CN112989083A - 人员身份分析方法、装置、设备及存储介质 - Google Patents

人员身份分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112989083A
CN112989083A CN201911302721.7A CN201911302721A CN112989083A CN 112989083 A CN112989083 A CN 112989083A CN 201911302721 A CN201911302721 A CN 201911302721A CN 112989083 A CN112989083 A CN 112989083A
Authority
CN
China
Prior art keywords
identity
person
unknown
image
information
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
Application number
CN201911302721.7A
Other languages
English (en)
Other versions
CN112989083B (zh
Inventor
刘清炼
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.)
Zhejiang Uniview Technologies Co Ltd
Original Assignee
Zhejiang Uniview Technologies Co 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 Zhejiang Uniview Technologies Co Ltd filed Critical Zhejiang Uniview Technologies Co Ltd
Priority to CN201911302721.7A priority Critical patent/CN112989083B/zh
Publication of CN112989083A publication Critical patent/CN112989083A/zh
Application granted granted Critical
Publication of CN112989083B publication Critical patent/CN112989083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Collating Specific Patterns (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种人员身份分析方法、装置、设备及存储介质。包括：获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息；根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量；根据所述关联变量，确定所述未知身份人员的身份信息。本发明实施例的技术方案，解决了缺少网络数据的情况下，无法确定已知身份人员的相关人员身份的问题，为人员身份分析提供了一种新思路。

Description

人员身份分析方法、装置、设备及存储介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种人员身份分析方法、装置、设备及介质。
背景技术
随着互联网和人工智能技术的发展，终端设备已经可以实现协助有关部门在已知某一人员身份的情况下，查找与该人员相关的其他人员。例如，协助有关部门在已知一个诈骗人员身份的情况下，查找分析该诈骗人员的同伙人员或该诈骗人员进行诈骗的对象等。具体的实现方法通常是分析已知身份人员的网络数据，如上网聊天记录、通话记录、转账记录等，来自动查找与该已知身份人员联系密切的人作为与该已知身份人员相关的其他身份人员。但是，现有方法需要依赖已知身份人员的大量网络数据，在缺少网络数据的情况，就无法准确分析出该已知身份人员的其他相关身份人员。
发明内容
本发明实施例提供了人员身份分析方法、装置、设备及存储介质，解决了缺少网络数据的情况下，无法确定已知身份人员的相关人员身份的问题，为人员身份分析提供了一种新思路。
第一方面，本发明实施例提供了一种人员身份分析方法，该方法包括：
获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息；
根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量；
根据所述关联变量，确定所述未知身份人员的身份信息。
第二方面，本发明实施例还提供了一种人员身份分析装置，该装置包括：
记录信息获取模块，用于获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息；
关联变量确定模块，用于根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量；
身份信息确定模块，用于根据所述关联变量，确定所述未知身份人员的身份信息。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所述的人员身份分析方法。
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，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的人员身份分析方法。
本发明实施例的人员身份分析方法、装置、设备及存储介质，根据获取的人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息，确定出未知身份人员与已知身份人员的关联变量；进而根据该关联变量，确定未知身份人员的具体身份信息。本发明实施例的方案，通过人物图像集，来分析人物图像集中与已知身份人员关联的未知身份人员的身份信息，解决了现有技术缺少网络数据的情况下，无法确定已知身份人员的相关人员身份的问题，为人员身份分析提供了一种新思路。
附图说明
图1是本发明实施例一提供的一种人员身份分析方法的流程图；
图2是本发明实施例二提供的一种人员身份分析方法的流程图；
图3A是本发明实施例三提供的一种人员身份分析方法的流程图；
图3B是本发明实施例提供的一种人员身份组织结构示意图；
图4是本发明实施例四提供的一种人员身份分析装置的结构框图；
图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种人员身份分析方法的流程图，本实施例可适用于在已知人物图像集中的一个或多个人员身份的前提下，分析图像集中剩余未知身份人员的身份信息的情况。例如，在已知人物图像集中存在诈骗人员时，从人物图像集中包含的剩余人员中分析出该诈骗人员的同伙涉案人员和受害者人员。本发明实施例的方法可以由人员身份分析装置或电子设备来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于电子设备中。可选的，如图1所示，该方法具体包括如下步骤：
S101，获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息。
其中，人物图像集可以由至少一帧人物图像构成的图像集。本发明实施例的人物图像集可以是由至少一个摄像头在至少一个采集位置处采集到的人物图像构成的图像集。可选的，为了保证人员身份分析的准确性，本发明实施例中的人物图像集中的图像帧数通常为多个不同位置处的摄像头采集的一段时间内的人物图像。
人物图像集中的图像都是人物图像，所以每一帧人物图像中都应该包含至少一个人员，对于人物图像集中包含的人员，有些人员的身份信息已经明确，即已知身份人员，有些人员的身份信息不明确，即未知身份人员，其中未知身份人员中有些人可能与已知身份人员具有一定的关系，有些人可能与已知身份人员没有关系。例如，若本实施例已知人物图像集中有一个已知身份的诈骗人员，还有10个未知身份的人员。这10个未知身份人员中有些可能是与诈骗人员具有一定关系的人员，如该诈骗人员的同伙或被诈骗人员；也可能是与诈骗人员没有关系的普通路人。
对于人物图像集中的每个人员都有一个图像记录信息，该图像记录信息可以是根据每个人员所属的人物图像，从所属人物图像中提取出来的相关信息，具体的每个人员的图像记录信息中可以包括但不限于：该人员在其所属人物图像中的人物特征，以及该人员所属人物图像的图像属性特征。其中，人物特征可以包括：人员性别和人员在图像中对应的关键细节特征；图像属性特征可以包括：图像的采集时间、采集位置(即采集该人物图像的摄像机位置)以及图像的唯一性标识信息等。可选的，若人物图像集中包含的已知身份人员较多时，为了区分各已知身份人员，已知身份人员的图像记录信息中还可以包括：该已知身份人员的个人信息。
可选的，本步骤获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息的方法有很多，对此本实施例不进行限定。可以是预先根据人物图像集确定出其中包含的各已知身份人员的图像记录信息和各未知身份人员的图像信息后存储在预设存储单元(如数据库)中，本步骤直接从预设存储单元中获取已知身份人员的图像记录信息和未知身份人员的图像记录信息。还可以是本步骤对人物图像集中的每一帧人物图像进行分析处理，确定出已知身份人员和未知身份人员包含的图像记录信息。其中，本发明实施例如何根据人物图像集确定其中包含的已知身份人员的图像记录信息和未知身份人员的图像记录信息的具体过程，将在后续实施例进行详细介绍。
需要说明的是，人物图像集中包括的已知身份人员的个数可以是一个或多个，未知身份人员的个数也可以是一个或多个。针对任意一个人员(可以是已知身份人员，也可以是未知身份人员)，其可能并不止在人物图像集中的一帧人物图像中出现，所以该人员的图像记录信息是针对其所出现的每一帧人物图像都对应有一个图像记录信息。
S102，根据已知身份人员的图像记录信息和未知身份人员的图像记录信息，确定未知身份人员与已知身份人员的关联变量。
其中，关联变量可以是用来表征未知身份人员和已知身份人员之间的某种关联关系的变量，可选的，该关联变量可以包括次数变量和/或频率变量；其中，次数变量可以是表征未知身份人员和已知身份人员之间的某种关系出现次数的关联变量。可选的，次数变量包括同行次数和/或同框次数。频率变量可以是表征未知身份人员和已知身份人员之间的某种关系出现频率的关联变量。可选的，频率变量包括同行频率和/或同框频率。
需要说明的是，本发明实施例中的同行是指已知身份人员和未知身份人员的在同一时间或相近时间内相距的距离在同行阈值范围(如5米)内。同框是指已知身份人员和未知身份人员同时出现在一帧人物图像中。需要说明是，已知身份人员和未知身份人员同行关系和同框关系之间没有必然的联系，同行不一定同框，同框时同行的概率比较大。例如，已知身份人员A与未知身份人员B之间间隔4米，小于同行阈值5米，此时两者属于同行关系，但是由于两者之间相隔了4米，所以不一定同时出现在采集设备覆盖范围内，所以采集设备拍摄到的人物图像中两者不一定同框。
可选的，本步骤在确定未知身份人员与已知身份人员的关联变量时，由于同行关系是根据已知身份人员和未知身份人员之间相隔的距离值确定，所以本步骤在确定未知身份人员与已知身份人员的同行关系对应的关联变量(如同行次数和同行频率)时，可以是根据已知身份人员和未知身份人员的图像记录信息中记录的其所在图像的采集位置和采集时间确定。其中，具体的确定过程将在后续实施例进行详细介绍。由于同框关系是根据已知身份人员和未知身份人员是否出现在同一帧人物图像确定，所以本步骤在确定未知身份人员和已知身份人员的同框关系对应的关联变量(如同框次数和同框频率)时，可以是根据已知身份人员和未知身份人员的图像记录信息中记录的其所在人物图像的图像标识信息确定。其中，具体的确定过程将在后续实施例进行详细介绍。
可选的，本步骤在确定未知身份人员与已知身份人员的次数变量时，可以是：根据待分析时段内已知身份人员的图像记录信息和未知身份人员的图像记录信息，判断未知身份人员与已知身份人员在当前待分析时段内出现某种关联关系(如同行关联关系和/或同框关联关系)的总次数，作为未知身份人员与已知身份人员关于该关联关系的次数。其中，待分析时间段可以是根据实际需求设定，如可以是一周、一个月、半年等。
可选的，本步骤在确定未知身份人员与已知身份人员的频率变量时，可以是：根据待分析时段内已知身份人员的图像记录信息和未知身份人员的图像记录信息，判断未知身份人员与已知身份人员的关联周期次数；根据待分析时段内的总周期次数和关联周期次数，确定未知身份人员与已知身份人员的频率变量。具体的，可以是将待分析时段划分为至少两个分析周期，针对每一个分析周期内已知身份人员的图像记录信息和未知身份人员的图像记录信息，判断该周期内未知身份人员与已知身份人员是否出现过同行关系或同框关系，从而得到未知身份人员与已知身份人员在待分析时段内同行的周期次数或同框的周期数，进而根据待分析时段内同行的周期次数或同框的周期次数结合总周期次数，确定未知身份人员与已知身份人员在当前待分析时段内的同行频率或同框频率。其中，待分析时间段中可以包括至少两个分析周期，具体的待分析时间段和分析周期的时长可以根据实际需求确定。例如，待分析时间段为1个月，分析周期为1天。示例性的，可以是将一个月按天进行划分，针对每一天的已知身份人员的图像记录信息和未知身份人员的图像记录信息，判断该天内未知身份人员与已知身份人员是否出现过同行关系或同框关系，进而得到一个月内已知身份人员和未知身份人员同行了15天，同框了10天，由此可以确定未知身份人员与已知身份人员在在一个月内的同行频率15天/月，同框频率为10天/月。
S103，根据关联变量，确定未知身份人员的身份信息。
可选的，S102确定出的关联变量包括同行次数、同行频率、同框次数和同框频率中的至少一个。本发明实施例为未知身份人员确定的候选身份信息可以包括至少两种。具体的，当候选身份信息为两种时，可以是与已知身份人员的身份信息相关和无关两种；当候选身份信息为三种或三种以上时，可以包括与已知身份人员的身份信息无关，和至少两个与已知身份人员的身份信息相关的身份，例如，若已知身份信息为诈骗人员，候选身份信息为三个时，这三个候选身份信息可以为：诈骗无关人员、被诈骗人员和诈骗人员。
可选的，本步骤根据关联变量，确定未知身份人员的身份信息的方法有很多，对此本实施例不进行限定。
可实施方式一、将关联变量对应的数值与候选身份对应的身份阈值进行比较，并将该关联变量的数值所满足的身份阈值对应的候选身份的身份信息作为该关联变量对应的未知身份人员的身份信息。其中，候选身份是为未知身份人员确定身份时可供选择的至少两个身份。例如，已知身份人员为诈骗人员，候选身份信息包括：诈骗人员、被骗人员和诈骗无关人员，其中，诈骗人员对应的身份阈值为大于第一阈值；被骗人员对应的身份阈值为大于第二阈值且小于第一阈值；诈骗无关人员对应的身份阈值为小于第二阈值。其中，第一阈值大于第二阈值。此时若未知身份人员1的关联变量的数值大于第一阈值，则未知身份人员1为诈骗人员；若未知身份人员1的关联变量的数值大于第二阈值且小于第一阈值，则未知身份人员1为被骗人员；若未知身份人员1的关联变量的数值小于第二阈值，则未知身份人员1为诈骗无关人员。可选的，当关联变量为同行次数、同行频率、同框次数和同框频率中的任意一个时，关联变量对应的数值为该关联变量的数值；当关联变量为同行次数、同行频率、同框次数和同框频率中的至少两个时，关联变量对应的数值为至少两个关联变量的数值和。
可实施方式二、对于每个候选身份都对应有一个评分公式，且每个评分公式都应有一个评分阈值。在确定未知身份人员的身份信息时，可以是根据未知身份人员的关联变量和至少一个候选身份的评分公式，确定该至少一个候选身份的评分结果；根据该至少一个候选身份的评分结果和评分阈值，从候选身份中为该未知身份人员确定身份信息。具体的，针对每个未知身份人员，都依据每个候选身份的评分公式，计算该未知身份人员针对各候选身份的评分结果，然后将各候选身份的评分结果与各候选身份的评分阈值进行比较，将满足评分阈值的候选身份作为该未知身份人员的身份信息。可选的，本可实施方式中，每个候选身份的评分公式可以为关联变量设置不同的权重系数，具体的权重系数的取值可以是通过大量的样本数据训练后得到的。
可选的，本步骤确定出来的未知身份人员的身份信息中若至少一个未知身份人员与同一已知身份人员具有相同的身份信息，则该至少一个未知身份人员与该已知身份人员属于同一团体的人员。具体的，因为本实施例确定未知身份人员的身份信息时是根据未知身份人员与已知身份人员的同框关系和/或同行关系确定的，所以若未知身份人员与已知身份人员的身份信息相同，则说明他们身份相同且关联比较密切，此时两者可能是该身份信息下的同一团体。例如，若已知身份人员2为诈骗人员，通过已知身份人员1与未知身份人员2之间的关联关系确定出未知身份人员2也为诈骗人员，此时两者可能就是一个团伙的诈骗人员。
可选的，本发明实施例的方法还可以将S103确定出身份信息的未知身份人员的人员作为已知身份人员，继续对人物图像集按照上述介绍的方法在进行一次分析，可以进一步确定出人物图像集中更多的未知身份人员的身份信息。
本发明实施例的人员身份分析方法，根据获取的人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息，确定出未知身份人员与已知身份人员的关联变量；进而根据该关联变量，确定未知身份人员的具体身份信息。本发明实施例的方案，通过人物图像集，来分析人物图像集中与已知身份人员关联的未知身份人员的身份信息，解决了现有技术缺少网络数据的情况下，无法确定已知身份人员的相关人员身份的问题，为人员身份分析提供了一种新思路。
实施例二
图2为本发明实施例二提供的一种人员身份分析方法的流程图，本实施例在上述实施例的基础上，进行了进一步的优化，具体给出了人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息的确定方法的具体情况介绍，该方法具体包括：
S201，对人物图像集中包含的每个人员进行人物特征分析。
可选的，本步骤可以是对人物图像集中包含的每一帧人物图像中的每一个人员对应的图像区域都进行一次人物特征分析。具体的，进行人物特征分析的方法可以有很多，对此本实施例不进行限定，例如可以是通过颜色特征分析、纹理特征分析、形状特征分析以及空间关系特征分析等综合分析实现对图像区域内的人物特征的提取。得到的人物特征分析结果可以包括但不限于：人物的性别、人物的身高、体型、发型、面部特征等。
S202，根据分析结果和身份库中的目标人物特征，确定人物图像集中包含的已知身份人员和未知身份人员。
其中，身份库为预先对已经明确身份信息和个人信息的人员建立的数据库，该身份库中记录有每一个人员的人物特征、具体个人信息以及身份信息等。可选的，本发明实施例还可以是针对每种身份信息，对已知该身份信息的人员建立一个身份库。
可选的，本发明实施例以身份库中记录的各人员的人物特征作为目标人物特征，与S201中待分析的人物图像集中包含的各人物特征进行比对，查看人物图像集中包含的各人物特征是否命中身份库中记录的目标人物特征，若没有，则将人物图像集中的该人物特征对应的人员作为未知身份人员；若有，则将人物图像集中的该人物特征对应的人员作为已知身份人员，且该已知身份人员的身份信息即为其命中的目标人物特征在身份库中对应的人员身份信息。本步骤对S201得到的分析结果中的每一个人员的人物特征都与身份库中的各个目标人物特征进行上述比较，即可以确定出分析结果中的每一个人员是身份库中的已知身份人员，还是未知身份人员。
可选的，本步骤确定出的人物图像集中包含的已知身份人员的个数为至少一个，未知身份人员个数为至少一个。
S203，生成并记录已知身份人员的图像记录信息和未知身份人员的图像记录信息。
可选的，在S202确定出人物图像集中包含的各已知身份人员和未知身份人员后，为了便于后续确定出其中的未知身份人员的身份信息，需要对人物图像集中包含的每个人(包括每一个已知身份人员和每一个未知身份人员)都要记录该人员的图像记录信息。具体的，可以是针对人物图像集中包含的每个已知身份人员，将该已知身份人员在所属人物图像的图像属性特征、S201分析出的该已知身份人员的人物特征以及身份库中记录的该已知身份人员的个人信息作为该已知身份人员对应的图像记录信息。针对人物图像集中包含的每个未知身份人员，将该未知身份人员所属人物图像的图像属性特征、S201分析出的该已知身份人员的人物特征作为该未知身份人员对应的图像记录信息。其中，图像属性特征可以包括但不限于：图像采集的时间、图像采集位置和图像标识信息。可选的，还可以将与未知身份同属于同一图像的已知身份人员的个人信息记录在该未知身份人员的图像记录信息中，表征该未知身份人员与该个人信息对应的已知身份人员同框过。需要说明的是，图像记录信息中还可以记录其他信息，对此本实施例不进行限定。
其中，图像记录信息中包含的图像属性特征用于后续判断图像记录信息所属人员的身份；由于S202中确定出的已知身份人员和未知身份人员的个数可能不止一个，图像记录信息中包含其他信息(如人物特征、个人信息等)可用于后续区分图像记录信息所属的人员。
可选的，本步骤在生成已知身份人员的图像记录信息和未知身份人员的图像记录信息后可以是将生成的该信息进行存储，具体的存储位置本实施例不进行限定，例如，可以是存储在至少一个数据库中。
S204，获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息。
S205，根据已知身份人员的图像记录信息和未知身份人员的图像记录信息，确定未知身份人员与已知身份人员的关联变量。
S206，根据关联变量，确定未知身份人员的身份信息。
本发明实施例的人员身份分析方法，对人物图像集中包含的每个人员进行人物特征分析，结合身份库中的目标人物特征，确定人物图像集中包含的已知身份人员和未知身份人员，并生成各人员对应的图像记录信息，根据该已知身份人员和未知身份人员的图像记录信息，确定出未知身份人员与已知身份人员的关联变量；进而根据该关联变量，确定未知身份人员的具体身份信息。本发明实施例的方案，通过结合身份库中目标人物特征对人物图像集进行分析，可准确确定出人物图像集中的已知身份人员，从而保证后续根据该已知身份人员准确确定出与其关联的未知身份人员的身份信息，为人员身份分析提供了一种新思路。
实施例三
图3A为本发明实施例三提供的一种人员身份分析方法的流程图，图3B为本发明实施例提供的一种人员身份组织结构示意图。本实施例在上述各实施例的基础上，进行了进一步的优化，具体给出了一种人员身份分析方法的优选实例，该方法具体包括：
S301，获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息。
S302，将已知身份人员的图像记录信息中的采集位置和采集时间，与未知身份人员的图像记录信息中的采集位置和采集时间进行比较，确定未知身份人员与已知身份人员的同行次数和/或同行频率。
其中，图像记录信息中的采集位置为图像记录信息所属的已知身份人员或未知身份人员所在人物图像的采集位置；可选的，可以是采集该人物图像的图像采集设备(如摄像头)所在的位置。图像记录信息中的采集时间为图像记录信息所属的已知身份人员或未知身份人员所在图像的采集时间，可选的，可以是采集该人物图像的图像采集设备采集该人物图像的时间。需要说明的是，无论是已知身份人员还是未知身份人员，其可能不止出现在人物图像集中的一帧人物图像中，所以本实施例中无论是已知身份人员还是未知身份人员，其图像记录信息中，可能包含多组采集位置和采集时间，其中一组采集位置和采集时间对应一帧人物图像。
可选的，本步骤在确定每一个未知身份人员与每一个已知身份人员的同行次数时可以是将该未知身份人员的图像记录信息中记录的每一组采集位置和采集时间分别与S301确定出的该已知身份人员的图像记录信息中的每一组采集位置和采集时间进行比较，确定出该未知身份人员与该已知身份人员的同行次数。具体的，以对未知身份人员的一组采集位置和采集时间与已知身份人员的一组采集位置和采集时间进行比较为例，若两者的采集位置相差小于距离阈值，且采集时间相差也小于时间阈值，则说明针对本次比较的两组采集位置和采集时间，未知身份人员与已知身份人员同行一次；否则，说明针对本次比较的两组采集位置和采集时间，未知身份人员与已知身份人员没有同行。可选的，具体的比较公式可以为：|ta-tb|≤T&&d(pa,pb)≤D；其中，a为已知身份人员；ta为已知身份人员所属人物图像的采集时间，b为未知身份人员；tb为未知身份人员所属人物图像的采集时间；T为时间阈值；pa为已知身份人员所属人物图像的采集位置；pb为未知身份人员所属人物图像的采集时间；d(pa,pb)为pa和pb之间的距离；D为距离阈值。
可选的，本步骤在确定每一个未知身份人员与每一个已知身份人员的同行频率时可以是先根据待分析时段内该未知身份人员的图像记录信息中的每一周期中的采集位置和采集时间与该已知身份人员的图像记录信息中的该周期的采集位置和采集时间，判断该未知身份人员与该已知身份人员的在该周期是否同行过，进而确定出该未知身份人员与该已知身份人员在待分析周期内一共同行的周期次数；然后再根据确定出的该同行的周期次数，和待分析时段内的包含的总周期次数，确定该未知身份人员与该已知身份人员的同行频率。其中，根据未知身份人员的图像记录信息中的每一周期中的采集位置和采集时间与已知身份人员的图像记录信息中的该周期的采集位置和采集时间，判断该未知身份人员与该已知身份人员的在该周期是否同行过的方法可以是，将该未知身份人员在该周期中的每一组采集位置和采集时间分别与该已知身份人员在该周期中的每一组采集位置和采集时间进行比较，判断已知身份人员和未知身份人员在该周期内的同行次数，如果大于或等于1，则说明该未知身份人员与该已知身份人员的在该周期同行过。具体的同行次数的确定方法在上述过程中已经介绍，在此不进行赘述。
S303，将已知身份人员的图像记录信息中的图像标识信息，与未知身份人员的图像标识信息进行比较，确定未知身份人员与已知身份人员的同框次数和/或同框频率。
其中，图像信息中的图像标识信息为图像记录信息所属的已知身份人员或未知身份位于所在人物图像的唯一标识信息。可选的该位置标识信息的确定方法有很多，对此本实施例不进行限定，例如，可以是根据采集该人物图像的采集设备标识和随机数值按照一定的算法生成的。需要说明的是，为了保证每一帧人物图像的图像标识信息与其他图像都不一样，针对一个采集设备，生成图像标识信息的随机数值不一样，例如，该随机数值可以是采集图像的名称、编号等。需要说明的是，无论是已知身份人员还是未知身份人员，其可能不止出现在人物图像集中的一帧人物图像中，所以本实施例中无论是已知身份人员还是未知身份人员，其图像记录信息中，可能包含多个图像标识信息。
可选的，本步骤在确定每一个未知身份人员与每一个已知身份人员的同框次数时可以是将该未知身份人员的图像记录信息中记录的每个图像标识信息分别与S301确定出的该已知身份人员的图像记录信息中的每个图像标识信息进行比较，将未知身份人员与该已知身份人员相同的图像标识信息的个数作为该未知身份人员与该已知身份人员的框次数。
可选的，本步骤在确定每一个未知身份人员与每一个已知身份人员的同框频率时可以是先根据待分析时段内该未知身份人员的图像记录信息中的每一周期中的图像标识信息与该已知身份人员的图像记录信息中的该周期的图像标识信息，判断该未知身份人员与该已知身份人员的在该周期是否同框过，进而确定出该未知身份人员与该已知身份人员在待分析周期内一共同框的周期次数；然后再根据确定出的该同框的周期次数，和待分析时段内的包含的总周期次数，确定该未知身份人员与该已知身份人员的同框频率。其中，根据未知身份人员的图像记录信息中的每一周期中的图像标识信息与已知身份人员的图像记录信息中的该周期的图像标识信息，判断该未知身份人员与该已知身份人员的在该周期是否同框过的方法可以是，将该未知身份人员在该周期中的每一个图像标识信息分别与该已知身份人员在该周期中的每一个图像标识信息进行比较，判断已知身份人员和未知身份人员在该周期内的同框次数，如果大于或等于1，则说明该未知身份人员与该已知身份人员的在该周期同框过，否则没有同框过。具体的同框次数的确定方法在上述过程中已经介绍，在此不进行赘述。
需要说明的是，上述S302和上述S303可以是只执行一个，也可以是两个都执行，对此本实施例不进行限定，确定的未知身份人员与已知身份人员的关联变量的维度越多，本实施例最终确定出的未知身份人员的身份信息准确性越高。
可选的，若本实施例S302和S303要确定每一个未知身份人员与每一个已知身份人员的同行频率和/或同框频率的同时，还需要确定同行次数和同框次数，则此时为了提高确定效率，本步骤还可以是设置一个同行次数阈值和一个同框次数阈值，然后按照上述介绍确定同行次数和同框次数的方法确定出的每一个未知身份人员与每一个已知身份人员的同行次数和同框次数，针对每一个已知身份人员，只对同行次数大于同行阈值的未知身份人员和同框次数大于同框阈值的未知身份人员按照上述介绍的方法计算出未知身份人员与该已知身份人员的同行频率和和/或同框频率。对于同行次数小于或等于同行阈值的未知身份人员，以及同框次数小于或等于同框阈值的未知身份人员与该已知身份人员的同行频率和/或同框频率设置为0或其他较小的数值。
S304，根据未知身份人员的关联变量和至少一个候选身份的评分公式，确定至少一个候选身份的评分结果。
其中，关联变量包括：同行次数、同行频率、同框次数和同框频率中的至少一个，具体包括什么取决于S302和S303是否同时执行，以及其具体的执行结果。
示例性的，假设本发明实施例S301获取的人物图像集中包括1个已知身份人员A，和四个未知身份人员B、C、D和E，其中该人员A的身份信息为诈骗人员。S302和S303确定的关联变量包括：同行次数、同行频率、同框次数和同框频率。本实施例预设有两个候选身份的评分公式：诈骗人员评分公式1＝A1*同行频率+A2*同框频率+A3*同行次数+A4*同框次数；和被骗人员评分公式2＝B1*同行频率+B2*同框频率+B3*同行次数+B4*同框次数；
其中，A1为诈骗人员评分公式1中同行频率的权重系数；A2为诈骗人员评分公式1中同框频率的权重系数；A3为诈骗人员评分公式1中同行次数的权重系数；A4为诈骗人员评分公式1中同框次数的权重系数；B1为被骗人员评分公式2中同行频率的权重系数；B2为被骗人员评分公式2中同框频率的权重系数；B3为被骗人员评分公式2中同行次数的权重系数；B4为被骗人员评分公式2中同框次数的权重系数。
此时本步骤可以是依次对四个未知身份人员B、C、D和E，按照上述诈骗人员的评分公式1和被骗人员的评分公式2，针对每一个未知身份人员都计算出两个身份评分结果，即诈骗人员评分结果和被骗人员评分结果。
S305，根据至少一个候选身份的评分结果和评分阈值，从候选身份中为未知身份人员确定身份信息。
示例性的，本步骤可以是针对四个未知身份人员B、C、D和E的每一个人，若其诈骗人员评分结果满足诈骗人员的评分阈值，则其身份信息为诈骗人员；若其被骗人员评分结果满足被骗人员的评分阈值，则其身份信息为被骗人员；若都不满足，则其身份信息为诈骗无关人员。需要说明的是，本发明实施例设置的每个候选身份的评分公式以及评分阈值，需要保证不同候选身份的评分结果不会同时满足对应的评分阈值。
可选的，若本步骤确定出人员B和人员C为被骗人员，人员D和人员E为诈骗人员，则可以通过图3B所示的组织结构图来表征人员A、B、C、D和E的组织关系。其中，由于人员D和人员E都与人员A具有相同的身份信息，即诈骗人员，所以人员D和人员E都与人员A为同一诈骗团伙，即人员A、人员D和人员E为同一诈骗团伙。
可选的，采用本发明实施例的方法在通过已知身份人员A的身份的前提下，确定出了人员B、C、D和E的身份后，还可以将人员B、C、D和E作为已知身份人员对人物图像集按照上述介绍的方法在进行一次分析，可以进一步确定出与已知身份人员B、C、D和E相关的未知身份人员的身份信息，从而确定出人物图像集中更多的未知身份人员的身份信息。
本发明实施例的人员身份分析方法，根据人物图像集中包含的已知身份人员和未知身份人员的图像记录信息中的采集位置和采集时间，确定未知身份人员与已知身份人员的同行次数和/或同行频率，根据人物图像集中包含的已知身份人员和未知身份人员的图像记录信息中的图像标识信息，确定未知身份人员与已知身份人员的同框次数和/或同框频率；进而根据同行次数、同框次数、同行频率和同框频率中的至少一个，确定未知身份人员的具体身份信息。本发明实施例的方案，在确定未知身份人员的身份信息时，从已知身份人员与未知身份人员的同行次数、同框次数、同行频率和同框频率多个维度进行分析，提高了未知身份人员的身份信息确定的准确性，为人员身份分析提供了一种新思路。
实施例四
图4为本发明实施例四提供的一种人员身份分析装置的结构框图，该装置可以配置于电子设备中。该装置可执行本发明上述任意实施例所提供的人员身份分析方法，具体执行方法相应的功能模块和有益效果。如图4所示，该装置包括：
记录信息获取模块401，用于获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息；
关联变量确定模块402，用于根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量；
身份信息确定模块403，用于根据所述关联变量，确定所述未知身份人员的身份信息。
本发明实施例的人员身份分析装置，根据获取的人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息，确定出未知身份人员与已知身份人员的关联变量；进而根据该关联变量，确定未知身份人员的具体身份信息。本发明实施例的方案，通过人物图像集，来分析人物图像集中与已知身份人员关联的未知身份人员的身份信息，解决了现有技术缺少网络数据的情况下，无法确定已知身份人员的相关人员身份的问题，为人员身份分析提供了一种新思路。
进一步的，上述装置还包括：
人物特征分析模块，用于对人物图像集中包含的每个人员进行人物特征分析；
身份初步分析模块，用于根据分析结果和身份库中的目标人物特征，确定所述人物图像集中包含的已知身份人员和未知身份人员；
记录信息处理模块，用于生成并记录所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息。
进一步的，所述关联变量包括：次数变量和/或频率变量；所述次数变量包括同行次数和/或同框次数；所述频率变量包括同行频率和/或同框频率。
进一步的，关联变量确定模块402具体用于：
将所述已知身份人员的图像记录信息中的采集位置和采集时间，与所述未知身份人员的图像记录信息中的采集位置和采集时间进行比较，确定所述未知身份人员与所述已知身份人员的同行次数和/或同行频率；和/或，
将所述已知身份人员的图像记录信息中的图像标识信息，与所述未知身份人员的图像标识信息进行比较，确定所述未知身份人员与所述已知身份人员的同框次数和/或同框频率。
进一步的，当关联变量为频率变量时，所述关联变量确定模块402具体用于：
根据待分析时段内已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，判断所述未知身份人员与所述已知身份人员的关联周期次数；
根据所述待分析时段内的总周期次数和所述关联周期次数，确定所述未知身份人员与所述已知身份人员的频率变量。
进一步的，所述身份信息确定模块403具体用于：
根据所述未知身份人员的关联变量和至少一个候选身份的评分公式，确定所述至少一个候选身份的评分结果；
根据所述至少一个候选身份的评分结果和评分阈值，从候选身份中为所述未知身份人员确定身份信息。
进一步的，上述装置还包括：
团体人员确定模块，用于若至少一个未知身份人员与同一已知身份人员具有相同的身份信息，则所述至少一个未知身份人员与该已知身份人员属于同一团体的人员。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图，图5示出了适于用来实现本发明实施例实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。电子设备典型可以是配置有一个或多个服务器。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：一个或者多个处理器或者处理单元516，存储器528，连接不同系统组件(包括存储器528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备500典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备500访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。电子设备500可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明实施例各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明实施例所描述的实施例中的功能和/或方法。
电子设备500也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，电子设备500还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器520通过总线518与电子设备500的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任一实施例所提供的人员身份分析方法。
实施例六
本发明实施例六还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时可以用于执行一种人员身份分析方法，该方法包括：
获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息；
根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量；
根据所述关联变量，确定所述未知身份人员的身份信息。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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存储介质。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，计算机可读存储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。
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存储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发明实施例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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种人员身份分析方法，其特征在于，所述方法包括：
获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息；
根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量；
根据所述关联变量，确定所述未知身份人员的身份信息。
2.根据权利要求1所述的方法，其特征在于，获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息之前，还包括：
对人物图像集中包含的每个人员进行人物特征分析；
根据分析结果和身份库中的目标人物特征，确定所述人物图像集中包含的已知身份人员和未知身份人员；
生成并记录所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息。
3.根据权利要求1所述的方法，其特征在于，所述关联变量包括：次数变量和/或频率变量；所述次数变量包括同行次数和/或同框次数；所述频率变量包括同行频率和/或同框频率。
4.根据权利要求3所述的方法，其特征在于，根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量，包括：
将所述已知身份人员的图像记录信息中的采集位置和采集时间，与所述未知身份人员的图像记录信息中的采集位置和采集时间进行比较，确定所述未知身份人员与所述已知身份人员的同行次数和/或同行频率；和/或，
将所述已知身份人员的图像记录信息中的图像标识信息，与所述未知身份人员的图像标识信息进行比较，确定所述未知身份人员与所述已知身份人员的同框次数和/或同框频率。
5.根据权利要求3所述的方法，其特征在于，当关联变量为频率变量时，根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量，包括：
根据待分析时段内已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，判断所述未知身份人员与所述已知身份人员的关联周期次数；
根据所述待分析时段内的总周期次数和所述关联周期次数，确定所述未知身份人员与所述已知身份人员的频率变量。
6.根据权利要求1所述的方法，其特征在于，根据所述关联变量，确定所述未知身份人员的身份信息，包括：
根据所述未知身份人员的关联变量和至少一个候选身份的评分公式，确定所述至少一个候选身份的评分结果；
根据所述至少一个候选身份的评分结果和评分阈值，从候选身份中为所述未知身份人员确定身份信息。
7.根据权利要求1所述的方法，其特征在于，根据所述关联变量，确定所述未知身份人员的身份信息之后，还包括：
若至少一个未知身份人员与同一已知身份人员具有相同的身份信息，则所述至少一个未知身份人员与该已知身份人员属于同一团体的人员。
8.一种人员身份分析装置，其特征在于，所述装置包括：
记录信息获取模块，用于获取人物图像集中包括的已知身份人员的图像记录信息和未知身份人员的图像记录信息；
关联变量确定模块，用于根据所述已知身份人员的图像记录信息和所述未知身份人员的图像记录信息，确定所述未知身份人员与所述已知身份人员的关联变量；
身份信息确定模块，用于根据所述关联变量，确定所述未知身份人员的身份信息。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的人员身份分析方法。
10.一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，该程序被处理器执行时实现如权利要求1-7中任一所述的人员身份分析方法。
CN201911302721.7A 2019-12-17 2019-12-17 人员身份分析方法、装置、设备及存储介质 Active CN112989083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911302721.7A CN112989083B (zh) 2019-12-17 2019-12-17 人员身份分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911302721.7A CN112989083B (zh) 2019-12-17 2019-12-17 人员身份分析方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112989083A true CN112989083A (zh) 2021-06-18
CN112989083B CN112989083B (zh) 2024-02-02

Family

ID=76342313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911302721.7A Active CN112989083B (zh) 2019-12-17 2019-12-17 人员身份分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112989083B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005234765A (ja) * 2004-02-18 2005-09-02 Omron Corp 画像取得装置及び捜索装置
CN101300588A (zh) * 2005-10-31 2008-11-05 伊斯曼柯达公司 确定收集中的特定人的方法
CN106203458A (zh) * 2015-04-29 2016-12-07 杭州海康威视数字技术股份有限公司 人群视频分析方法及系统
US20170109855A1 (en) * 2015-10-19 2017-04-20 Lexisnexis Risk Solutions Fl Inc. Systems and methods for detecting linkages among individuals
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
US20180260615A1 (en) * 2017-03-07 2018-09-13 Bank Of America Corporation Performing image analysis for dynamic personnel identification based on a combination of biometric features
CN109635149A (zh) * 2018-12-17 2019-04-16 北京旷视科技有限公司 人物搜索方法、装置及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005234765A (ja) * 2004-02-18 2005-09-02 Omron Corp 画像取得装置及び捜索装置
CN101300588A (zh) * 2005-10-31 2008-11-05 伊斯曼柯达公司 确定收集中的特定人的方法
CN106203458A (zh) * 2015-04-29 2016-12-07 杭州海康威视数字技术股份有限公司 人群视频分析方法及系统
US20170109855A1 (en) * 2015-10-19 2017-04-20 Lexisnexis Risk Solutions Fl Inc. Systems and methods for detecting linkages among individuals
US20180260615A1 (en) * 2017-03-07 2018-09-13 Bank Of America Corporation Performing image analysis for dynamic personnel identification based on a combination of biometric features
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
CN109635149A (zh) * 2018-12-17 2019-04-16 北京旷视科技有限公司 人物搜索方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
甘勇: "智慧城市视频云建设应用研究", 现代计算机, pages 89 - 93 *

Also Published As

Publication number Publication date
CN112989083B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN107545241A (zh) 神经网络模型训练及活体检测方法、装置及存储介质
CN110619568A (zh) 风险评估报告的生成方法、装置、设备及存储介质
WO2019033574A1 (zh) 电子装置、动态视频人脸识别的方法、系统及存储介质
WO2022100337A1 (zh) 人脸图像质量评估方法、装置、计算机设备及存储介质
WO2021164466A1 (zh) 用户信息分析方法及系统
CN110598008A (zh) 录制数据的数据质检方法及装置、存储介质
CN109951449A (zh) 一种异常登录检测方法、装置、电子设备及存储介质
CN111353399A (zh) 篡改视频检测方法
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN113343898B (zh) 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备
CN113869253A (zh) 活体检测方法、训练方法、装置、电子设备及介质
CN111985400A (zh) 一种人脸活体识别方法、装置、设备及存储介质
CN112381118A (zh) 一种大学舞蹈考试测评方法及装置
CN112101191A (zh) 基于边框注意力网络的表情识别方法、装置、设备及介质
CN111507289A (zh) 视频匹配方法、计算机设备和存储介质
CN112989083B (zh) 人员身份分析方法、装置、设备及存储介质
CN116205723A (zh) 基于人工智能的面签风险检测方法及相关设备
WO2019187107A1 (ja) 情報処理装置、制御方法、及びプログラム
CN114781517A (zh) 风险识别的方法、装置及终端设备
CN111259689B (zh) 用于发送信息的方法和装置
CN113642472A (zh) 判别器模型的训练方法和动作识别方法
CN112925942A (zh) 一种数据搜索方法、装置、设备及存储介质
CN112183347A (zh) 基于深度空间梯度的活体检测方法、装置、设备及介质
CN113688784B (zh) 基于人脸识别的医保卡盗用风险识别方法及其相关设备
CN115050085B (zh) 基于图谱的模拟机管理系统对象识别方法、系统及设备

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