CN110941978A - 一种未识别身份人员的人脸聚类方法、装置及存储介质 - Google Patents
一种未识别身份人员的人脸聚类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110941978A CN110941978A CN201910436426.4A CN201910436426A CN110941978A CN 110941978 A CN110941978 A CN 110941978A CN 201910436426 A CN201910436426 A CN 201910436426A CN 110941978 A CN110941978 A CN 110941978A
- Authority
- CN
- China
- Prior art keywords
- similarity
- face
- threshold
- face feature
- feature vectors
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种未识别身份人员的人脸聚类方法,通过递归算法将人脸特征向量进行两两组合并计算两者的第一相似度,选择第一相似度大于第一阈值的人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合;以及选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第三相似度对第二集合进行检验合并,建立未识别身份人员的历史轨迹信息,有利于填补未识别身份人员的轨迹管理空白。
Description
技术领域
本发明涉及人脸聚类领域,具体涉及一种未识别身份人员的人脸聚类方法、装置及存储介质。
背景技术
目前,在很多领域都已经使用到人脸识别和人脸聚类技术,可以有效从人脸图像中识别出人脸信息,或者再进一步将相同的人脸。
人脸识别技术是通过视频采集设备获取用户的面部图像,再利用核心的算法对其脸部的五官位置、脸型和角度进行计算分析,进而和自身数据库里已有的范本进行比对,然后判断出用户的真实身份。人脸识别技术基于局部特征区域的单训练样本人脸识别方法。一般采用如下步骤:第一步,需要对局部区域进行定义;第二步,人脸局部区域特征的提取,依据经过样本训练后得到的变换矩阵将人脸图像向量映射为人脸特征向量;第三步,局部特征选择(可选);最后一步是进行分类。分类器多采用组合分类器的形式,每个局部特征对应一个分类器,然后可用投票或线性加权等方式得到终识别结果。
而人脸聚类是将一个集合内的人脸根据身份进行分组的过程。例如将在手机相册中通过人脸聚类技术将包含相同人脸的图片(照片)即属于同一个人的图片归类到一起。在智能安防领域,通过人脸识别技术将采集到的人脸图像与标准底图图片进行特征提取和比对,如果相似度在阈值范围以上,则将采集图片的身份标记为标准底图的身份信息,完成采集图片的身份识别。如果相似度在阈值之下,则属于未识别身份的人员。由此可以对具有相同身份的人脸进行聚类,但是对于未识别身份的人脸则无法进行处理及聚类,进一步获取未识别身份人员的历史轨迹。
发明内容
针对上述提到未识别身份人员的人脸数据难以聚类并获得其历史轨迹,本申请的实施例的目的在于提出了一种未识别身份人员的人脸聚类方法、装置及存储介质,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种未识别身份人员的人脸聚类方法,包括以下步骤:
S1:获取一个时间段内待聚类的未识别身份人员的人脸图像,分别提取所有人脸图像的人脸特征向量;
S2:通过递归算法将人脸特征向量进行两两组合并计算两者的第一相似度,选择第一相似度大于第一阈值的人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;
S3:从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合;以及
S4:选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第三相似度对第二集合进行检验合并,以获得最终的聚类结果。
在一些实施例中,根据第二相似度将第一集合与已聚类数据合并为第二集合,具体包括:S31:若第二相似度大于预先设定的第二阈值,则将第一集合与已聚类数据进行合并;S32:若第二相似度大于预先设定的第三阈值并小于第二阈值,则选取第一集合中的其余人脸图像中的多个人脸特征向量与已聚类数据的主图的人脸特征向量进行相似度比较,获得第四相似度后再根据第四相似度将第一集合与已聚类数据进行合并;S33:若第二相似度小于第三阈值,则建立为第三集合。
通过判断每个第一集合中选取质量分最高的人脸图像与截止于时间段之前的已聚类数据的主图进行相似度比较,可以减少比较次数,设定第二阈值和第三阈值进行阶梯式比较可以增加相似度比较的准确度。在第二次比较时选择第一集合中的其余人脸图像中的多个与已聚类数据的主图进行比较进一步增加相似度比较的准确度,减小人脸识别引擎的相似度计算误差。
在一些实施例中,第一集合中的其余人脸图像中的多个人脸特征向量最多设定为三个,当至少有一组第四相似度的相似度大于第二阈值时,将第一集合与已聚类数据进行合并。在人脸引擎相似度计算结果具备一定的可靠性基础上,从第一集合中的其余人脸图像中的多个人脸特征向量最多选择三个进行比较就可以得到非常准确的结果。
在一些实施例中,根据第三相似度对第二集合进行检验合并,具体包括:S41:若第三相似度大于预先设定的第四阈值,将两个第二集合进行合并;S42:若第三相似度大于预先设定的第五阈值并小于第四阈值,在每两个第二集合的其余人脸图像中分别随机选取多组人脸特征向量进行相似度比较,得到第五相似度后再根据第五相似度将两个第二集合进行合并。
第二集合包括最新更新的数据,通过选取每两个第二集合的主图的人脸特征向量进行相似度比较可以更加准确简化第二集合中的数据,避免第二集合中存在重复的相同未识别身份人员。
在一些实施例中,每两个第二集合的其余人脸图像中分别随机选取最多三组人脸特征向量,若第五相似度大于第四阈值的次数大于第六阈值,则将两个所述第二集合进行合并;若第五相似度比较结果大于第四阈值的次数大于1并小于第六阈值,则将两个第二集合建立为待确认集合;若第五相似度比较结果大于第四阈值的次数为0则不合并。
通过在每两个第二集合的其余人脸图像中分别随机选取多组人脸进行比较,可以减少由于人脸识别引擎的质量分高低造成的误差。
在一些实施例中,主图为在一组数据中质量分最高或质量分大于一个阈值的人脸图像。选择用主图来进行相似度比较可以减少比较次数和复杂度,并保证足够高的准确度。
第二方面,本申请实施例提供了一种未识别身份人员的人脸聚类装置,包括:
特征提取单元,被配置为获取一个时间段内待聚类的未识别身份人员的人脸图像,分别提取所有人脸图像的人脸特征向量;
人脸归集单元,被配置为通过递归算法将人脸特征向量进行两两组合并计算两者的第一相似度,选择第一相似度大于第一阈值的人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;
人脸聚类单元,被配置为从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合;以及
人脸检验单元,被配置为选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第三相似度对第二集合进行检验合并,以获得最终的聚类结果。
在一些实施例中,根据人脸聚类单元得到的第二相似度将第一集合与已聚类数据合并为第二集合,具体包括:
若第二相似度大于预先设定的第二阈值,则将第一集合与已聚类数据进行合并;
若第二相似度大于预先设定的第三阈值并小于第二阈值,则选取第一集合中的其余人脸图像中的多个人脸特征向量与已聚类数据的主图的人脸特征向量进行相似度比较,获得第四相似度后再根据第四相似度将第一集合与已聚类数据进行合并;
若第二相似度小于第三阈值,则建立为第三集合。
在一些实施例中,第一集合中的其余人脸图像中的多个人脸特征向量最多设定为三个,当至少有一组第四相似度的相似度大于第二阈值时,将第一集合与已聚类数据进行合并。
在一些实施例中,根据人脸检验单元得到的第三相似度对第二集合进行检验合并,具体包括:
若第三相似度大于预先设定的第四阈值,将两个第二集合进行合并;
若第三相似度大于预先设定的第五阈值并小于所述第四阈值,在每两个第二集合的其余人脸图像中分别随机选取多组人脸特征向量进行相似度比较,得到第五相似度后再根据第五相似度将两个第二集合进行合并。
在一些实施例中,每两个第二集合的其余人脸图像中分别随机选取最多三组人脸特征向量,
若第五相似度大于第四阈值的次数大于第六阈值,则将两个第二集合进行合并;
若第五相似度比较结果大于第四阈值的次数大于1并小于第六阈值,则将两个第二集合建立为待确认集合;
若第五相似度比较结果大于第四阈值的次数为0则不合并。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的未识别身份人员的人脸聚类方法和装置,通过递归算法将人脸特征向量进行两两组合并计算两者的第一相似度,选择第一相似度大于第一阈值的人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合;以及选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第三相似度对第二集合进行检验合并,从而获得最终的聚类结果。因此采用简单有效的方式可以将人脸识别技术未识别身份的人员的人脸信息通过聚类的方式聚集出来,建立未识别身份人员的历史轨迹信息,有利于填补未识别身份人员的轨迹管理空白。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2为本发明的实施例的未识别身份人员的人脸聚类方法的流程示意图;
图3为本发明的实施例的未识别身份人员的人脸聚类方法的步骤S1例子的示意图Ⅰ;
图4为本发明的实施例的未识别身份人员的人脸聚类方法的步骤S1例子的示意图II;
图5为本发明的实施例的未识别身份人员的人脸聚类方法的步骤S1例子的示意图Ⅲ;
图6为本发明的实施例的未识别身份人员的人脸聚类方法的步骤S3的流程示意图;
图7为本发明的实施例的未识别身份人员的人脸聚类方法的步骤S4的流程示意图;
图8为本发明的实施例的未识别身份人员的人脸聚类装置的示意图;
图9是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的未识别身份人员的人脸聚类方法或未识别身份人员的人脸聚类装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果(例如包含标准标题行和对应的分段包含的数据的标准文件)。
需要说明的是,本申请实施例所提供的未识别身份人员的人脸聚类方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,未识别身份人员的人脸聚类装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只需服务器或终端设备。
继续参考图2,其示出了根据本申请的一种未识别身份人员的人脸聚类方法的一个实施例的流程,该方法包括以下步骤:
S1:获取一个时间段内待聚类的未识别身份人员的人脸图像,分别提取所有人脸图像的人脸特征向量。
在本实施例中,一个时间段内待聚类的未识别身份人员的人脸图像优选采用定时任务采集前一天的所有未识别身份人员的人脸图像,包括人脸抓拍图。由于人脸抓拍图存在清晰度不高、光线不好等问题,因此可以采用质量分的高低或颜龄的大小将人脸抓拍图进行过滤,以优化待聚类的未识别身份人员的人脸图像的数据,减小后续聚类过程中不必要的干扰,提高未识别身份人员的聚类准确度。例如将质量分较低的人脸抓拍图过滤掉,或者将颜龄与未识别身份人员差距比较大的人脸抓拍图过滤掉。
在本实施例中,采用同一个人脸识别引擎对所有人脸图像进行提取,在优选的实施例中,人脸识别引擎选择同一个版本,都可以填充特征模型提出人脸特征向量。在确保每个人脸图像都具有特征模型,将没有特征模型或提取不到特征模型及人脸特征向量的人脸图像进一步过滤。因此可以优化待聚类的未识别身份人员的人脸图像数据,减少计算量。
S2:通过递归算法将人脸特征向量进行两两组合并计算两者的第一相似度,选择第一相似度大于第一阈值的人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合。
在本实施例中,通过递归算法可以将人脸特征向量进行两两组合,使得其中每个人脸特征向量都与其他人脸特征向量进行比较。在其他可选的实施例中,也可以选择其他的函数或算法将人脸特征向量进行两两组合。如图3的左边所示,假设具有A~F六个人脸特征向量,通过递归算法将两组A~F进行两两组合,最终获得如图3的右边结果,分别计算每两个人脸特征向量之间的第一相似度。
另外,根据两两人脸特征向量计算出来的第一相似度,将第一相似度大于第一阈值的两个人脸特征向量提取出来,并且两两之间设置无向边,根据连通图的特性,将同一个无向边连接起来的人脸特征向量归类为同一个无向连通图,最后形成多个无向连通图。如图4所示,假如AB、AC、BC、EF的相似度大于第一阈值,则将其通过无向边连接成3组无向连通图:ABC、D、EF,最后将这三组无相连通图的人脸特征向量归为3个第一向量,如图5所示。
S3:从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合。
在本实施例中,截止于时间段之前的已聚类数据优选为截止在前一天之前已聚类的未识别身份人员数据,以后的每天依次将前一天收集的所有未聚类的未识别身份人员人脸图像与该前一天之前的已聚类数据进行更新聚类,已获得未识别身份人员的历史轨迹信息。
在本实施例中,根据第二相似度将第一集合与已聚类数据合并为第二集合,如图6所示,具体包括:
S31:若第二相似度大于预先设定的第二阈值,则将第一集合与已聚类数据进行合并;
S32:若第二相似度大于预先设定的第三阈值并小于第二阈值,则选取第一集合中的其余人脸图像中的多个人脸特征向量与已聚类数据的主图的人脸特征向量进行相似度比较,获得第四相似度后再根据第四相似度将第一集合与已聚类数据进行合并;在优选的实施例中,第一集合中的其余人脸图像中的多个人脸特征向量最多设定为三个,当至少有一组第四相似度的相似度大于第二阈值时,将第一集合与已聚类数据进行合并。
S33:若第二相似度小于第三阈值,则建立为第三集合。
假如ABC、D、EF这3组第一集合中B、D、E分别是各个第一集合中质量分最高的人脸特征向量,将B、D、E与历史已聚类数据的主图进行相似度比较获得第二相似度,主图为在一组数据中质量分最高或质量分大于一个阈值的人脸图像。若B比较后得到的第二相似度大于第二阈值,则将ABC于对应的已聚类数据进行合并为第二集合,若E比较后得到的第二相似度大于第三阈值小于第二阈值,则将F与已聚类数据的主图进行比较,获得第四相似度,若第四相似度大于第二阈值,则将EF与对应的已聚类数据进行合并为第二集合。若D比较后得到的第二相似度小于第三阈值,则将D新建为第三集合。通过将第一集合与已聚类数据进行阶梯式分类比较,最后简单、准确地得到聚类后数据。
由于聚类后的第二集合中包含最新更新的人脸图像,因此第二集合中可能存在两个属于同一个未识别身份人员的数据。因此需要根据新更新的第二集合进行检验,以将属于同一个未识别身份人员的数据集合在一起。
S4:选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第三相似度对第二集合进行检验合并,以获得最终的聚类结果。
在具体实施例中,如图7所示,根据第三相似度对第二集合进行检验合并,具体包括:
S41:若第三相似度大于预先设定的第四阈值,将两个第二集合进行合并;
S42:若第三相似度大于预先设定的第五阈值并小于第四阈值,在每两个第二集合的其余人脸图像中分别随机选取多组人脸特征向量进行相似度比较,得到第五相似度后再根据第五相似度将两个第二集合进行合并。
在优选的实施例中,每两个第二集合的其余人脸图像中分别随机选取最多三组人脸特征向量,
若第五相似度大于第四阈值的次数大于第六阈值,则将两个第二集合进行合并;
若第五相似度比较结果大于第四阈值的次数大于1并小于第六阈值,则将两个第二集合建立为待确认集合;
若第五相似度比较结果大于第四阈值的次数为0则不合并。
假如ABC第二集合的主图与EF第二集合的主图进行比较后得到的第三相似度大于第四阈值,则将ABC第二集合与EF第二集合进行合并在一起。
本申请实施例提供了一种未识别身份人员的人脸聚类装置,如图8所示,包括:
特征提取单元1,被配置为获取一个时间段内待聚类的未识别身份人员的人脸图像,分别提取所有人脸图像的人脸特征向量;
人脸归集单元2,被配置为通过递归算法将人脸特征向量进行两两组合并计算两者的第一相似度,选择第一相似度大于第一阈值的人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;
人脸聚类单元3,被配置为从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合;以及
人脸检验单元4,被配置为选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第三相似度对第二集合进行检验合并,以获得最终的聚类结果。
在本实施例中,根据人脸聚类单元3得到的第二相似度将第一集合与已聚类数据合并为第二集合,具体包括:
若第二相似度大于预先设定的第二阈值,则将第一集合与已聚类数据进行合并;
若第二相似度大于预先设定的第三阈值并小于第二阈值,则选取第一集合中的其余人脸图像中的多个人脸特征向量与已聚类数据的主图的人脸特征向量进行相似度比较,获得第四相似度后再根据第四相似度将第一集合与已聚类数据进行合并;
若第二相似度小于第三阈值,则建立为第三集合。
在本实施例中,第一集合中的其余人脸图像中的多个人脸特征向量最多设定为三个,当至少有一组第四相似度的相似度大于第二阈值时,将第一集合与已聚类数据进行合并。
在本实施例中,根据人脸检验单元4得到的第三相似度对第二集合进行检验合并,具体包括:
若第三相似度大于预先设定的第四阈值,将两个第二集合进行合并;
若第三相似度大于预先设定的第五阈值并小于第四阈值,在每两个第二集合的其余人脸图像中分别随机选取多组人脸特征向量进行相似度比较,得到第五相似度后再根据第五相似度将两个第二集合进行合并。
在本实施例中,每两个第二集合的其余人脸图像中分别随机选取最多三组人脸特征向量,
若第五相似度大于第四阈值的次数大于第六阈值,则将两个第二集合进行合并;
若第五相似度比较结果大于第四阈值的次数大于1并小于第六阈值,则将两个第二集合建立为待确认集合;
若第五相似度比较结果大于第四阈值的次数为0则不合并。
在优选的实施例中,以上所述的第一阈值、第二阈值、第四阈值可以设定为同一个值,第三阈值和第五阈值可以设定为同一个值。在其他可选的实施例中,第一阈值、第二阈值、第三阈值、第四阈值、第五阈值及第六阈值都可以根据需求或是人脸识别引擎性能进行改变,也可以不是同一个值。
本申请实施例提供的未识别身份人员的人脸聚类方法和装置,通过递归算法将未识别身份人员的人脸特征向量进行两两组合并计算两者的第一相似度,根据相似度的计算结果构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合;以及选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第二相似度对第二集合进行检验合并,从而获得最终的聚类结果。因此采用简单有效的方式可以将人脸识别技术未识别身份的人员的人脸信息通过聚类的方式聚集出来,建立未识别身份人员的历史轨迹信息,有利于填补未识别身份人员的轨迹管理空白。
下面参考图9,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机系统900的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也可以根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括特征提取单元1、人脸归集单元2、人脸聚类单元3和人脸检验单元4。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,特征提取单元1还可以被描述为“获取固定区域内一个时间段内待聚类的未识别身份人员的人脸图像的模块”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取一个时间段内待聚类的未识别身份人员的人脸图像,分别提取所有人脸图像的人脸特征向量;通过递归算法将人脸特征向量进行两两组合并计算两者的第一相似度,选择第一相似度大于第一阈值的人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;从每个第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据第二相似度将第一集合与已聚类数据合并为第二集合;以及选取每两个第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据第三相似度对第二集合进行检验合并,以获得最终的聚类结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种未识别身份人员的人脸聚类方法,其特征在于,包括以下步骤:
S1:获取一个时间段内待聚类的未识别身份人员的人脸图像,分别提取所有人脸图像的人脸特征向量;
S2:通过递归算法将所述人脸特征向量进行两两组合并计算两者的第一相似度,选择所述第一相似度大于第一阈值的所述人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;
S3:从每个所述第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于所述时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据所述第二相似度将所述第一集合与所述已聚类数据合并为第二集合;以及
S4:选取每两个所述第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据所述第三相似度对所述第二集合进行检验合并,以获得最终的聚类结果。
2.根据权利要求1所述的未识别身份人员的人脸聚类方法,其特征在于,根据所述第二相似度将所述第一集合与所述已聚类数据合并为第二集合,具体包括:
S31:若所述第二相似度大于预先设定的第二阈值,则将所述第一集合与所述已聚类数据进行合并;
S32:若所述第二相似度大于预先设定的第三阈值并小于所述第二阈值,则选取所述第一集合中的其余人脸图像中的多个人脸特征向量与所述已聚类数据的主图的人脸特征向量进行相似度比较,获得第四相似度后再根据所述第四相似度将所述第一集合与所述已聚类数据进行合并;以及
S33:若所述第二相似度小于第三阈值,则建立为第三集合。
3.根据权利要求2所述的未识别身份人员的人脸聚类方法,其特征在于,所述第一集合中的其余人脸图像中的多个人脸特征向量最多设定为三个,当至少有一组所述第四相似度的相似度大于第二阈值时,将所述第一集合与所述已聚类数据进行合并。
4.根据权利要求1所述的未识别身份人员的人脸聚类方法,其特征在于,根据所述第三相似度对所述第二集合进行检验合并,具体包括:
S41:若所述第三相似度大于预先设定的第四阈值,将两个所述第二集合进行合并;
S42:若所述第三相似度大于预先设定的第五阈值并小于所述第四阈值,在每两个所述第二集合的其余人脸图像中分别随机选取多组人脸特征向量进行相似度比较,得到第五相似度后再根据所述第五相似度将两个所述第二集合进行合并。
5.根据权利要求4所述的未识别身份人员的人脸聚类方法,其特征在于,每两个所述第二集合的其余人脸图像中分别随机选取最多三组人脸特征向量,
若所述第五相似度大于第四阈值的次数大于第六阈值,则将两个所述第二集合进行合并;
若所述第五相似度比较结果大于第四阈值的次数大于1并小于第六阈值,则将两个所述第二集合建立为待确认集合;
若所述第五相似度比较结果大于第四阈值的次数为0则不合并。
6.根据权利要求1所述的未识别身份人员的人脸聚类方法,其特征在于,所述主图为在一组数据中质量分最高或质量分大于第七阈值的人脸图像。
7.一种未识别身份人员的人脸聚类装置,其特征在于,包括:
特征提取单元,被配置为获取一个时间段内待聚类的未识别身份人员的人脸图像,分别提取所有人脸图像的人脸特征向量;
人脸归集单元,被配置为通过递归算法将所述人脸特征向量进行两两组合并计算两者的第一相似度,选择所述第一相似度大于第一阈值的所述人脸特征向量构造无向连通图,并将每个无向连通图中对应的人脸特征向量归于一个第一集合;
人脸聚类单元,被配置为从每个所述第一集合中选取质量分最高的人脸图像的人脸特征向量与截止于所述时间段之前的已聚类数据的主图的人脸特征向量进行相似度比较,获得第二相似度后再根据所述第二相似度将所述第一集合与所述已聚类数据合并为第二集合;以及
人脸检验单元,被配置为选取每两个所述第二集合的主图的人脸特征向量进行相似度比较,获得第三相似度后再根据所述第三相似度对所述第二集合进行检验合并,以获得最终的聚类结果。
8.根据权利要求7所述的未识别身份人员的人脸聚类装置,其特征在于,根据所述人脸聚类单元得到的所述第二相似度将所述第一集合与所述已聚类数据合并为第二集合,具体包括:
若所述第二相似度大于预先设定的第二阈值,则将所述第一集合与所述已聚类数据进行合并;
若所述第二相似度大于预先设定的第三阈值并小于所述第二阈值,则选取所述第一集合中的其余人脸图像中的多个人脸特征向量与所述已聚类数据的主图的人脸特征向量进行相似度比较,获得第四相似度后再根据所述第四相似度将所述第一集合与所述已聚类数据进行合并;
若所述第二相似度小于第三阈值,则建立为第三集合。
9.根据权利要求8所述的未识别身份人员的人脸聚类装置,其特征在于,所述第一集合中的其余人脸图像中的多个人脸特征向量最多设定为三个,当至少有一组所述第四相似度的相似度大于第二阈值时,将所述第一集合与所述已聚类数据进行合并。
10.根据权利要求7所述的未识别身份人员的人脸聚类装置,其特征在于,根据所述人脸检验单元得到的所述第三相似度对所述第二集合进行检验合并,具体包括:
若所述第三相似度大于预先设定的第四阈值,将两个所述第二集合进行合并;
若所述第三相似度大于预先设定的第五阈值并小于所述第四阈值,在每两个所述第二集合的其余人脸图像中分别随机选取多组人脸特征向量进行相似度比较,得到第五相似度后再根据所述第五相似度将两个所述第二集合进行合并。
11.根据权利要求10所述的未识别身份人员的人脸聚类装置,其特征在于,每两个所述第二集合的其余人脸图像中分别随机选取最多三组人脸特征向量,
若所述第五相似度大于第四阈值的次数大于第六阈值,则将两个所述第二集合进行合并;
若所述第五相似度比较结果大于第四阈值的次数大于1并小于第六阈值,则将两个所述第二集合建立为待确认集合;
若所述第五相似度比较结果大于第四阈值的次数为0则不合并。
12.一种计算机可读存储介质,其上存储有计算机程序,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1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436426.4A CN110941978B (zh) | 2019-05-23 | 2019-05-23 | 一种未识别身份人员的人脸聚类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436426.4A CN110941978B (zh) | 2019-05-23 | 2019-05-23 | 一种未识别身份人员的人脸聚类方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110941978A true CN110941978A (zh) | 2020-03-31 |
CN110941978B CN110941978B (zh) | 2020-11-17 |
Family
ID=69905821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910436426.4A Active CN110941978B (zh) | 2019-05-23 | 2019-05-23 | 一种未识别身份人员的人脸聚类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941978B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738120A (zh) * | 2020-06-12 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN112200084A (zh) * | 2020-10-10 | 2021-01-08 | 华航高科(北京)技术有限公司 | 用于视频流的人脸识别方法、装置、电子设备以及存储介质 |
CN113065447A (zh) * | 2021-03-29 | 2021-07-02 | 南京掌控网络科技有限公司 | 一种图像集中自动识别商品的方法和设备 |
CN113780781A (zh) * | 2021-08-31 | 2021-12-10 | 国网河北省电力有限公司经济技术研究院 | 综合能源系统的扩容设备选取方法、装置及终端 |
CN117522454A (zh) * | 2024-01-05 | 2024-02-06 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991910A (zh) * | 2015-06-19 | 2015-10-21 | 小米科技有限责任公司 | 相册创建方法及装置 |
CN107909104A (zh) * | 2017-11-13 | 2018-04-13 | 腾讯数码(天津)有限公司 | 一种图片的人脸聚类方法、装置及存储介质 |
US20190102706A1 (en) * | 2011-10-20 | 2019-04-04 | Affectomatics Ltd. | Affective response based recommendations |
US20190122071A1 (en) * | 2017-10-24 | 2019-04-25 | International Business Machines Corporation | Emotion classification based on expression variations associated with same or similar emotions |
CN109784374A (zh) * | 2018-12-21 | 2019-05-21 | 西北工业大学 | 基于自适应邻近点的多视角聚类方法 |
-
2019
- 2019-05-23 CN CN201910436426.4A patent/CN110941978B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102706A1 (en) * | 2011-10-20 | 2019-04-04 | Affectomatics Ltd. | Affective response based recommendations |
CN104991910A (zh) * | 2015-06-19 | 2015-10-21 | 小米科技有限责任公司 | 相册创建方法及装置 |
US20190122071A1 (en) * | 2017-10-24 | 2019-04-25 | International Business Machines Corporation | Emotion classification based on expression variations associated with same or similar emotions |
CN107909104A (zh) * | 2017-11-13 | 2018-04-13 | 腾讯数码(天津)有限公司 | 一种图片的人脸聚类方法、装置及存储介质 |
CN109784374A (zh) * | 2018-12-21 | 2019-05-21 | 西北工业大学 | 基于自适应邻近点的多视角聚类方法 |
Non-Patent Citations (2)
Title |
---|
CARLOS VALLESPI ET AL: "Automatic Clustering of Faces in Meetings", 《2006 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
李艳: "面向特定目标的行人轨迹分析系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738120A (zh) * | 2020-06-12 | 2020-10-02 | 北京奇艺世纪科技有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN111738120B (zh) * | 2020-06-12 | 2023-12-05 | 北京奇艺世纪科技有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN112200084A (zh) * | 2020-10-10 | 2021-01-08 | 华航高科(北京)技术有限公司 | 用于视频流的人脸识别方法、装置、电子设备以及存储介质 |
CN113065447A (zh) * | 2021-03-29 | 2021-07-02 | 南京掌控网络科技有限公司 | 一种图像集中自动识别商品的方法和设备 |
CN113780781A (zh) * | 2021-08-31 | 2021-12-10 | 国网河北省电力有限公司经济技术研究院 | 综合能源系统的扩容设备选取方法、装置及终端 |
CN117522454A (zh) * | 2024-01-05 | 2024-02-06 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
CN117522454B (zh) * | 2024-01-05 | 2024-04-16 | 北京文安智能技术股份有限公司 | 一种工作人员识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110941978B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427939B (zh) | 模型生成方法和装置 | |
US12020473B2 (en) | Pedestrian re-identification method, device, electronic device and computer-readable storage medium | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
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 | |
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
CN108229504B (zh) | 图像解析方法及装置 | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
CN108197592B (zh) | 信息获取方法和装置 | |
CN113382279B (zh) | 直播推荐方法、装置、设备、存储介质以及计算机程序产品 | |
CN111242097A (zh) | 一种人脸识别方法、装置、计算机可读介质及电子设备 | |
KR102002024B1 (ko) | 객체 라벨링 처리 방법 및 객체 관리 서버 | |
CN109165574B (zh) | 视频检测方法和装置 | |
CN110245573A (zh) | 一种基于人脸识别的签到方法、装置及终端设备 | |
CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
CN109165572B (zh) | 用于生成信息的方法和装置 | |
CN111292333A (zh) | 用于分割图像的方法和装置 | |
CN111783677A (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN110795993A (zh) | 一种构建模型的方法、装置、终端设备及介质 | |
CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN115083006A (zh) | 虹膜识别模型训练方法、虹膜识别方法及装置 |
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 |