CN113128282A - 一种人群类别的划分方法、装置及终端 - Google Patents
一种人群类别的划分方法、装置及终端 Download PDFInfo
- Publication number
- CN113128282A CN113128282A CN201911414862.8A CN201911414862A CN113128282A CN 113128282 A CN113128282 A CN 113128282A CN 201911414862 A CN201911414862 A CN 201911414862A CN 113128282 A CN113128282 A CN 113128282A
- Authority
- CN
- China
- Prior art keywords
- crowd
- probability
- target
- target individual
- individual
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于数据分析和挖掘领域,提供一种人群类别的划分方法、装置及终端,其中方法包括:基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录;根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率;根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别,实现数据的软划分,且减少数据噪声,提升分析的准确性。
Description
技术领域
本申请属于数据分析和挖掘领域,尤其涉及一种人群类别的划分方法、装置及终端。
背景技术
在目前已经比较充分的数字化、互联网化的生活模式下,人的衣食住行、工作、教育、医疗等几乎所有活动,都被数字化、信息化,在这个过程中也就产生了海量的信息。在数据分析和挖掘领域,往往通过对数据的深入分析处理来发现隐含在数据中的有用模式,从而解决日常社会生活中的各种问题场景,例如针对人群的出行规律进行人们的出行预测,实现相关资源的调配。
目前有很多聚类算法可实现社区内人群的划分,但现有的数据分析及挖掘过程中,为了使海量数据能够被统一的收集并加以利用,会对信息增加统一标识,来形成数据综合统一的分析基础,实现的是数据的硬划分,且现实数据通常依赖于人为输入的准确性,但是人们在这些活动中,通常会使用一些非真实的身份信息,导致很多的噪音数据,影响分析的准确性。
发明内容
本申请实施例提供了一种人群类别的划分方法、装置及终端,以解决现有技术中对信息增加统一标识进行数据硬划分及数据噪声较大,影响分析准确性的问题。
本申请实施例的第一方面提供了一种人群类别的划分方法,包括:
基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录;
根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率;
根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
本申请实施例的第二方面提供了一种人群类别的划分装置,包括:
获取模块,用于基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录;
计算模块,用于根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率;
确定模块,用于根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
本申请实施例的第三方面提供了一种终端,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,所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
本申请实施例的第四方面提供了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,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本申请的第五方面提供了一种计算机程序产品,所述计算机程序产品上述第一方面所述方法的步骤。
由上可见,本申请实施例,基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录,根据该出行记录,计算目标个体属于各个人群类别的概率,根据目标个体属于各个人群类别的概率,确定目标个体对应的人群类别,实现基于分布式摄像头采集到的人像数据,利用无监督概率计算,从概率的角度给出一个具体的概率值来表述某个个体有多大的概率属于哪个类别,自动实现人群的划分,实现数据的软划分,且减少数据噪声,提升分析的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种人群类别的划分方法的流程图一;
图2是本申请实施例提供的获取目标个体的出行记录的流程图;
图3是本申请实施例提供的出行分布矩阵的结构图;
图4是本申请实施例提供的一种人群类别的划分方法的流程图二;
图5是本申请实施例提供的一种人群类别的划分装置的结构图;
图6是本申请实施例提供的一种终端的结构图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本申请实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,图1是本申请实施例提供的一种人群类别的划分方法的流程图一。如图1所示,一种人群类别的划分方法,该方法包括以下步骤:
步骤101,基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录。
该分布式摄像头具体为,分布设置于不同设定位置的摄像头。
在实施过程中,该摄像头可以为利用公共场合中已经设置好的现有监控摄像头进行数据采集。
该目标个体为至少一个个体,该个体的数量的多少具体取决于从分布式摄像头采集的第一人像数据中所识别出来的有效人脸数据量的多少。
该步骤,可应用于不同的场景下的人群,如进入商场的人群,社区中的居民等。基于分布式摄像头抓拍到的每个人的人像数据,实现对不同个体的出行记录的获取。
该出行记录包括:某一个体的具体出行时间,具体出行地点,或在哪一时间出现在哪一地点的记录。
其中,可以根据分布式摄像头的具体设置地点,获取得到抓拍到的人像所对应个人的出行地点。根据分布式摄像头对人像的抓拍时间,获取得到人像所对应个人在该设置地点的出行时间。
实现对不同人体的出行规律的获取,进而实现不同群体的划分。
例如,在社区中,实现区分出哪些人是正常的上班族,哪些是滞留在家中的老人或小孩,哪些是进入社区的快递或外卖人员等。
其中,作为一具体的实施方式,结合图2所示,该基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录,包括:
步骤1011,基于分布式摄像头采集的第一人像数据,提取人脸特征。
这里,从摄像头采集的人像数据中,进行人脸识别,以提取人脸特征,进行个体数据的初步获取。
通过人脸特征的识别及提取,实现数据的真实性,减少噪音数据,提升后续分析的准确性及精确程度。
步骤1012,计算各个所述人脸特征的相似度,并基于所述相似度从所述分布式摄像头采集的第一人像数据中,提取出所述目标个体对应的第二人像数据。
根据人脸特征之间的相似度,从摄像头采集的人像数据中进行人像数据处理,将相似度大于设定值的人脸图像确定为同一个个体的人脸图像,以实现对摄像头采集的人像数据按照所属的不同个体进行划分。
这里,当目标个体为一个个体时,则从摄像头采集的人像数据中提取出与该一个目标个体相对应的第二人像数据。
当目标个体为多个(即大于一个)个体时,则从摄像头采集的人像数据中分别提取出与每个个体相对应的第二人像数据。
步骤1013,根据所述目标个体对应的第二人像数据,结合所述分布式摄像头的分布式设置位置及所述第二人像数据的被采集时间,提取得到所述目标个体的出行记录。
该过程中,将一个个体对应的人像数据的被采集时间及采集地点进行整合,得到目标个体的出行记录。
具体可以是构建一人一档。当目标个体为多个个体时,分别确定每个目标个体的出行记录,并将不同目标个体的出行记录与对应目标个体进行分别的关联存储。
具体在实现过程中,通过分布式摄像头采集到的人像数据,提取人脸特征,再通过计算相似度,构建一人一档,即同一个个体的所有抓拍记录汇聚到唯一一个档案中,并形成对应的该个体的出行记录。
步骤102,根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率。
其中,该人群类别可以是事先确定好的人群类别,基于该目标个体对应的出行记录,实现与确定好的人群类别的出行特征进行匹配,实现对属于不同人群类别的概率的计算。
或者,该人群类别是未知的人群类别,可以先设定需要进行划分的人群类别的数量,基于该目标个体对应的出行记录进行特征归纳提取,确定得到该设定数量的人群类别,然后将每个目标个体对应的出行记录与该些设定数量的人群类别进行特征匹配,得到不同目标个体属于各个人群类别的概率。
该算法可实现社区内人群的划分,并得到不同个体属于各个人群类别的概率,不仅仅是非此即彼的硬划分。
且该过程中,无数据标签,基于不同个体的活动规律即什么时间出现在什么地方来进行,实现数据的概率化,输出每个人属于不同人群的概率,以实现预测下一个时刻出现在各地点的概率。
具体地,作为一可选的实施方式,所述根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率,包括:
基于所述出行记录,获取所述目标个体的出行时间和出行地点数据,得到所述目标个体对应的出行分布矩阵;基于所述出行分布矩阵,结合人群类别的数量,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率。
其中,一个所述出行分布矩阵中的元素表示对应个体在各个出行时刻出现在各个出行地点的次数。
从每一个人的所有抓拍记录中提取出抓拍时间和抓拍地点属性,即某个人在何时何地出现的所有记录,得到每一个人的出行分布矩阵,矩阵中的一个元素表示其在某一时刻出现在某一个地方的次数,如图3所示,表示某个个体x出行分布矩阵。矩阵中行表示拿时间进行的划分,如按一小时一划分;列表示地点,即分布式摄像头的位置。第t行第l列的元素表示,基于历史抓拍记录在t时刻出行在l这个位置的次数。
其中,该人群类别的数量,具体为事先设置好的一个数量值。基于该设定好的数量值,结合目标个体对应的出行分布矩阵,来确定不同目标个体属于与该设定好的数量值对应的人群类别的概率。
其中,选定将要把人群划分的类别数目时,这个类别数目需要先根据实际需求或经验确定,如:社区中的人群到底是给分成2类或3类,还是4个类别(群体),这个都是根据具体业务需求等要先确定好。
该过程,在具体实施时,可以是将出行分布矩阵作为无监督概率模型的输入,最终输出每个人属于各个人群类别的概率。进一步可预测每个人接下来出现在各个地方的概率。
具体地,该基于所述出行分布矩阵,结合人群类别的数量,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率,包括:
基于所述初始化的参数θ(0),通过如下公式:
其中,θ是待求解参数集合,为第k个人群类别所对应的出行概率分布矩阵中第t行第l列的元素值,t=1,2,...,T,l=1,2,...,m,k=1,2,...,K,k为人群类别的数量对应的编号;πk为一个个体属于第k个人群类别的概率;和πk (0)为随机选择的初始化参数;πk的右上标为迭代的次数;其中,yi为所述出行分布矩阵,具体就是第i个人的出行分布矩阵;z为隐变量;为第i个所述出行分布矩阵中第t行第l列的元素值,i=1,2,...,n;P(·)为概率值;为θ的目标估计值,为的目标估计值,为πk的目标估计值。
基于如下目标损失函数:
该过程中,除了获取到不同的目标个体属于各个人群类别的概率还获取到所述数量中各个人群类别的人群在不同时间出现在不同地点的出行概率分布矩阵估计得到模型的参数,实现模型训练。得到参数θ后,就能输出每个人分别属于第k个人群类别的概率。
具体地,属于哪个人群类别的概率最大,就对应这个人最终属于哪个类别(群体)。
步骤103,根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
具体地,可以是选取一个概率值符合要求的人群类别作为与目标个体对应的人群类别。
作为一可选的实施方式,其中,该根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别,包括:
根据所述目标个体属于各个人群类别的概率,确定概率值最高的人群类别为所述目标个体对应的人群类别。
本申请实施例,基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录,根据该出行记录,计算目标个体属于各个人群类别的概率,根据目标个体属于各个人群类别的概率,确定目标个体对应的人群类别,实现基于分布式摄像头采集到的人像数据,利用无监督概率计算过程,从概率的角度给出一个具体的概率值来表述某个个体有多大的概率属于哪个类别,自动实现人群的划分,实现数据的软划分,且减少数据噪声,提升分析的准确性。
本申请实施例中还提供了人群类别的划分方法的不同实施方式。
参见图4,图4是本申请实施例提供的人群类别的划分方法的流程图二。如图4所示,一种人群类别的划分方法,该方法包括以下步骤:
步骤401,基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录。
该步骤的实施过程与前述实施方式中的步骤101的实施过程相同,此处不再赘述。
步骤402,根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率。
该步骤的实施过程与前述实施方式中的步骤101的实施过程相同,此处不再赘述。
步骤403,根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
该步骤的实施过程与前述实施方式中的步骤101的实施过程相同,此处不再赘述。
具体地,在根据所述目标个体属于各个人群类别的概率确定所述目标个体对应的人群类别之后,该方法还包括:
步骤404,从所述目标个体中确定待预测个体。
该待预测个体为目标个体中的一个。
步骤405,基于所述待预测个体对应的人群类别,确定所述待预测个体在预设目标时刻的预测出现地点。
可以事先确定出与待预测个体对应的人群类别的出行规律或出行特征,例如某个人群类别的人群在不同时间出现在不同地点的出行概率,基于该待预测个体对应的人群类别,可以预测出来与属于该人群类别的该待预测个体在预设目标时刻的预测出现地点。
具体地,作为一可选的实施方式,其中,所述基于所述待预测个体对应的人群类别,确定所述待预测个体在预设目标时刻的预测出现地点,包括:
基于所述目标个体的出行记录中的出行时间和出行地点数据,获取各个所述人群类别的人群在不同时间出现在不同地点的出行概率分布矩阵;
根据所述待预测个体对应的人群类别,从各个所述人群类别分别对应的出行概率分布矩阵中确定目标出行概率分布矩阵;
基于所述目标出行概率分布矩阵,确定所述待预测个体在预设目标时刻的预测出现地点。
其中,该各个人群类别的人群的出行概率分布矩阵,描述的是这个类别(群体)的人在各个时间段出行在不同地点的概率,比如把一天划分成24个小时,社区有20个摄像头(表示不同的地点),那么这个类别的出行的概率分布矩阵就是一个20*24的矩阵,第i行第j列的元素表示的就是这个类别的人在i时刻(准确说应该是一个时间段,如9点)出现在地点j的概率,这里面有个概率分布,意思就是要满足概率分布的条件,即在i时刻出现在这20个地点的概率之和为1,当然也会存在某个时刻都不会出现的情况,如晚上睡觉不出来,处理的方式就是在这个时刻出现在20个地点是等可能的,为1/20。
该出行概率分布矩阵的确定,可以是在基于不同目标个体的出行记录的共性来确定人群类别的前提下,基于该些目标个体的出行记录,得到的不同类别的出行概率分布矩阵。
具体地,该出行概率分布矩阵的确定,可以是基于前述实施方式中的确定过程来实施,实现基于所述目标个体的出行记录中的出行时间和出行地点数据(即出行分布矩阵)获取各个所述人群类别的人群在不同时间出现在不同地点的出行概率分布矩阵。
本申请实施例,基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录,根据该出行记录,计算目标个体属于各个人群类别的概率,根据目标个体属于各个人群类别的概率,确定目标个体对应的人群类别,并确定目标个体中的待预测个体在预设目标时刻的预测出现地点,实现基于分布式摄像头采集到的人像数据,利用无监督概率计算过程,从概率的角度给出一个具体的概率值来表述某个个体有多大的概率属于哪个类别,自动实现人群的划分,实现数据的软划分,且减少数据噪声,并能实现一个个体在某一时刻点最可能出现的地点的预测,提升分析的准确性及可预测性。
参见图5,图5是本申请实施例提供的一种人群类别的划分装置的结构图,为了便于说明,仅示出了与本申请实施例相关的部分。
所述人群类别的划分装置500包括:
获取模块501,用于基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录;
计算模块502,用于根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率;
确定模块503,用于根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
其中,所述获取模块501具体用于:
基于分布式摄像头采集的第一人像数据,提取人脸特征;
计算各个所述人脸特征的相似度,并基于所述相似度从所述分布式摄像头采集的第一人像数据中,提取出所述目标个体对应的第二人像数据;
根据所述目标个体对应的第二人像数据,结合所述分布式摄像头的分布式设置位置及所述第二人像数据的被采集时间,提取得到所述目标个体的出行记录。
其中,所述计算模块502具体用于:
基于所述出行记录,获取所述目标个体的出行时间和出行地点数据,得到所述目标个体对应的出行分布矩阵;
基于所述出行分布矩阵,结合人群类别的数量,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率。
其中,所述确定模块503具体用于:
根据所述目标个体属于各个人群类别的概率,确定概率值最高的人群类别为所述目标个体对应的人群类别。
其中该装置还包括:
选取模块,用于从所述目标个体中确定待预测个体;
预测模块,用于基于所述待预测个体对应的人群类别,确定所述待预测个体在预设目标时刻的预测出现地点。
其中,所述预测模块具体用于:
基于所述目标个体的出行记录中的出行时间和出行地点数据,获取各个所述人群类别的人群在不同时间出现在不同地点的出行概率分布矩阵;
根据所述待预测个体对应的人群类别,从各个所述人群类别分别对应的出行概率分布矩阵中确定目标出行概率分布矩阵;
基于所述目标出行概率分布矩阵,确定所述待预测个体在预设目标时刻的预测出现地点。
本申请实施例提供的人群类别的划分装置能够实现上述人群类别的划分方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图6是本申请实施例提供的一种终端的结构图。如该图所示,该实施例的终端6包括:至少一个处理器60(图6中仅示出一个)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意各个方法实施例中的步骤。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端6中的执行过程。例如,所述计算机程序62可以被分割成获取模块、计算模块、确定模块、选取模块及预测模块。各模块具体功能如下:
获取模块,用于基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录;
计算模块,用于根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率;
确定模块,用于根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
其中,所述获取模块具体用于:
基于分布式摄像头采集的第一人像数据,提取人脸特征;
计算各个所述人脸特征的相似度,并基于所述相似度从所述分布式摄像头采集的第一人像数据中,提取出所述目标个体对应的第二人像数据;
根据所述目标个体对应的第二人像数据,结合所述分布式摄像头的分布式设置位置及所述第二人像数据的被采集时间,提取得到所述目标个体的出行记录。
其中,所述计算模块具体用于:
基于所述出行记录,获取所述目标个体的出行时间和出行地点数据,得到所述目标个体对应的出行分布矩阵;
基于所述出行分布矩阵,结合人群类别的数量,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率。
其中,所述确定模块具体用于:
根据所述目标个体属于各个人群类别的概率,确定概率值最高的人群类别为所述目标个体对应的人群类别。
其中该装置还包括:
选取模块,用于从所述目标个体中确定待预测个体;
预测模块,用于基于所述待预测个体对应的人群类别,确定所述待预测个体在预设目标时刻的预测出现地点。
其中,所述预测模块具体用于:
基于所述目标个体的出行记录中的出行时间和出行地点数据,获取各个所述人群类别的人群在不同时间出现在不同地点的出行概率分布矩阵;
根据所述待预测个体对应的人群类别,从各个所述人群类别分别对应的出行概率分布矩阵中确定目标出行概率分布矩阵;
基于所述目标出行概率分布矩阵,确定所述待预测个体在预设目标时刻的预测出现地点。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端6的示例,并不构成对终端6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器61可以是所述终端6的内部存储单元,例如终端6的硬盘或内存。所述存储器61也可以是所述终端6的外部存储设备,例如所述终端6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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,在本申请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。
所述集成的模块/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介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序产品来实现,当计算机程序产品在终端上运行时,使得所述终端执行时实现可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种人群类别的划分方法,其特征在于,包括:
基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录;
根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率;
根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
2.根据权利要求1所述的划分方法,其特征在于,所述基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录,包括:
基于分布式摄像头采集的第一人像数据,提取人脸特征;
计算各个所述人脸特征的相似度,并基于所述相似度从所述分布式摄像头采集的第一人像数据中,提取出所述目标个体对应的第二人像数据;
根据所述目标个体对应的第二人像数据,结合所述分布式摄像头的分布式设置位置及所述第二人像数据的被采集时间,提取得到所述目标个体的出行记录。
3.根据权利要求1所述的划分方法,其特征在于,所述根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率,包括:
基于所述出行记录,获取所述目标个体的出行时间和出行地点数据,得到所述目标个体对应的出行分布矩阵;
基于所述出行分布矩阵,结合人群类别的数量,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率。
4.根据权利要求1所述的划分方法,其特征在于,所述根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别,包括:
根据所述目标个体属于各个人群类别的概率,确定概率值最高的人群类别为所述目标个体对应的人群类别。
5.根据权利要求1所述的划分方法,其特征在于,所述根据所述目标个体属于各个人群类别的概率确定所述目标个体对应的人群类别之后,还包括:
从所述目标个体中确定待预测个体;
基于所述待预测个体对应的人群类别,确定所述待预测个体在预设目标时刻的预测出现地点。
6.根据权利要求5所述的划分方法,其特征在于,所述基于所述待预测个体对应的人群类别,确定所述待预测个体在预设目标时刻的预测出现地点,包括:
基于所述目标个体的出行记录中的出行时间和出行地点数据,获取各个所述人群类别的人群在不同时间出现在不同地点的出行概率分布矩阵;
根据所述待预测个体对应的人群类别,从各个所述人群类别分别对应的出行概率分布矩阵中确定目标出行概率分布矩阵;
基于所述目标出行概率分布矩阵,确定所述待预测个体在预设目标时刻的预测出现地点。
7.一种人群类别的划分装置,其特征在于,包括:
获取模块,用于基于分布式摄像头采集的第一人像数据,获取目标个体的出行记录;
计算模块,用于根据所述出行记录,通过无监督概率模型,计算所述目标个体属于各个人群类别的概率;
确定模块,用于根据所述目标个体属于各个人群类别的概率,确定所述目标个体对应的人群类别。
8.根据权利要求7所述的划分装置,其特征在于,所述获取模块具体用于:
基于分布式摄像头采集的第一人像数据,提取人脸特征;
计算各个所述人脸特征的相似度,并基于所述相似度从所述分布式摄像头采集的第一人像数据中,提取出所述目标个体对应的第二人像数据;
根据所述目标个体对应的第二人像数据,结合所述分布式摄像头的分布式设置位置及所述第二人像数据的被采集时间,提取得到所述目标个体的出行记录。
9.一种终端,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6任一项所述方法的步骤。
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6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414862.8A CN113128282A (zh) | 2019-12-31 | 2019-12-31 | 一种人群类别的划分方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414862.8A CN113128282A (zh) | 2019-12-31 | 2019-12-31 | 一种人群类别的划分方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128282A true CN113128282A (zh) | 2021-07-16 |
Family
ID=76770478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911414862.8A Pending CN113128282A (zh) | 2019-12-31 | 2019-12-31 | 一种人群类别的划分方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128282A (zh) |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130254152A1 (en) * | 2012-03-23 | 2013-09-26 | Palo Alto Research Center Incorporated | Distributed system and methods for modeling population-centric activities |
CN103488993A (zh) * | 2013-09-22 | 2014-01-01 | 北京联合大学 | 一种基于fast的人群异常行为识别方法 |
CN103699601A (zh) * | 2013-12-12 | 2014-04-02 | 深圳先进技术研究院 | 基于时空数据挖掘的地铁乘客分类方法 |
US20140122483A1 (en) * | 2012-10-26 | 2014-05-01 | Palo Alto Research Center Incorporated | System and method for determining a duration for user activities based on social-network events |
CN104077771A (zh) * | 2014-06-19 | 2014-10-01 | 哈尔滨工程大学 | 一种加权法实现空间限制的混合模型图像分割方法 |
CN104881637A (zh) * | 2015-05-09 | 2015-09-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于传感信息及目标追踪的多模信息系统及其融合方法 |
CN105718946A (zh) * | 2016-01-20 | 2016-06-29 | 北京工业大学 | 一种基于地铁刷卡数据的乘客出行行为分析方法 |
CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪系统及追踪方法 |
CN106096631A (zh) * | 2016-06-02 | 2016-11-09 | 上海世脉信息科技有限公司 | 一种基于手机大数据的流动人口分类识别分析方法 |
CN106469181A (zh) * | 2015-08-21 | 2017-03-01 | 方正国际软件(北京)有限公司 | 一种用户行为模式分析方法及装置 |
CN106503631A (zh) * | 2016-10-10 | 2017-03-15 | 深圳云天励飞技术有限公司 | 一种人群分析方法及计算机设备 |
US20170124430A1 (en) * | 2015-11-02 | 2017-05-04 | Kabushiki Kaisha Toshiba | Apparatus, method and program for classifying crowd |
CN107368916A (zh) * | 2017-06-16 | 2017-11-21 | 东南大学 | 基于贝叶斯概率模型的公共自行车用户出行目的预测方法 |
CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
US20180182489A1 (en) * | 2016-12-23 | 2018-06-28 | Koninklijke Philips N.V. | Measure-based chaining of notifications |
CN108230167A (zh) * | 2016-12-15 | 2018-06-29 | 上海博泰悦臻电子设备制造有限公司 | 一种匹配出行用户的方法、系统及车机 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
CN109376689A (zh) * | 2018-11-20 | 2019-02-22 | 图普科技(广州)有限公司 | 人群分析方法及装置 |
CN109657703A (zh) * | 2018-11-26 | 2019-04-19 | 浙江大学城市学院 | 基于时空数据轨迹特征的人群分类方法 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN110111143A (zh) * | 2019-04-28 | 2019-08-09 | 上海二三四五移动科技有限公司 | 一种建立移动端用户画像的控制方法以及控制装置 |
CN110443408A (zh) * | 2019-07-04 | 2019-11-12 | 特斯联(北京)科技有限公司 | 出行预测方法和装置 |
CN110519324A (zh) * | 2019-06-06 | 2019-11-29 | 特斯联(北京)科技有限公司 | 一种基于网络轨迹大数据的人物追踪方法与系统 |
CN110532432A (zh) * | 2019-08-21 | 2019-12-03 | 深圳供电局有限公司 | 一种人物轨迹检索方法及其系统、计算机可读存储介质 |
CN110609920A (zh) * | 2019-08-05 | 2019-12-24 | 华中科技大学 | 一种视频监控场景下的行人混合搜索方法及系统 |
-
2019
- 2019-12-31 CN CN201911414862.8A patent/CN113128282A/zh active Pending
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130254152A1 (en) * | 2012-03-23 | 2013-09-26 | Palo Alto Research Center Incorporated | Distributed system and methods for modeling population-centric activities |
US20140122483A1 (en) * | 2012-10-26 | 2014-05-01 | Palo Alto Research Center Incorporated | System and method for determining a duration for user activities based on social-network events |
CN103488993A (zh) * | 2013-09-22 | 2014-01-01 | 北京联合大学 | 一种基于fast的人群异常行为识别方法 |
CN103699601A (zh) * | 2013-12-12 | 2014-04-02 | 深圳先进技术研究院 | 基于时空数据挖掘的地铁乘客分类方法 |
CN104077771A (zh) * | 2014-06-19 | 2014-10-01 | 哈尔滨工程大学 | 一种加权法实现空间限制的混合模型图像分割方法 |
CN104881637A (zh) * | 2015-05-09 | 2015-09-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于传感信息及目标追踪的多模信息系统及其融合方法 |
CN106469181A (zh) * | 2015-08-21 | 2017-03-01 | 方正国际软件(北京)有限公司 | 一种用户行为模式分析方法及装置 |
US20170124430A1 (en) * | 2015-11-02 | 2017-05-04 | Kabushiki Kaisha Toshiba | Apparatus, method and program for classifying crowd |
CN105718946A (zh) * | 2016-01-20 | 2016-06-29 | 北京工业大学 | 一种基于地铁刷卡数据的乘客出行行为分析方法 |
CN106096631A (zh) * | 2016-06-02 | 2016-11-09 | 上海世脉信息科技有限公司 | 一种基于手机大数据的流动人口分类识别分析方法 |
CN106096577A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种摄像头分布地图中的目标追踪系统及追踪方法 |
CN106503631A (zh) * | 2016-10-10 | 2017-03-15 | 深圳云天励飞技术有限公司 | 一种人群分析方法及计算机设备 |
CN108230167A (zh) * | 2016-12-15 | 2018-06-29 | 上海博泰悦臻电子设备制造有限公司 | 一种匹配出行用户的方法、系统及车机 |
US20180182489A1 (en) * | 2016-12-23 | 2018-06-28 | Koninklijke Philips N.V. | Measure-based chaining of notifications |
CN107368916A (zh) * | 2017-06-16 | 2017-11-21 | 东南大学 | 基于贝叶斯概率模型的公共自行车用户出行目的预测方法 |
CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
CN109376689A (zh) * | 2018-11-20 | 2019-02-22 | 图普科技(广州)有限公司 | 人群分析方法及装置 |
CN109657703A (zh) * | 2018-11-26 | 2019-04-19 | 浙江大学城市学院 | 基于时空数据轨迹特征的人群分类方法 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN110111143A (zh) * | 2019-04-28 | 2019-08-09 | 上海二三四五移动科技有限公司 | 一种建立移动端用户画像的控制方法以及控制装置 |
CN110519324A (zh) * | 2019-06-06 | 2019-11-29 | 特斯联(北京)科技有限公司 | 一种基于网络轨迹大数据的人物追踪方法与系统 |
CN110443408A (zh) * | 2019-07-04 | 2019-11-12 | 特斯联(北京)科技有限公司 | 出行预测方法和装置 |
CN110609920A (zh) * | 2019-08-05 | 2019-12-24 | 华中科技大学 | 一种视频监控场景下的行人混合搜索方法及系统 |
CN110532432A (zh) * | 2019-08-21 | 2019-12-03 | 深圳供电局有限公司 | 一种人物轨迹检索方法及其系统、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220351543A1 (en) | Image scoring and identification based on facial feature descriptors | |
WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN106856015B (zh) | 一种考勤方法及装置 | |
CN108256568A (zh) | 一种植物种类识别方法以及装置 | |
CN112990318B (zh) | 持续学习方法、装置、终端及存储介质 | |
CN110689046A (zh) | 图像识别方法、装置、计算机装置及存储介质 | |
CN110444254B (zh) | 一种菌群标记物的检测方法、检测系统及终端 | |
CN111191601A (zh) | 同行用户识别方法、装置、服务器及存储介质 | |
CN115271931A (zh) | 一种信用卡产品的推荐方法、装置、电子设备和介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
US20160292258A1 (en) | Method and apparatus for filtering out low-frequency click, computer program, and computer readable medium | |
Xi et al. | Finger vein recognition based on the hyperinformation feature | |
CN113591900A (zh) | 一种高需求响应潜力用户的识别方法、装置及终端设备 | |
WO2019223082A1 (zh) | 客户类别分析方法、装置、计算机设备和存储介质 | |
US20220172271A1 (en) | Method, device and system for recommending information, and storage medium | |
CN113128282A (zh) | 一种人群类别的划分方法、装置及终端 | |
CN114357184A (zh) | 事项推荐方法及相关装置、电子设备和存储介质 | |
CN110751046B (zh) | 一种用户识别方法、装置、可读存储介质及终端设备 | |
CN113627542A (zh) | 一种事件信息处理方法、服务器及存储介质 | |
CN113065892A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN112184300A (zh) | 一种达人匹配方法、介质、系统和设备 | |
CN110163083A (zh) | 用户信息的匹配方法、装置及终端设备 | |
CN113868438B (zh) | 信息可信度的校准方法、装置、计算机设备及存储介质 | |
CN112529708B (zh) | 一种客户识别方法及装置、电子设备 | |
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 |
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 |