CN112632354A - 一种imsi和人脸深度拟合方法、装置、设备及系统 - Google Patents

一种imsi和人脸深度拟合方法、装置、设备及系统 Download PDF

Info

Publication number
CN112632354A
CN112632354A CN202011544310.1A CN202011544310A CN112632354A CN 112632354 A CN112632354 A CN 112632354A CN 202011544310 A CN202011544310 A CN 202011544310A CN 112632354 A CN112632354 A CN 112632354A
Authority
CN
China
Prior art keywords
face
imsi
data
equipment
time
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.)
Pending
Application number
CN202011544310.1A
Other languages
English (en)
Inventor
张志鸿
杨臻
余雷
王昌中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Netposa Technologies Ltd
Original Assignee
Netposa Technologies Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Netposa Technologies Ltd filed Critical Netposa Technologies Ltd
Priority to CN202011544310.1A priority Critical patent/CN112632354A/zh
Publication of CN112632354A publication Critical patent/CN112632354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data

Abstract

本发明涉及一种IMSI和人脸深度拟合方法、装置、设备及系统。该方法包括：获取人脸设备数据和电围基站设备数据；对人脸采集设备地理位置和电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系；根据人脸数据和IMSI数据确定人员和IMSI的时间关联关系；根据空间关联关系和时间关联关系得到人员和IMSI的时空关联关系；利用预先训练的分值增加模型和分值衰减模型对时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值；根据关联关系权重分值确定人员和IMSI的深度拟合关系。上述方法极大地提高了人员和IMSI的关联准确度，并能及时更新该关联关系。

Description

一种IMSI和人脸深度拟合方法、装置、设备及系统
技术领域
本发明涉及IMSI和人脸互联技术领域，具体涉及一种IMSI和人脸深度拟合方法、装置、设备及系统。
背景技术
随着人工智能和大数据的爆发式发展，智能终端随处可见。其中，IMSI(国际移动用户识别码，International Mobile Subscriber Identification Number)是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码。作为一种最为常见的智能感知数据，IMSI在查询用户轨迹、分析真实手机号码、定位用户位置、挖掘用户落脚点等场景中提供了重要线索，是用户通行和行为信息的重要补充数据。因此，能够及时、准确地将用户信息和IMSI信息进行关联将对警务系统提供更好的数据支撑作用。同时随着“平安城市”和“雪亮工程”的持续推进，高清智能摄像机遍布大街小巷，通过人脸数据可以清楚地知道用户的时空活动信息；而IMSI作为另一个维度的用户通行数据，并且手机具有伴随属性，意味着如果前端设备的铺设密度足够，用户出现的地方，将同时采集到人脸数据和用户的IMSI数据(用户不带手机的情况除外)。
现有公安大数据系统或者其他信息化系统中，用户信息和IMSI信息主要有如下几种处理方法：用户信息和IMSI信息独立获取，独立存储，没有做关联；手动登记用户的IMSI信息，通过人工方式强行关联；基于时空信息，IMSI和人脸简单拟合关联。上述方法中用户信息和IMSI信息之间无法形成关联，无法挖掘数据之间隐藏的有效信息；若人工强行关联，会有关联效率低，数据无法及时更新等问题；更进一步地，如果采用IMSI和人脸简单拟合关联的话，由于关联关系权重只是简单的线性增加，导致关联准确度较低。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种IMSI和人脸深度拟合方法、装置、设备及系统。
为实现以上目的，本发明采用如下技术方案：
一种IMSI和人脸深度拟合方法，包括：
获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据；
对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系；
根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系；
根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系；
利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值；
根据所述关联关系权重分值确定人员和IMSI的深度拟合关系。
可选的，所述对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系，包括：
依据所述人脸采集设备地理位置和所述电围设备地理位置判断人脸设备和电围设备之间的距离是否小于设定距离；
若小于设定距离，确定满足所述设定距离的所述人脸设备和所述电围设备的空间关联关系。
可选的，所述空间关联关系包括：一个人脸采集设备对应一个电围设备，一个人脸采集设备对应多个电围设备和多个人脸采集设备对应一个电围设备。
可选的，所述根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系，包括：
对所述人脸数据和所述IMSI数据进行时间分析，得到所有人脸和IMSI的时间关联关系；
对所述人脸数据进行聚类处理，得到人脸人员关联关系；
根据人脸和IMSI的所述时间关联关系和所述人脸人员关联关系得到人员和IMSI的时间关联关系。
可选的，所述对所述人脸数据和所述IMSI数据进行时间分析，得到所有人脸和IMSI的时间关联关系，包括：
依据所述人脸数据确定人脸拍摄时间；
依据所述IMSI数据确定IMSI获取时间；
判断所述人脸拍摄时间和所述IMSI获取时间的时间差是否小于预设时间差；
若小于预设时间差，确定人脸和IMSI的所述时间关联关系。
可选的，所述对所述人脸数据进行聚类处理，得到人脸人员关联关系，包括：
将所述人脸数据中的人脸照片与预先缓存的人员身份进行在线快速聚类，得到在线聚类结果；
在所述在线聚类结果的基础上进行离线聚类，得到所述人脸人员关联关系。
可选的，所述利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值，包括：
利用所述分值增加模型，结合人脸采集设备和电围设备采集到数据的频率，计算人员和IMSI的关联关系权重分值；
若规定时间内所述关联关系权重分值没有增加，利用所述分值衰减模降低所述关联关系权重分值至满足预设标准，得到最终的所述关联关系权重分值。
一种IMSI和人脸深度拟合装置，包括：
数据获取模块，用于获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据；
空间关联分析模块，用于对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系；
时间关联分析模块，用于根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系；
时空关联分析模块，用于根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系；
深度拟合模块，用于利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值；
深度拟合关系确定模块，用于根据所述关联关系权重分值确定人员和IMSI的深度拟合关系。
一种IMSI和人脸深度拟合设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述所述的IMSI和人脸深度拟合方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
一种IMSI和人脸深度拟合系统，包括：
人脸采集设备、电围设备，及分别与所述人脸采集设备和所述电围设备通信相连的如上述所述的深度拟合设备。
本申请提供的技术方案可以包括以下有益效果：
本申请中公开一种IMSI和人脸深度拟合方法，包括：获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据；对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系；根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系；根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系；利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值；根据所述关联关系权重分值确定人员和IMSI的深度拟合关系。上述方法中对人脸设备和电围设备进行分析，得到二者之间的空间关联关系，然后通过根据人脸数据和IMSI数据得到人员和IMSI的时间关联关系，根据空间关联关系和时间关联关系得到人员和IMSI的时空关联关系，最后利用预先训练的分值增加模型和分值衰减模型对时空关联关系进行深度拟合处理，得到关联关系权重分值，根据该分值确定最终的人员和IMSI的深度拟合关系。上述方法通过对人脸设备和电围设备，人脸数据和IMSI数据分别进行关联性分析，并通过模型对关联关系进行深度拟合，得到最终的拟合关系，自动高效准确地将人员和IMSI进行碰撞关联，解放双手，提高关联效率。突破人脸和人员关联只是简单按特征值关联以及关联关系权重只是简单线性相加的弊端，大大提升关联准确度，并能够及时更新关联关系。
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用户来讲，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是本发明一实施例提供的IMSI和人脸深度拟合方法流程图；
图2是本发明另一实施例提供的IMSI和人脸深度拟合方法流程图；
图3是本发明一实施例提供的IMSI和人脸深度拟合装置模块图；
图4是本发明一实施例提供的IMSI和人脸深度拟合设备结构图；
图5是本发明一实施例提供的IMSI和人脸深度拟合系统结构图；
图6a是本发明一实施例提供的一个人脸设备和一个电围设备的空间关联关系示意图；
图6b是本发明一实施例提供的一个人脸设备和多个电围设备的空间关联关系示意图；
图6c是本发明一实施例提供的多个人脸设备和一个电围设备的空间关联关系示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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，本领域普通技术用户在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明一实施例提供的IMSI和人脸深度拟合方法流程图。参见图1，一种IMSI和人脸深度拟合方法，包括：
步骤101：获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据。在本申请实施例中，获取的人脸设备数据和电围基站设备数据为多个，人脸设备为不同地区不同时间的众多数据，同理电围基站也为多个，同时IMSI数据也为多个。当获取到不同地区，不同时间且不同人员的人脸设备数据和电围基站设备数据后，需要对采集到的众多数据进行拟合，从该众多数据中找到相关数据，并得到相关数据间的相关的深度拟合关系。
步骤102：对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系。根据人脸采集设备和电围设备的经纬度计算出两者的对应关系。空间关联关系包括：一个人脸采集设备对应一个电围设备，一个人脸采集设备对应多个电围设备和多个人脸采集设备对应一个电围设备。
步骤103：根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系。在步骤102中得到了人脸采集设备与电围设备的位置关系，接下来要分析人脸采集设备采集的人脸数据和电围设备获取的IMSI数据之间的关联关系。人脸数据中包含采集到人脸图像的时间等信息，IMSI数据中也包含获取到用户IMSI信号的时间等信息，根据采集到人脸图像的时间和获取到IMSI信号的时间关系，可以得到人员和IMSI的时间关联关系。
步骤104：根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系。根据采集设备间的空间关联关系，及设备采集的数据间的时间关联关系，能够得到人员和IMSI的时空关联关系。以此对人脸数据和IMSI数据进行分析处理，得到数据间的关联关系，进而根据此关联关系再进行深度拟合，得到最终准确的拟合关系。
步骤105：利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值。
步骤106：根据所述关联关系权重分值确定人员和IMSI的深度拟合关系。找出分值最高的关联关系即为人员和IMSI的深度拟合关系。
上述实施例中通过对人脸采集设备和电围设备各自采集的数据进行聚类处理，得到人员和IMSI之间的时空关联关系，然后利用高效的分值增加模型和分值衰减模型对聚类得到的关联关系进行深度拟合，得到人员和IMSI的深度拟合关系。本申请中的深度拟合方法极大地提高了关联拟合准确度，突破人脸和人员关联只是简单按特征值关联以及关联关系权重只是简单线性相加的弊端，并能够满足关联关系由强转弱甚至变更关联关系的情况，能够保证关联关系及时更新。
为了更详细地介绍本申请中深度拟合方法，在上述实施例的基础上，本申请中还公开另一实施例，具体如下：
图2是本发明另一实施例提供的IMSI和人脸深度拟合方法流程图。参见图2，一种IMSI和人脸深度拟合方法，包括：
步骤201：获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据。
步骤202：依据所述人脸采集设备地理位置和所述电围设备地理位置判断人脸设备和电围设备之间的距离是否小于设定距离。本实施例中需要对距离小于设定距离的人脸采集设备和电围设备及其采集数据进行分析。其中，该设定距离的具体选定，根据实际情况而定。例如：本实施例中该设定距离为100m，即在进行拟合时，只需获取二者距离为100m内的人脸采集设备和电围设备的数据进行处理即可。
步骤203：若小于设定距离，确定满足所述设定距离的所述人脸设备和所述电围设备的空间关联关系。人脸采集设备地理位置和所述电围设备地理位置可以获取人脸采集设备的经纬度和电围设备的经纬度，根据二者的经纬度确定二者之间的空间关联关系。具体的空间关联关系包括：一个人脸采集设备对应一个电围设备；一个人脸采集设备对应多个电围设备；多个人脸采集设备对应一个电围设备。图6a是本发明一实施例提供的一个人脸设备和一个电围设备的空间关联关系示意图；图6b是本发明一实施例提供的一个人脸设备和多个电围设备的空间关联关系示意图；图6c是本发明一实施例提供的多个人脸设备和一个电围设备的空间关联关系示意图。其中，IPC代表抓到人脸设备，DW代表对应的电围基站。其中，图6a对应的关系是IPC(A)—DW1，即一个IPC设备对应一个电围设备；图6b对应的关系IPC(B)—DW2，DW3，即一个IPC设备对应多个电围设备；图6c对应的关系IPC(C)—DW4；IPC(D)—DW4，即多个IPC设备对应同一个电围设备。
步骤204：依据所述人脸数据确定人脸拍摄时间；依据所述IMSI数据确定IMSI获取时间。例如：在Time1处被DW1的捕获，再经过IPC(A)时被相机抓到时间为Time2。
步骤205：判断所述人脸拍摄时间和所述IMSI获取时间的时间差是否小于预设时间差。比较Time1和Time2之间的时间差是否小于预设时间差。此处的预设时间差具体选择并不固定，根据实际情况而定。
步骤206：若小于预设时间差，确定人脸和IMSI的所述时间关联关系。当Time1和Time2之间的时间差小于预设时间差时，根据Time1和Time2确定人脸和IMSI之间的时间关联关系。
步骤207：将所述人脸数据中的人脸照片与预先缓存的人员身份进行在线快速聚类，得到在线聚类结果。
找出IMSI和人脸的关联关系还不够，还要知道人脸属于谁。通过“人脸结构化服务”和“人脸聚类服务”，将同一个人的所有抓拍照片归档到同一个身份标识(该身份标识即代表当前人员)下。利用时间关系建立目标聚类身份的二级缓存，新进来的人脸照片优先和缓存中的视频身份进行聚类，此方式能够节约计算资源。在聚类时利用目标特征相似度达到阈值的线性分类器进行快速聚类，将新的人脸照片与预存身份进行特征提取，计算二者的特征相似度，当特征相似度达到阈值时，认定新的人脸照片与预存身份一致，将新的人脸照片与预存身份归为一类，同时该新的人脸照片存入二级缓存，作为目标聚类身份的历史数据，此处利用较少的聚类策略保证了大规模数据场景下聚类的效率。
步骤208：在所述在线聚类结果的基础上进行离线聚类，得到所述人脸人员关联关系。
在线聚类保证了聚类效率，难免出现准确度下降。为了提高距离准确度，采用离线聚类对在线聚类进行校准勘误。首先利用深度学习算法训练的大量人脸特征的分布数据，基于人脸特征分布的聚类算法(非线性分类器)将达到相似度阈值但又不是该聚类身份的照片聚类到正确的聚类身份中。再利用时空关系对聚类结果进一步校正。比如同时在城市A和城市B两个地方被抓拍的人脸，即使两张人脸相似度很高，但也不能聚类为一个人。对于仍然存在混淆的照片，直接将该照片和聚类身份的标准照片(聚类代表)进行差异比对，更精确地确认混淆照片的真实聚类身份。
步骤209：根据人脸和IMSI的所述时间关联关系和所述人脸人员关联关系得到人员和IMSI的时间关联关系。
步骤210：根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系。即得到前后设定时间范围内，在同一组设备(距离小于设定距离的人脸采集设备和电围设备)出现的人员和IMSI的关联关系。
步骤211：利用所述分值增加模型，结合人脸采集设备和电围设备采集到数据的频率，计算人员和IMSI的关联关系权重分值。例如：同一天，在同一组设备(距离小于等于设定距离的人脸采集设备和电围设备),在前后设定时间间隔内第一次出现目标人脸和IMSI,则关联关系权重分值增加1个单位；如果后续在其他不同组设备被抓拍和感应，则关联关系权重增加0.5个单位；后续再在相同设备组被抓拍和感应，则关联关系权重增加0.1个单位；同一天同一组设备最多增加1.5个单位关联关系权重；同一天最多增加10个单位关联关系权重(备注：相关数值可根据项目实际情况进行调整)。
步骤212：若规定时间内所述关联关系权重分值没有增加，利用所述分值衰减模降低所述关联关系权重分值至满足预设标准，得到最终的所述关联关系权重分值。如果人员和IMSI查过M天没有根据分值增加模型增加关联关系权重，则关联关系权重减去1个单位；后续如果仍然没有满足分值增加模型，则每隔N天，关系权重减去1个单位；直至重新满足分值增加模型或者权重分值为零。其中，M、N的具体取值并不固定，可视情况而定。综合分值增加模型和分值衰减模型，得到人员和IMSI的关联关系权重分值，找出分值最高的关系即为人员和IMSI的深度拟合关系。
上述实施例中提供一种IMSI和人脸深度拟合模型(人员聚类服务、分值增加模型、分值衰减模型)，突破人脸和人员关联只是简单按特征值关联以及关联关系权重只是简单线性相加的弊端，大大提升关联准确度，并能够满足关联关系由强转弱甚至变更关联关系的情况，能够保证关联关系及时更新。
对应于本发明实施例提供的一种IMSI和人脸深度拟合方法，本发明实施例还提供一种IMSI和人脸深度拟合装置。请参见下文实施例。
图3是本发明一实施例提供的IMSI和人脸深度拟合装置模块图。参见图3，一种IMSI和人脸深度拟合装置，包括：
数据获取模块301，用于获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据；
空间关联分析模块302，用于对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系；
时间关联分析模块303，用于根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系；
时空关联分析模块304，用于根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系；
深度拟合模块305，用于利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值；
深度拟合关系确定模块306，用于根据所述关联关系权重分值确定人员和IMSI的深度拟合关系。
其中，空间关联分析模块302，具体用于：依据所述人脸采集设备地理位置和所述电围设备地理位置判断人脸设备和电围设备之间的距离是否小于设定距离；若小于设定距离，确定满足所述设定距离的所述人脸设备和所述电围设备的空间关联关系。
时间关联分析模块303具体用于：对所述人脸数据和所述IMSI数据进行时间分析，得到所有人脸和IMSI的时间关联关系；对所述人脸数据进行聚类处理，得到人脸人员关联关系；根据人脸和IMSI的所述时间关联关系和所述人脸人员关联关系得到人员和IMSI的时间关联关系。
深度拟合模块305具体用于：利用所述分值增加模型，结合人脸采集设备和电围设备采集到数据的频率，计算人员和IMSI的关联关系权重分值；若规定时间内所述关联关系权重分值没有增加，利用所述分值衰减模降低所述关联关系权重分值至满足预设标准，得到最终的所述关联关系权重分值。
上述装置中对获取的人员和人脸的关联关系，利用在线聚类和离线聚类两种策略保证人脸聚类准确性；同时构建了分值增加模型和分值衰减模型对人员和IMSI进行深度拟合，得到人员和IMSI的深度拟合关系，极大地提高了关联准确度，同时能够满足关联关系由强转弱甚至变更关联关系的情况，能够保证关联关系及时更新。突破人脸和人员关联只是简单按特征值关联以及关联关系权重只是简单线性相加的弊端。
为了更清楚地介绍实现本发明实施例的硬件系统，对应于本发明实施例提供的一种可燃性气体报警方法，本发明实施例还提供一种可燃性气体报警系统。请参见下文实施例。
图4是本发明一实施例提供的IMSI和人脸深度拟合设备结构图。参见图4，一种IMSI和人脸深度拟合设备，包括：
处理器401，以及与所述处理器401相连接的存储器402；
所述存储器402用于存储计算机程序，所述计算机程序至少用于执行上述所述的IMSI和人脸深度拟合方法；所述处理器401用于调用并执行所述存储器402中的所述计算机程序。
图5是本发明一实施例提供的IMSI和人脸深度拟合系统结构图。参见图5，一种IMSI和人脸深度拟合系统，包括：
人脸采集设备501、电围设备502，及分别与所述人脸采集设备501和所述电围设备502通信相连的如上述所述的深度拟合设备503。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术用户所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术用户可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术用户在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种IMSI和人脸深度拟合方法，其特征在于，包括：
获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据；
对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系；
根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系；
根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系；
利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值；
根据所述关联关系权重分值确定人员和IMSI的深度拟合关系。
2.根据权利要求1所述的方法，其特征在于，所述对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系，包括：
依据所述人脸采集设备地理位置和所述电围设备地理位置判断人脸设备和电围设备之间的距离是否小于设定距离；
若小于设定距离，确定满足所述设定距离的所述人脸设备和所述电围设备的空间关联关系。
3.根据权利要求2所述的方法，其特征在于，所述空间关联关系包括：一个人脸采集设备对应一个电围设备，一个人脸采集设备对应多个电围设备和多个人脸采集设备对应一个电围设备。
4.根据权利要求1所述的方法，其特征在于，所述根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系，包括：
对所述人脸数据和所述IMSI数据进行时间分析，得到所有人脸和IMSI的时间关联关系；
对所述人脸数据进行聚类处理，得到人脸人员关联关系；
根据人脸和IMSI的所述时间关联关系和所述人脸人员关联关系得到人员和IMSI的时间关联关系。
5.根据权利要求4所述的方法，其特征在于，所述对所述人脸数据和所述IMSI数据进行时间分析，得到所有人脸和IMSI的时间关联关系，包括：
依据所述人脸数据确定人脸拍摄时间；
依据所述IMSI数据确定IMSI获取时间；
判断所述人脸拍摄时间和所述IMSI获取时间的时间差是否小于预设时间差；
若小于预设时间差，确定人脸和IMSI的所述时间关联关系。
6.根据权利要求4所述的方法，其特征在于，所述对所述人脸数据进行聚类处理，得到人脸人员关联关系，包括：
将所述人脸数据中的人脸照片与预先缓存的人员身份进行在线快速聚类，得到在线聚类结果；
在所述在线聚类结果的基础上进行离线聚类，得到所述人脸人员关联关系。
7.根据权利要求1所述的方法，其特征在于，所述利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值，包括：
利用所述分值增加模型，结合人脸采集设备和电围设备采集到数据的频率，计算人员和IMSI的关联关系权重分值；
若规定时间内所述关联关系权重分值没有增加，利用所述分值衰减模降低所述关联关系权重分值至满足预设标准，得到最终的所述关联关系权重分值。
8.一种IMSI和人脸深度拟合装置，其特征在于，包括：
数据获取模块，用于获取人脸设备数据和电围基站设备数据；所述人脸设备数据包括人脸采集设备地理位置和采集的人脸数据；所述电围基站设备数据包括电围设备地理位置和电围基站获得的用户终端的IMSI数据；
空间关联分析模块，用于对所述人脸采集设备地理位置和所述电围设备地理位置进行位置分析，确定人脸采集设备和电围设备的空间关联关系；
时间关联分析模块，用于根据所述人脸数据和所述IMSI数据确定人员和IMSI的时间关联关系；
时空关联分析模块，用于根据所述空间关联关系和所述时间关联关系得到人员和IMSI的时空关联关系；
深度拟合模块，用于利用预先训练的分值增加模型和分值衰减模型对所述时空关联关系进行深度拟合处理，得到人员和IMSI的关联关系权重分值；
深度拟合关系确定模块，用于根据所述关联关系权重分值确定人员和IMSI的深度拟合关系。
9.一种IMSI和人脸深度拟合设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-7任一项所述的IMSI和人脸深度拟合方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种IMSI和人脸深度拟合系统，其特征在于，包括：
人脸采集设备、电围设备，及分别与所述人脸采集设备和所述电围设备通信相连的如权利要求9所述的深度拟合设备。
CN202011544310.1A 2020-12-23 2020-12-23 一种imsi和人脸深度拟合方法、装置、设备及系统 Pending CN112632354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011544310.1A CN112632354A (zh) 2020-12-23 2020-12-23 一种imsi和人脸深度拟合方法、装置、设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011544310.1A CN112632354A (zh) 2020-12-23 2020-12-23 一种imsi和人脸深度拟合方法、装置、设备及系统

Publications (1)

Publication Number Publication Date
CN112632354A true CN112632354A (zh) 2021-04-09

Family

ID=75322124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011544310.1A Pending CN112632354A (zh) 2020-12-23 2020-12-23 一种imsi和人脸深度拟合方法、装置、设备及系统

Country Status (1)

Country Link
CN (1) CN112632354A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114078277A (zh) * 2022-01-19 2022-02-22 深圳前海中电慧安科技有限公司 一人一档的人脸聚类方法、装置、计算机设备及存储介质
CN114090909A (zh) * 2022-01-18 2022-02-25 深圳前海中电慧安科技有限公司 一种图码联侦关联方法、装置、计算机设备及存储介质
CN114120428A (zh) * 2022-01-18 2022-03-01 深圳前海中电慧安科技有限公司 一种图码联侦关联方法、装置、计算机设备及存储介质
CN114359611A (zh) * 2022-03-18 2022-04-15 浙江大华技术股份有限公司 目标聚档方法、计算机设备及存储装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9843922B1 (en) * 2016-09-14 2017-12-12 At&T Intellectual Property I, L.P. Method and apparatus for utilizing mobile subscriber identification information with multiple devices based on registration errors
CN110334111A (zh) * 2019-06-13 2019-10-15 武汉市公安局视频侦查支队 一种多维轨迹分析方法及装置
CN110519556A (zh) * 2019-07-09 2019-11-29 杭州亿圣信息技术有限公司 一种电围基站与视频检测目标关联的方法
CN110751042A (zh) * 2019-09-19 2020-02-04 任子行网络技术股份有限公司 一种基于时间分区的人像与imsi信息关联方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9843922B1 (en) * 2016-09-14 2017-12-12 At&T Intellectual Property I, L.P. Method and apparatus for utilizing mobile subscriber identification information with multiple devices based on registration errors
CN110334111A (zh) * 2019-06-13 2019-10-15 武汉市公安局视频侦查支队 一种多维轨迹分析方法及装置
CN110519556A (zh) * 2019-07-09 2019-11-29 杭州亿圣信息技术有限公司 一种电围基站与视频检测目标关联的方法
CN110751042A (zh) * 2019-09-19 2020-02-04 任子行网络技术股份有限公司 一种基于时间分区的人像与imsi信息关联方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114090909A (zh) * 2022-01-18 2022-02-25 深圳前海中电慧安科技有限公司 一种图码联侦关联方法、装置、计算机设备及存储介质
CN114120428A (zh) * 2022-01-18 2022-03-01 深圳前海中电慧安科技有限公司 一种图码联侦关联方法、装置、计算机设备及存储介质
CN114078277A (zh) * 2022-01-19 2022-02-22 深圳前海中电慧安科技有限公司 一人一档的人脸聚类方法、装置、计算机设备及存储介质
CN114359611A (zh) * 2022-03-18 2022-04-15 浙江大华技术股份有限公司 目标聚档方法、计算机设备及存储装置

Similar Documents

Publication Publication Date Title
CN112632354A (zh) 一种imsi和人脸深度拟合方法、装置、设备及系统
CN106339428B (zh) 基于视频大数据的嫌疑人身份识别方法和装置
WO2021057797A1 (zh) 定位方法及装置、终端、存储介质
CN108282860B (zh) 数据处理方法及装置
CN104317918B (zh) 基于复合大数据gis的异常行为分析及报警系统
US20140045530A1 (en) Inferring Relationships Based On Geo-Temporal Data Other Than Telecommunications
CN108540752B (zh) 对视频监控中目标对象进行识别的方法、装置和系统
CN110659391A (zh) 一种视频侦查方法及装置
CN110969215A (zh) 聚类处理方法和装置、存储介质及电子装置
CN110837582A (zh) 数据关联方法、装置、电子设备和计算机可读存储介质
CN105208528A (zh) 一种用于识别同行人员的系统及方法
CN109816404B (zh) 基于dbscan算法的电信诈骗团伙聚类方法及电信诈骗团伙聚类系统
CN112770265B (zh) 一种行人身份信息获取方法、系统、服务器和存储介质
KR20220024986A (ko) 타깃 추적 방법 및 장치, 저장 매체 및 컴퓨터 프로그램
CN111462155A (zh) 移动侦测方法、装置、计算机设备和存储介质
CN108256447A (zh) 一种基于深度神经网络的无人机航拍视频分析方法
CN111696203A (zh) 一种紧急事件分级推送方法、系统、装置和存储介质
CN109960969A (zh) 移动路线生成的方法、装置及系统
CN111428653B (zh) 行人拥挤状态判断方法、装置、服务器及存储介质
CN111445442A (zh) 基于神经网络的人群计数方法、装置、服务器及存储介质
CN111126411A (zh) 一种异常行为识别方法及装置
CN113256978A (zh) 一种城市拥堵地区的诊断方法、系统及储存介质
CN112102623A (zh) 交通违章识别方法和装置、智能可穿戴设备
CN110557722B (zh) 目标团伙的识别方法及相关装置
CN110490104A (zh) 一种减少流浪者冲突的监测系统及监测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210409