所述预测记录中对应的不同的所述目标侦测对象之间的关系。
具体的,当确认一组所述同行记录符合所述预设的同行条件时,可以认为根据所述同行记录很有必要进一步地进行关系预测,这时采用根据待进行预测的所述目标侦测对象对应的所述身份信息以及预设的关系预测算法,计算所述预测记录中对应的不同的所述目标侦测对象之间的关系。
其中,所述预设的关系预测算法可以与所述预设的同行条件向对应;
例如,在步骤S30中确定待预测的目标侦测对象在该预设的时间周期内同行了多次时,或者待预测的目标侦测对象在特定的位置同行过(情侣餐厅、宾馆等),或者待预测的目标侦测对象在特定的时间同行过;可以进一步根据所述身份信息,判断所述待预测的目标侦测对象的个数与性别;所述预设的关系预测算法可以为:在所述身份信息对应为一男一女时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似情侣关系。
又例如,由于,不良团体成员等负面的社会关系,通常只要侦测到在符合预设的同行条件时,被认为是有必要的进一步进行关系预测的时候,只要侦测到一个不良团体的成员出现,则可以认为与该不良团体的成员出行的人就很有可能是不良团体成员;例如,多次与不良团体人员一同出行,与不良团体人员在晚上在偏僻的地方见面等;所述预设的关系预测算法可以为:在所述身份信息中是否存在至少一个不良团体人员的身份信息,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似不良团体成员。
可以理解的是,上述预设的关系预测算法本领域技术人员可以根据需要预测的社会关系,根据需要进行设置,在此不再赘述。
在本实施例中,通过获取多个目标侦测对象的人脸采集记录,并判断确定的所述目标侦测对象的同行记录是否符合预设的同行条件;在一组所述同行记录符合所述预设的同行条件时,进一步根据所述目标侦测对象的身份信息以及预设的关系预测算法,计算所述预测记录中对应的不同的所述目标侦测对象之间的关系;从而通过先判断同行行为是否符合条件,决定是否有进一步进行关系预测的必要,再进一步的所述目标侦测对象的身份信息以及预设的关系预测算法,来有针对性的预测所述目标侦测对象之间的关系;提高了关系预测的准确性,同时减小了数据的处理量。
在其他实施例中,所述预设的关系预测算法可以包括:在所述身份信息的个数为两个,且所述身份信息对应为一男一女时,判断所述两个身份信息中是否存在至少一个与预设的排查数据库中得身份信息匹配,在所述两个身份信息均与所述预设的排除数据库中得身份信息不匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似情侣关系。
例如,在步骤S30中确定待预测的目标侦测对象在该预设的时间周期内同行了多次时,或者待预测的目标侦测对象在特定的位置同行过(情侣餐厅、宾馆等),或者待预测的目标侦测对象在特定的时间同行过;可以进一步根据所述身份信息,判断所述待预测的目标侦测对象的个数与性别;并在所述身份信息的个数为两个,且所述身份信息对应为一男一女时,判断所述两个身份信息中是否存在至少一个与预设的排查数据库中得身份信息匹配,在所述两个身份信息均与所述预设的排除数据库中得身份信息不匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似情侣关系。
其中,所述预设的排查数据库可以存储某些已知的已婚或者不需要判断是否为情侣关系的人员的身份信息。
在其他实施例中,所述预设的关系预测算法可以包括:判断所述身份信息中是否存在至少一个与预设的连坐数据库中的身份信息匹配,在所述身份信息中存在至少一个与所述预设的连坐数据库中的身份信息匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似不良团体成员。
例如,在步骤S30中,确定判断所述身份信息中是否存在至少一个与预设的连坐数据库中的身份信息匹配,在所述身份信息中存在至少一个与所述预设的连坐数据库中的身份信息匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似不良团体成员。由于,不良团体成员等负面的社会关系,通常只要侦测到在符合预设的同行条件时,被认为是有必要的进一步进行关系预测的时候,只要侦测到一个不良团体的成员出现,则可以认为与该不良团体的成员出行的人就很有可能是不良团体成员;例如,多次与不良团体人员一同出行,与不良团体人员在晚上在偏僻的地方见面等。
其中,所述连坐数据库可以存储某些具有犯罪案底或者不良记录的人员的身份信息,用来判断与该些有犯罪案底或者不良记录的人员具有密切接触的人员与其之间的社会关系。
可以理解的是,上述预设的关系预测算法本领域技术人员可以根据需要预测的社会关系,根据需要进行设置,在此不再赘述。
进一步地,在一实施例中,所述预设的关系预测算法还可以包括:根据所述身份信息获取对应的所述目标侦测对象的样本输入数据,将所述样本输入数据作为数据输入,通过预先训练的基于卷积神经网络的关系预测算法模型,获取所述身份信息对应的所述目标侦测对象之间的关系的预测结果;
其中,所述样本输入数据包括但不限于是所述身份信息对应的所述目标侦测对象的年龄数据、性别数据、社会身份数据、所述身份信息对应的所述目标侦测对象被采集到的人脸采集记录中的采集位置、采集时间,所述身份信息对应的所述目标侦测对象被采集到的行为特征信息等。
其中,所述社会身份数据可以是职业、犯罪历史、信用度等。
其中,被采集的所述目标侦测对象的行为动作,通常也是作为判断所述目标侦测对象之间的关系的重要因素之一。例如,情侣关系通常会有亲吻、拥抱、牵手、挽手、搂肩、搂腰等动作;判断从所述现场图像信息中提取出所述目标侦测对象的行为特征信息是否匹配上述动作,可以排除上述的同一个学习小组的男女同学关系;不良团伙关系、抽烟同学关系或者犯罪同伙关系等则会对应一些抽烟、打架、肢体冲突等动作。
所述行为特征信息如前所述的,可以是包括以下中一个或多个:亲吻动作的特征参数,拥抱动作的特征参数,牵/挽手动作的特征参数,搂肩/腰动作的特征参数,抽烟动作的特征参数,肢体冲突动作的特征参数。
可以理解的是,可以事先通过大数据获取的手段,获得大量的已知社会关系的人员的同行行为的信息,将该些已知社会关系的同行人员的年龄数据、性别数据、社会身份数据等基本信息,以及同行行为对应的同行时间、同行位置等信息,所述身份信息对应的所述目标侦测对象被采集到的行为特征信息等,作为样本训练数据,然后代入建立的卷积神经网络模型进行训练,可以得到预测多个目标侦测对象之间的社会关系算法模型;然后直接获取任意两个或者待预测的多个目标侦测对象的样本输入数据,就可以对该待预测的多个目标侦测对象之间的社会关系进行预测。
进一步地,请参考图3,在另一实施例中提供的用户关系预测方法102中,所述步骤S10-步骤S50均与上述实施例中用户关系预测方法100相似,在此不再赘述,其不同在于,在本实施例中,所述步骤S30之后,还包括:
步骤S60,在一组所述同行记录符合所述预设的同行条件时,获取该组同行记录中的所述人脸采集记录对应的采集位置的图像采集模块在所述采集时间采集到的现场图像信息;
步骤S70,从所述现场图像信息中提取与所述同行记录中的所述人脸采集记录对应的所述目标侦测对象的行为特征信息;
步骤S80,判断所述行为特征信息是否与预设的动作参数匹配;若是,则进入所述步骤S40。
可以理解的是,在所述同行记录符合所述预设的同行条件时,认为是有必要进行用户关系预测的情形,但是此时如果就立马根据所述同行记录对应的目标侦测对象根据其身份信息以及预设的关系预测算法进行计算,在某些特殊情况下,可能出现错判。例如,当两位男女同学,仅仅是同一个学习小组的伙伴,经常一同进出图书馆或者自习室,并一同回宿舍时,则很有可能被误判为该两位男女同学是情侣关系;又例如,经常进行夜跑的两位男士,通常会在公园在夜晚进行跑步,则可能被公园偏僻位置的摄像头多次采集到同行行为,可能会被认为两位夜跑伙伴是不良团伙的成员。
在一组所述同行记录符合所述预设的同行条件时,获取该组同行记录中的所述人脸采集记录对应的采集位置的图像采集模块在所述采集时间采集到的现场图像信息,进一步地,从所述现场图像信息中提取出所述目标侦测对象的行为特征信息,来判断所述行为特征信息是否符合一定条件,可以增加所述用户关系预测方法的准确率。
其中,情侣关系通常会有亲吻、拥抱、牵手、挽手、搂肩、搂腰等动作;因此判断从所述现场图像信息中提取出所述目标侦测对象的行为特征信息是否匹配上述动作,可以排除上述的同一个学习小组的男女同学关系;不良团伙关系、抽烟同学关系或者犯罪同伙关系等则会对应一些抽烟、打架、肢体冲突等动作。
具体的,在一实施例中,所述预设的动作参数包括以下中一个或多个:
亲吻动作的特征参数,拥抱动作的特征参数,牵/挽手动作的特征参数,搂肩/腰动作的特征参数,抽烟动作的特征参数,肢体冲突动作的特征参数。
请一并结合图4,为本发明一实施例中的用户关系预测装置200的模块结构示意图。所述用户关系预测装置200可以是一台与所述图像采集模块通信的计算机、服务器、云服务平台等。
所述用户关系预测装置200包括存储器201、处理器202及存储在存储器上并可在处理器202上运行的计算机程序,所述处理器202执行所述程序时可以实现上述任一实施例所述的用户关系预测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可以实现上述任一实施例所述的用户关系预测方法的步骤。
需要说明的是,由于计算机可读存储介质的计算机程序被处理器执行时实现上述的方法的步骤,因此上述方法的所有实施例均适用于该计算机可读存储介质,且均能达到相同或相似的有益效果,因此所述具体步骤在此不再赘述。
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,因为依据本发明,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。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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,在本发明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。
所述集成的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器中。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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施例进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施例及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种用户关系预测方法,其特征在于,包括步骤:
获取多个目标侦测对象的人脸采集记录,其中,每一条所述人脸采集记录包括设置于预设采集位置的图像采集模块采集到对应的所述目标侦测对象的人脸图像时记录的采集时间以及采集位置;
根据所述人脸采集记录中的所述采集时间与所述采集位置,将具有相同的采集位置以及采集时间处于预设的时间间隔区间内的人脸采集记录确定为一组同行记录;
判断每一组所述同行记录是否符合预设的同行条件;
在一组所述同行记录符合所述预设的同行条件时,该组同行记录确定为预测记录,获取该预测记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的身份信息;
根据所述身份信息以及预设的关系预测算法,计算所述预测记录中对应的不同的所述目标侦测对象之间的关系。
2.根据权利要求1所述的用户关系预测方法,其特征在于,所述获取多个目标侦测对象的人脸采集记录的步骤,包括:
获取预设采集位置设置的图像采集模块采集的图像;
根据从所述图像中提取的人脸特征信息,判断所述图像中是否存在所述目标侦测对象;
在所述图像中存在所述目标侦测对象时,获取所述目标侦测对象的身份信息,并将所述目标侦测对象的身份信息、所述目标侦测对象被采集到所述图像的采集时间信息与采集位置信息记录为一条人脸采集记录。
3.根据权利要求1所述的用户关系预测方法,其特征在于,所述预设的同行条件包括以下条件中的一个或者多个:
一组所述同行记录对应的同行人在预设的时间周期内的被确定为同行的次数是否达到第一预设值,所述同行人为一组所述同行记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的集合;
所述同行记录中的所述人脸采集记录所记录的所述采集位置是否符合第二预设值;
所述同行记录中的所述人脸采集记录所记录的所述采集时间是否符合第三预设值。
4.根据权利要求1所述的用户关系预测方法,其特征在于,所述判断每一组所述同行人是否符合预设的同行条件的步骤之后,还包括:
在一组所述同行记录符合所述预设的同行条件时,获取该组同行记录中的所述人脸采集记录对应的采集位置的图像采集模块在所述采集时间采集到的现场图像信息;
从所述现场图像信息中提取与所述同行记录中的所述人脸采集记录对应的所述目标侦测对象的行为特征信息;
判断所述行为特征信息是否与预设的动作参数匹配;
在所述行为特征信息与预设的动作参数匹配时,进入所述根将该组同行记录确定为预测记录,获取该预测记录中不同的所述人脸采集记录所对应的不同的所述目标侦测对象的身份信息的步骤。
5.根据权利要求4所述的用户关系预测方法,其特征在于,所述预设的动作参数包括以下中一个或多个:
亲吻动作的特征参数,拥抱动作的特征参数,牵/挽手动作的特征参数,搂肩/腰动作的特征参数,抽烟动作的特征参数,肢体冲突动作的特征参数。
6.根据权利要求1所述的用户关系预测方法,其特征在于,所述获取多个目标侦测对象的人脸采集记录的步骤,包括:
获取设定的时间段内的所述多个目标侦测对象的人脸采集记录。
7.根据权利要求1-6中任一项所述的用户关系预测方法,其特征在于,所述预设的关系预测算法,包括以下算法中的一个或者多个:
在所述身份信息的个数为两个,且所述身份信息对应为一男一女时,判断所述两个身份信息中是否存在至少一个与预设的排查数据库中得身份信息匹配,在所述两个身份信息均与所述预设的排除数据库中得身份信息不匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似情侣关系;
判断所述身份信息中是否存在至少一个与预设的连坐数据库中的身份信息匹配,在所述身份信息中存在至少一个与所述预设的连坐数据库中的身份信息匹配时,确认所述身份信息对应的所述目标侦测对象之间的关系为疑似不良团体成员。
8.根据权利要求1-6中任一项所述的用户关系预测方法,其特征在于,所述预设的关系预测算法,包括:
根据所述身份信息获取对应的所述目标侦测对象的样本输入数据,将所述样本输入数据作为数据输入,通过预先训练的基于卷积神经网络的关系预测算法模型,获取所述身份信息对应的所述目标侦测对象之间的关系的预测结果;
其中,所述样本输入数据包括所述身份信息对应的所述目标侦测对象的年龄数据、性别数据、社会身份数据,所述身份信息对应的所述目标侦测对象被采集到的人脸采集记录中的采集位置、采集时间,所述身份信息对应的所述目标侦测对象被采集到的行为特征信息。
9.一种用户关系预测装置,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程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的用户关系预测方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的用户关系预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810880276.1A CN110807117B (zh) | 2018-08-03 | 2018-08-03 | 一种用户关系预测方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810880276.1A CN110807117B (zh) | 2018-08-03 | 2018-08-03 | 一种用户关系预测方法及装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807117A true CN110807117A (zh) | 2020-02-18 |
CN110807117B CN110807117B (zh) | 2022-07-29 |
Family
ID=69487011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810880276.1A Active CN110807117B (zh) | 2018-08-03 | 2018-08-03 | 一种用户关系预测方法及装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807117B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652304A (zh) * | 2020-05-28 | 2020-09-11 | 浙江大华技术股份有限公司 | 人员亲密度分析方法、终端及存储介质 |
CN112965978A (zh) * | 2021-03-10 | 2021-06-15 | 中国民航信息网络股份有限公司 | 旅客同行人关系的确认方法、装置、电子设备及存储介质 |
CN113449180A (zh) * | 2021-05-07 | 2021-09-28 | 浙江大华技术股份有限公司 | 同行关系分析方法、装置及计算机可读存储介质 |
CN113822767A (zh) * | 2020-06-11 | 2021-12-21 | 浙江宇视科技有限公司 | 社会关系确定方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008158677A (ja) * | 2006-12-21 | 2008-07-10 | Toshiba Corp | 顔認証装置および顔認証方法および入場管理装置 |
CN105208528A (zh) * | 2015-09-24 | 2015-12-30 | 山东合天智汇信息技术有限公司 | 一种用于识别同行人员的系统及方法 |
CN105741392A (zh) * | 2016-01-29 | 2016-07-06 | 成都比善科技开发有限公司 | 小区门禁管理系统访客记录系统及方法 |
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 |
CN107735795A (zh) * | 2015-07-02 | 2018-02-23 | 北京市商汤科技开发有限公司 | 用于社会关系识别的方法和系统 |
CN108206932A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园智能监控管理系统 |
CN108229335A (zh) * | 2017-12-12 | 2018-06-29 | 深圳市商汤科技有限公司 | 关联人脸识别方法和装置、电子设备、存储介质、程序 |
-
2018
- 2018-08-03 CN CN201810880276.1A patent/CN110807117B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008158677A (ja) * | 2006-12-21 | 2008-07-10 | Toshiba Corp | 顔認証装置および顔認証方法および入場管理装置 |
CN107735795A (zh) * | 2015-07-02 | 2018-02-23 | 北京市商汤科技开发有限公司 | 用于社会关系识别的方法和系统 |
CN105208528A (zh) * | 2015-09-24 | 2015-12-30 | 山东合天智汇信息技术有限公司 | 一种用于识别同行人员的系统及方法 |
CN105741392A (zh) * | 2016-01-29 | 2016-07-06 | 成都比善科技开发有限公司 | 小区门禁管理系统访客记录系统及方法 |
CN108206932A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园智能监控管理系统 |
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 |
CN108229335A (zh) * | 2017-12-12 | 2018-06-29 | 深圳市商汤科技有限公司 | 关联人脸识别方法和装置、电子设备、存储介质、程序 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652304A (zh) * | 2020-05-28 | 2020-09-11 | 浙江大华技术股份有限公司 | 人员亲密度分析方法、终端及存储介质 |
CN111652304B (zh) * | 2020-05-28 | 2023-04-07 | 浙江大华技术股份有限公司 | 人员亲密度分析方法、终端及存储介质 |
CN113822767A (zh) * | 2020-06-11 | 2021-12-21 | 浙江宇视科技有限公司 | 社会关系确定方法、装置、设备及存储介质 |
CN112965978A (zh) * | 2021-03-10 | 2021-06-15 | 中国民航信息网络股份有限公司 | 旅客同行人关系的确认方法、装置、电子设备及存储介质 |
CN112965978B (zh) * | 2021-03-10 | 2024-02-09 | 中国民航信息网络股份有限公司 | 旅客同行人关系的确认方法、装置、电子设备及存储介质 |
CN113449180A (zh) * | 2021-05-07 | 2021-09-28 | 浙江大华技术股份有限公司 | 同行关系分析方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110807117B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807117B (zh) | 一种用户关系预测方法及装置、计算机可读存储介质 | |
US10432562B2 (en) | Reducing photo-tagging spam | |
JP6854881B2 (ja) | 顔画像照合システムおよび顔画像検索システム | |
CN110458154A (zh) | 人脸识别方法、装置和计算机可读存储介质 | |
CN108537922B (zh) | 基于人脸识别的访客预警方法和系统 | |
EP3862902A1 (en) | System and method for privacy-aware analysis of video streams | |
US9424464B2 (en) | Monitoring system, monitoring method, monitoring program, and recording medium in which monitoring program is recorded | |
CN108269331A (zh) | 一种智能视频大数据处理系统 | |
CN104836781A (zh) | 区分访问用户身份的方法及装置 | |
US9519825B2 (en) | Determining access permission | |
CN111241883B (zh) | 防止远程被测人员作弊的方法和装置 | |
CN110096606B (zh) | 一种外籍人员管理方法、装置和电子设备 | |
CN113792691B (zh) | 一种视频识别方法、系统、设备及介质 | |
CN113343913A (zh) | 目标确定方法、装置、存储介质及计算机设备 | |
CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN114173094A (zh) | 视频监控方法、装置、计算机设备和存储介质 | |
CN109871456B (zh) | 一种看守所人员关系分析方法、装置和电子设备 | |
Khan et al. | The presence of Twitter bots and cyborgs in the# FeesMustFall campaign | |
CN111126167A (zh) | 一种快速识别多名特定人员串联活动的方法及系统 | |
CN110443187A (zh) | 特征信息的记录方法及装置 | |
CN113392800A (zh) | 一种行为检测方法、装置、计算机设备和存储介质 | |
CN108806050A (zh) | 出入管理方法和系统 | |
CN117354469B (zh) | 一种基于安防预警的小区监控视频目标跟踪方法及系统 | |
KR102620689B1 (ko) | 도어 영상 분석 기반의 ai 비서 장치 및 시스템 | |
CN111385527B (zh) | 同行判定方法及相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |