CN113822367A - 一种基于人脸的区域行为分析方法、系统及介质 - Google Patents
一种基于人脸的区域行为分析方法、系统及介质 Download PDFInfo
- Publication number
- CN113822367A CN113822367A CN202111151466.8A CN202111151466A CN113822367A CN 113822367 A CN113822367 A CN 113822367A CN 202111151466 A CN202111151466 A CN 202111151466A CN 113822367 A CN113822367 A CN 113822367A
- Authority
- CN
- China
- Prior art keywords
- face
- analyzed
- files
- acquiring
- area
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 57
- 230000000694 effects Effects 0.000 claims description 45
- 238000012216 screening Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 24
- 238000010992 reflux Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 6
- 230000030279 gene silencing Effects 0.000 claims description 6
- 230000007306 turnover Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005206 flow analysis Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 12
- 230000001815 facial effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于人脸的区域行为分析方法、系统及介质，包括：根据所述待分析区域包含的图像采集设备建立设备集合，通过设备集合获取目标对象的人脸图像，并对人脸图像进行聚类，获取人脸档案，其中每个人脸档案对应一个目标对象；根据所述人脸档案获取所述待分析区域的目标对象信息，并根据所述目标对象信息获取所述待分析区域的目标群体指标，根据所述目标群体指标对所述待分析区域的具体事件进行分析，得到分析结果；根据所述人脸档案获取多个所述待分析区域间的区域关联度和/或目标对象在多个所述待分析区域内的流向；根据所述分析结果、目标对象流向或区域关联度调整对应区域的场景布局；本发明可有效提高针对人物流量分析的准确性。
Description
技术领域
本发明涉及智能数据处理领域，尤其涉及一种基于人脸的区域行为分析方法、系统及介质。
背景技术
随着人工智能的日益发展，深度学习及神经网络等模型算法的优化与迭代，基于行人以及人脸的应用越来越受重视，对行人的需求分析尤为重要，但现有技术难以对行人需求进行准确分析。如何利用目标场所的监控图像、行人信息记录等资源对行人大数据进行准确的群体行为分析是目前亟需解决的一大难题。以商场为例，首先需要了解目标对象的购物体验，传统的方法是利用目标对象的订单数据进行判断分析，得到区域与区域，品牌与品牌间的关联度为商场的活动、布局、招商等提供决策依据。
目前还没有一种比较好的手段能分析特定场所内部人流的轨迹流向，更多是基于历史的经验判断，对于特定场所内部人流的轨迹流向的分析准确率较低。
发明内容
鉴于以上现有技术存在的问题，本发明提出一种基于人脸的区域行为分析方法、系统及介质，主要解决现有行人群体行为分析依赖于历史经验，准确性不高的问题。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
一种基于人脸的区域行为分析方法，包括：
根据所述待分析区域包含的图像采集设备建立设备集合，通过设备集合获取目标对象的人脸图像，并对人脸图像进行聚类，获取人脸档案，其中每个人脸档案对应一个目标对象；
根据所述人脸档案获取所述待分析区域的目标对象信息，并根据所述目标对象信息获取所述待分析区域的目标群体指标，根据所述目标群体指标对所述待分析区域的具体事件进行分析处理，得到分析结果，其中所述目标群体指标包括：沉默率、活跃率、流失率、回流率以及新增率；
根据所述人脸档案获取多个所述待分析区域间的区域关联度和/或目标对象在多个所述待分析区域内的流向；
根据所述分析结果、目标对象流向或区域关联度调整对应区域的场景布局。
可选地，根据所述待分析区域包含的图像采集设备建立设备集合，包括：
对所述待分析区域内的各图像采集设备获取的人脸图像进行采样，获取采样人脸图像；
通过预设的人脸检测模型获取所述采样人脸图像的人脸质量分数，并将所述人脸质量分数作为对应图像采集设备分数，选出图像采集设备分数超出设定阈值的图像采集设备组成所述设备集合；其中，所述人脸质量分数包括：人脸角度分数和/或人脸清晰度分数。
可选地，获取所述沉默率的方式包括：
获取第一时间段内所述设备集合中有抓拍记录的所有人脸档案，作为第一档案集合；
筛选出在第二时间段内所述第一档案集合中对应所述设备集合没有抓拍记录的人脸档案，作为第二档案集合；
根据所述第二档案集合与所述第一档案集合的比值确定所述待分析区域的沉默率。
可选地，获取所述活跃率的方式包括：
统计预设时间段内所述设备集合中有抓拍记录的人脸档案数，得到所述预设时间段内的目标对象总数；
统计所述预设时间段内指定时间间隔重复出现的人脸档案数，得到活跃目标对象数；
根据所述活跃目标对象数与所述目标对象总数的比值确定所述待分析区域的活跃率。
可选地，获取所述流失率的方式包括：
统计预设时间段内所述设备集合中有抓拍记录的人脸档案数，得到第三档案集合；
统计所述预设时间段后连续多个时间段中所述第三档案集合中对应所述设备集合没有抓拍记录的人脸档案，作为第四档案集合；
计算所述第四档案集合中的人脸档案数与所述第三档案集合中人脸档案数的比值确定所述待分析区域的流失率。
可选地，获取所述回流率以及新增率的方式包括：
统计连续多个时间段内所述设备集合中没有抓拍记录的人脸档案数，得到第五档案集合；
统计所述连续多个时间段后预设时间段内所述第五档案集合中对应所述设备集合有抓拍记录的人脸档案，作为第六档案集合；
计算所述第六档案集合中的人脸档案数与所述第五档案集合中人脸档案数的比值确定所述待分析区域的回流率；
获取预设时间段内新增人脸档案数与总人脸档案数的比值作为所述新增率指标。
可选地，根据所述人脸档案获取多个所述待分析区域间的区域关联度，包括：
筛选出包含人脸特征数超过设定阈值的人脸档案，作为有效档案；
若两个待分析区域对应的设备集合对同一目标对象的有效档案都有抓拍记录，则对应的两个所述待分析区域为关联区域，并以包含共同目标对象的人脸档案数量作为关联区域的关联度。
根据所述人脸档案获取目标对象在多个所述待分析区域内的流向，包括：
筛选出包含人脸特征数超过设定阈值的人脸档案，作为有效档案；
以待分析区域出入口对应的图像采集设备的抓拍记录为筛选条件，获取出入口处目标对象，并根据不同待分析区域对应的有效档案，确定出入口处目标对象在不同待分析区域的出现次序，得到目标对象的流向。
一种基于人脸的区域行为分析系统，包括：
档案建立模块，用于根据所述待分析区域包含的图像采集设备建立设备集合，通过设备集合获取目标对象的人脸图像，并对人脸图像进行聚类，获取人脸档案，其中每个人脸档案对应一个目标对象；
活动分析模块，用于根据所述人脸档案获取所述待分析区域的目标对象信息，并根据所述目标对象信息获取所述待分析区域的目标群体指标，根据所述目标群体指标对所述待分析区域的具体事件进行分析处理，得到分析结果，其中所述目标群体指标包括：沉默率、活跃率、流失率、回流率以及新增率；
跨区域分析模块，用于根据所述人脸档案获取多个所述待分析区域间的区域关联度和/或目标对象在多个所述待分析区域内的流向；
信息反馈模块，用于根据所述分析结果、目标对象流向或区域关联度调整对应区域的场景布局。
一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的基于人脸的区域行为分析方法。
如上所述，本发明一种基于人脸的区域行为分析方法、系统及介质，具有以下有益效果。
通过人脸档案进行待分析区域具体事件分析、待分析区域之间的品牌关联度分析以及跨区域的人物群体流向分析，可有效保证针对区域的的人物流量分析的准确性。
附图说明
图1为本发明一实施例中基于人脸的区域行为分析方法的流程示意图。
图2为本发明另一实施例中基于人脸的区域行为分析方法的流程示意图。
图3为本发明一实施例中基于人脸的区域行为分析系统的模块图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明提供一种基于人脸的区域行为分析方法，包括以下步骤。
S01：根据待分析区域包含的图像采集设备建立设备集合，通过设备集合获取目标对象的人脸图像，并对人脸图像进行聚类，获取人脸档案，其中每个人脸档案对应一个目标对象；
S02：根据人脸档案获取待分析区域的目标对象信息，并根据所述目标对象信息获取待分析区域的目标群体指标，根据目标群体指标对待分析区域的具体事件进行分析处理，得到分析结果，其中目标群体指标包括：沉默率、活跃率、流失率、回流率以及新增率；
S03：根据人脸档案获取多个待分析区域间的区域关联度和/或目标对象在多个待分析区域内的流向；
S04：根据所述分析结果、目标对象流向或区域关联度调整对应区域的场景布局。
下面结合具体实施例对本申请基于人脸的区域行为分析方法进行详细阐述。
在一实施例中，可将商场、商业街等场所划分为多个待分析区域，针对每个待分析区域布设多个图像采集设备，以每个待分析区域的所有图像采集设备构建设备集合，通过设备集合中的图像采集设备如抓拍摄像机等进行人脸图像采集。
请参阅图2，步骤1、人脸图像采集，具体包括：
步骤1.1，通过抓拍摄像机获取的抓拍人脸图像信息包含实际人脸图像、设备ID、抓拍时间等，人脸图像通过人脸检测算法从抓拍场景图中进行识别获取。
步骤1.2，人脸检测算法一般为神经网络模型，如MTCNN、YOLO系列等目标检测模型。抓拍场景图可能包含一个或多个人脸，人脸检测算法需要识别出抓拍场景图中所有的可能人脸图像。
步骤2、人脸特征提取，具体包括：
步骤2.1，通过人脸解析服务对待聚类人脸图像进行人脸特征向量与结构化信息提取。
步骤2.2，人脸解析服务一般为一个或多个多任务的神经网络解析模型，该多任务的神经网络解析模型表示一个模型可以同时识别人脸图像的某几类或所有结构化信息与人脸特征信息。示例性地，如人脸解析模型为一个多任务神经网络模型，则通过该模型可以解析得到人脸特征并能回归预测所有结构化信息值，如人脸俯仰角度、水平角度、人脸质量分数、性别、年龄、是否带口罩等。
步骤2.3，人脸结构化信息包括人脸俯仰角度、水平角度、人脸质量分数、性别、年龄、是否带口罩等。示例性地，如人脸俯仰角度：0,水平角度：10，人脸质量分数：80，性别：0，年龄：30，是否带口罩：1等。
步骤3、人脸档案聚档，具体包括：
步骤3.1，基于人脸结构化信息对待聚类人脸的进行筛选，剔除低质量人脸，得到实际待聚类人脸。示例性地，因抓拍摄像机相对抓拍方位、光照等因素导致人脸俯仰角度过大、水平角度过大、人脸质量分数较低的待聚类人脸，这些人脸通常可辨识度很低，且会导致对应的人脸特征质量较差，对于最终聚类效果有较大且持续性的负面影响，均可视为脏数据进行过滤，不参与人脸聚类，有利于提高聚类效率与提高聚类准确性。示例性地，可以设置当人脸的俯仰角度>40或水平角度>50或人脸质量数据<30时,则将该人脸图像直接放入废片库当中，不进行聚类。
步骤3.2，将实际待聚类人脸特征向量与已有的人脸档案的类特征中心进行相似度比对，若某人脸与已有人脸档案的最大相似度满足设定的相似度阈值，则将该人脸归入到最大相似度对应的人脸档案中，完成该人脸的聚类，并更新对应人脸档案的年龄、性别、类特征中心。若某人脸与已有人脸档案的最大相似度不满足设定的相似度阈值，则新建人脸档案，并将人脸归入到新建人脸档案当中。
步骤4、获取所有的摄像机点位信息，并根据实际业务需要将摄像机进行分类。
步骤4.1，抓拍摄像机的点位信息包含但不限于抓拍摄像机唯一标志、经纬度坐标信息、地理位置信息、标签信息等，其中，标签信息可以为归属商圈、归属街道、归属社区、归属行政区划等。示例性地，一般抓拍摄像机的点位信息从抓拍设备管理数据库中获取，抓拍摄像机唯一标志一般为该抓拍摄像机的设备ID。
步骤4.2，对高价值摄像机进行筛选并关闭低价值摄像机。在实际安装部署中，往往很难在系统运行前就知道该相机点位安装是否合适，人像抓拍是否较好，因此需要通过系统自动分析的方式对相机的点位进行筛选。主要筛选方式包括：方式1，根据无效抓拍的比例进行筛选，系统自动对步骤3.1的无效图片进行统计，计算该点位无效抓拍图占该点位总抓拍图的比例，当该比例大于40％时即说明该点位不适合进行抓拍，系统自动关闭该点位的人脸采集；方式2，根据单档案的比例进行筛选。这里的单档案是指人脸档案中无法合并的档案，无法合并的档案中仅包含少量人脸特征，且对应人脸特征已在其他档案中存在，由于抓拍角度等差异导致得到的人脸特征与同一个人其他档案中人脸特征相似度无法满足合并需求。系统自动单档案进行统计，计算该单档案的抓拍来自于哪个点位的相机，计算该点位单档案抓拍图与有效抓拍图的比值，当该比值大于10％则关闭该点位的抓拍；方式3：对待分析区域内的各相机获取的人脸图像进行采样，获取采样人脸图像，采样的帧间隔可根据实际需求进行调整，这里不作限制；采用步骤2.2的方法获取采样人脸图像的人脸质量分数，并将所述人脸质量分数作为对应图像采集设备分数，选出图像采集设备分数超出设定阈值的图像采集设备组成所述设备集合；其中，人脸质量分数包括：人脸角度分数和/或人脸清晰度分数，可选地，人脸质量分数也可以是角度分数和清晰度分数的加权值。示例性地，若相机采样的多张人脸图像综合评分低于30分，则认为该相机不适合用于进行人脸采集，关闭对应相机，将高于30分的相机组成相机集合，用于采集人脸建立人脸档案。
步骤5，目标群体指标分析基于步骤3档案的统计情况，在一定的时间周期内，可以对人物流量的详细情况做二次分析，例如沉默率、活跃率、流失率、回流率、以及新增率等。
步骤5.1，获取待分析区域的沉默率包括：
获取第一时间段内所述设备集合中有抓拍记录的所有人脸档案，作为第一档案集合；
筛选出在第二时间段内第一档案集合中对应设备集合没有抓拍记录的人脸档案，作为第二档案集合；
根据第二档案集合与第一档案集合的比值确定待分析区域的沉默率。
具体地，以商场顾客的沉默率计算为例，沉默率计算方法如下：
计算商场A的沉默率指标(上月来过本月没有顾客总数占上月总顾客的比例)；
首先将a1、a2、a3……a100摄像机作为一个摄像机集合A，业务标签为商场A；
在数据库中筛选并统计上月在摄像头集合A中有抓拍的档案数有多少(即第一档案集合)，作为上月顾客总数，接着以本月在摄像头集合A中无抓拍数据作为条件对上月顾客总数的档案进行二次筛选，得到上月有抓拍本月无抓拍的数据(即第二档案集合)作为上月来过本月没有来过的顾客总数。两者相比即可计算出商场A的沉默率。
步骤5.2，获取待分析区域的活跃率包括：
统计预设时间段内设备集合中有抓拍记录的人脸档案数，得到预设时间段内的目标对象总数；
统计预设时间段内指定时间间隔重复出现的人脸档案数，得到活跃目标对象数；
根据活跃目标对象数与目标对象总数的比值确定待分析区域的活跃率。
具体地，以商场顾客活跃率计算为例，活跃率计算方法如下：
计算商场A的活跃率指标(本月内来过两次以上的顾客总数占总顾客的占比)；
在数据库中筛选并统计本月在摄像头集合A中有抓拍的档案数有多少，作为本月顾客总数，接着以本月在摄像头集合A中有两天以上抓拍的档案数作为活跃顾客数。两者相比即可计算出商场A的沉默率。
步骤5.3，获取待分析区域的流失率包括：
统计预设时间段内设备集合中有抓拍记录的人脸档案数，得到第三档案集合；
统计预设时间段后连续多个时间段中第三档案集合中对应设备集合没有抓拍记录的人脸档案，作为第四档案集合；
计算第四档案集合中的人脸档案数与第三档案集合中人脸档案数的比值确定待分析区域的流失率。
具体地，以商场顾客的流失率计算为例，流失率计算方法如下：
计算商场A的流失率指标(连续3个月没有来的顾客比例占3个月前来过的顾客比率)
以9月为例在数据库中筛选并统计，筛选5月在摄像头集合A中有抓拍记录的档案数作为3个月前的顾客总数。并用条件6月、7月、8月没有抓拍记录作为二次条件进行过滤得到连续3个月没有来的顾客，两者相比即是商场A9月份的流失率。
步骤5.4，获取所述待分析区域的回流率包括：
统计连续多个时间段内所述设备集合中没有抓拍记录的人脸档案数，得到第五档案集合；
统计所述连续多个时间段后预设时间段内所述第五档案集合中对应所述设备集合有抓拍记录的人脸档案，作为第六档案集合；
计算第六档案集合中的人脸档案数与第五档案集合中人脸档案数的比值确定待分析区域的回流率。
具体地，以商场顾客回流率计算为例，回流率计算方法如下：
计算商场A的回流率指标(连续3个月没有来但本月来了的顾客比例占本月又重新来过)；
以9月为例在数据库中筛选并统计，筛选9月在摄像头集合A中有抓拍记录的档案数作为本月到过商场顾客总数。并用条件6月、7月、8月没有抓拍记录作为二次条件进行过滤同时减去本月的新增档案数作为678月未到过商场但本月到过商场的顾客数，两者相比即是商场A9月份的回流率。
步骤5.5，获取所述待分析区域的新增率包括：
获取预设时间段内新增人脸档案数与总人脸档案数的比值作为所述新增率指标。
具体地，以商场顾客新增率计算为例，所述新增率计算方法如下：
计算商场A的新顾客指标(本月第一次来的顾客占本月所有顾客的人数)；
在数据库中筛选并统计本月在摄像头集合A中有抓拍的档案数有多少，作为上月顾客总数，接着以本月在摄像头集合A中有抓拍且新生成的档案作为新顾客数，两者相比即可计算出新顾客占比。同理可计算老顾客占比。
步骤6，活动分析是指根据用户的业务需要，对某一次的具体事件从人物流量的角度予以分析。具体事件可包括商场促销活动、产品上新活动等，一次活动分析需要关注3个指标，活动的拉新效果、活动的唤醒效果，活动的执行效果以及活动的留存效果。
步骤6.1，上述拉新效果指在活动完成后分析活动期间的到访人物流量中，有多少比例是全新人物流量。新顾客的计算方法如步骤5.5所示。
步骤6.2，上述唤醒效果指在活动完成后分析活动期间的到访人物流量中，有多少比例近一段时间内未曾到访的人物流量。流失顾客的计算方法如步骤5.4所示。
步骤6.3，上述执行效果指在活动完成后分析活动期间的到访人物流量中，人物流量的游逛深度分析。通过分析有抓拍记录的档案，用最后一条抓拍时间减去第一条抓拍时间即可分析出某个档案的游逛时间，对当天有抓拍的档案都进行游逛时间的分析并取平均数即可分析出来访人物流量的游逛深度。
步骤6.4，上述留存效果指在活动完成后分析活动期间的到访人物流量中，有多少比例在活动完成后的一段时间内有到访。回流人物流量的计算方法如步骤5.3所示。
步骤7，品牌关联度分析是基于人物流量档案的轨迹数据对品牌间的相关度进行分析。
在一实施例中，根据人脸档案获取多个待分析区域间的区域关联度，包括：筛选出包含人脸特征数超过设定阈值的人脸档案，作为有效档案；
若两个待分析区域对应的设备集合对同一目标对象的有效档案都有抓拍记录，则对应的两个待分析区域为关联区域，并以包含共同目标对象的人脸档案数量作为关联区域的关联度。
步骤7.1，首先根据业务需要设置区域标签，一个区域标签由a0、a1……等摄像机集合构成。
步骤7.2，在数据库中筛选出一段时间内有抓拍记录的档案，并按照抓拍轨迹总数大于10进行筛选，获取进行分析的有效档案。
步骤7.3，接着以在任意两个区域标签的摄像机有抓拍记录为条件进行筛选，筛选出的档案数即为两个区域的关联度。
步骤7.4，重复步骤3，计算出所有区域两两之间的关联度并进行从大到小排列。
步骤8，人物流量动线分析是基于人物流量档案的轨迹数据对人物流量的流向进行分析。
在一实施例中，根据人脸档案获取目标对象在多个待分析区域内的流向，包括：
筛选出包含人脸特征数超过设定阈值的人脸档案，作为有效档案；
以待分析区域出入口对应的图像采集设备的抓拍记录为筛选条件，获取出入口处目标对象，并根据不同待分析区域对应的有效档案，确定出入口处目标对象在不同待分析区域的出现次序，得到目标对象的流向。
步骤8.1首先根据业务需要设置出入口和区域标签，一个标签由a0、a1……等摄像机集合构成。
步骤8.2在数据库中筛选出一段时间内有抓拍记录的档案，并按照抓拍轨迹总数大于10进行筛选，获取进行分析的有效档案。
步骤8.3接着以首次抓拍为出入口标签的相机作为筛选条件进行二次筛选，对每个出入口进入的档案进行分类。
步骤8.4对从某一个出入口进入的人物流量，接下来进入的区域标签进行统计整理，计算出这批人物流量下一步各自去了哪些区域，以此类推，直到某一个档案的剩余的抓拍次数少于3则不再进行计算。
在一实施例中，场景布局包括区域广告投放，区域商品类别调整等。进一步，以商场运营为例，商场运营方可以根据以上分析情况进行自动化处理，以便进行精细化运营。例如识别到某两个区域或者品牌的相关度非常高，当顾客进行交易付费时，商场可以推送高关联度的品牌或者区域的广告，以促进顾客消费。或者当分析到女性人物流量动线较为固定且明显时，商场可在沿途针对性的投放广告，以达到精准营销的目的。
请参阅图3，本发明提供了一种基于人脸的区域行为分析系统，用于执行前述方法实施例中所述的基于人脸的区域行为分析方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，基于人脸的区域行为分析系统，包括：
档案建立模块10，用于根据所述待分析区域包含的图像采集设备建立设备集合，通过设备集合获取目标对象的人脸图像，并对人脸图像进行聚类，获取人脸档案，其中每个人脸档案对应一个目标对象；
活动分析模块11，用于根据所述人脸档案获取所述待分析区域的目标对象信息，并根据所述目标对象信息获取所述待分析区域的目标群体指标，根据所述目标群体指标对所述待分析区域的具体事件进行分析处理，得到分析结果，其中所述目标群体指标包括：沉默率、活跃率、流失率、回流率以及新增率；
跨区域分析模块12，用于根据所述人脸档案获取多个所述待分析区域间的区域关联度和/或目标对象在多个所述待分析区域内的流向；
信息反馈模块13，用于根据所述分析结果、目标对象流向或区域关联度调整对应区域的场景布局。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中基于人脸的区域行为分析方法所包含步骤的指令(instructions)。
综上所述，本发明一种基于人脸的区域行为分析方法、系统及介质，通过人脸档案进行人物流量分析，有效保证人物流量分析结果的准确性，减少对历史经验分析的依赖；自动对区域活动完成前后各项指标进行分析，形成快速有效的指标反馈，便于商户或运营方准确掌握人物流量变化情况，及时了解具体事件状态，有利于针对性的进行具体事件设置和调整；通过区域流向分析以及品牌关联度分析，可针对商品排布以及广告有效性设置进行准确分析，有效指导后续业务开展。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于人脸的区域行为分析方法，其特征在于，包括：
根据所述待分析区域包含的图像采集设备建立设备集合，通过设备集合获取目标对象的人脸图像，并对人脸图像进行聚类，获取人脸档案，其中每个人脸档案对应一个目标对象；
根据所述人脸档案获取所述待分析区域的目标对象信息，并根据所述目标对象信息获取所述待分析区域的目标群体指标，根据所述目标群体指标对所述待分析区域的具体事件进行分析处理，得到分析结果，其中所述目标群体指标包括：沉默率、活跃率、流失率、回流率以及新增率；
根据所述人脸档案获取多个所述待分析区域间的区域关联度和/或目标对象在多个所述待分析区域内的流向；
根据所述分析结果、目标对象流向或区域关联度调整对应区域的场景布局。
2.根据权利要求1所述的基于人脸的区域行为分析方法，其特征在于，根据所述待分析区域包含的图像采集设备建立设备集合，包括：
对所述待分析区域内的各图像采集设备获取的人脸图像进行采样，获取采样人脸图像；
通过预设的人脸检测模型获取所述采样人脸图像的人脸质量分数，并将所述人脸质量分数作为对应图像采集设备分数，选出图像采集设备分数超出设定阈值的图像采集设备组成所述设备集合；其中，所述人脸质量分数包括：人脸角度分数和/或人脸清晰度分数。
3.根据权利要求1所述的基于人脸的区域行为分析方法，其特征在于，所述沉默率的获取方式包括：
获取第一时间段内所述设备集合中有抓拍记录的所有人脸档案，作为第一档案集合；
筛选出在第二时间段内所述第一档案集合中对应所述设备集合没有抓拍记录的人脸档案，作为第二档案集合；
根据所述第二档案集合与所述第一档案集合的比值确定所述待分析区域的沉默率。
4.根据权利要求1所述的基于人脸的区域行为分析方法，其特征在于，所述活跃率的获取方式包括：
统计预设时间段内所述设备集合中有抓拍记录的人脸档案数，得到所述预设时间段内的目标对象总数；
统计所述预设时间段内指定时间间隔重复出现的人脸档案数，得到活跃目标对象数；
根据所述活跃目标对象数与所述目标对象总数的比值确定所述待分析区域的活跃率。
5.根据权利要求1所述的基于人脸的区域行为分析方法，其特征在于，所述流失率的获取方式包括：
统计预设时间段内所述设备集合中有抓拍记录的人脸档案数，得到第三档案集合；
统计所述预设时间段后连续多个时间段中所述第三档案集合中对应所述设备集合没有抓拍记录的人脸档案，作为第四档案集合；
计算所述第四档案集合中的人脸档案数与所述第三档案集合中人脸档案数的比值确定所述待分析区域的流失率。
6.根据权利要求1所述的基于人脸的区域行为分析方法，其特征在于，所述回流率以及所述新增率的获取方式包括：
统计连续多个时间段内所述设备集合中没有抓拍记录的人脸档案数，得到第五档案集合；
统计所述连续多个时间段后预设时间段内所述第五档案集合中对应所述设备集合有抓拍记录的人脸档案，作为第六档案集合；
计算所述第六档案集合中的人脸档案数与所述第五档案集合中人脸档案数的比值确定所述待分析区域的回流率；
获取预设时间段内新增人脸档案数与总人脸档案数的比值作为所述新增率。
7.根据权利要求1所述的基于人脸的区域行为分析方法，其特征在于，根据所述人脸档案获取多个所述待分析区域间的区域关联度，包括：
筛选出包含人脸特征数超过设定阈值的人脸档案，作为有效档案；
若两个待分析区域对应的设备集合对同一目标对象的有效档案都有抓拍记录，则对应的两个所述待分析区域为关联区域，并以包含共同目标对象的人脸档案数量作为关联区域的关联度。
8.根据权利要求1所述的基于人脸的区域行为分析方法，其特征在于，根据所述人脸档案获取目标对象在多个所述待分析区域内的流向，包括：
筛选出包含人脸特征数超过设定阈值的人脸档案，作为有效档案；
以待分析区域出入口对应的图像采集设备的抓拍记录为筛选条件，获取出入口处目标对象，并根据不同待分析区域对应的有效档案，确定出入口处目标对象在不同待分析区域的出现次序，得到目标对象的流向。
9.一种基于人脸的区域行为分析系统，其特征在于，包括：
档案建立模块，用于根据所述待分析区域包含的图像采集设备建立设备集合，通过设备集合获取目标对象的人脸图像，并对人脸图像进行聚类，获取人脸档案，其中每个人脸档案对应一个目标对象；
活动分析模块，用于根据所述人脸档案获取所述待分析区域的目标对象信息，并根据所述目标对象信息获取所述待分析区域的目标群体指标，根据所述目标群体指标对所述待分析区域的具体事件进行分析处理，得到分析结果，其中所述目标群体指标包括：沉默率、活跃率、流失率、回流率以及新增率；
跨区域分析模块，用于根据所述人脸档案获取多个所述待分析区域间的区域关联度和/或目标对象在多个所述待分析区域内的流向；
信息反馈模块，用于根据所述分析结果、目标对象流向或区域关联度调整业务布局。
10.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-8中一个或多个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111151466.8A CN113822367B (zh) | 2021-09-29 | 2021-09-29 | 一种基于人脸的区域行为分析方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111151466.8A CN113822367B (zh) | 2021-09-29 | 2021-09-29 | 一种基于人脸的区域行为分析方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822367A true CN113822367A (zh) | 2021-12-21 |
| CN113822367B CN113822367B (zh) | 2024-02-09 |
Family
ID=78921519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111151466.8A Active CN113822367B (zh) | 2021-09-29 | 2021-09-29 | 一种基于人脸的区域行为分析方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822367B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114286086A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种相机检测方法及相关装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060251292A1 (en) * | 2005-05-09 | 2006-11-09 | Salih Burak Gokturk | System and method for recognizing objects from images and identifying relevancy amongst images and information |
| WO2016190814A1 (en) * | 2015-05-25 | 2016-12-01 | Trakomatic Pte. Ltd | Method and system for facial recognition |
| CN109726674A (zh) * | 2018-12-28 | 2019-05-07 | 上海依图网络科技有限公司 | 一种人脸识别方法及装置 |
| CN110659615A (zh) * | 2019-09-26 | 2020-01-07 | 上海依图信息技术有限公司 | 基于人脸识别的客群流量及结构化分析系统及方法 |
| CN112016485A (zh) * | 2020-08-31 | 2020-12-01 | 罗普特科技集团股份有限公司 | 一种基于人脸识别的客流统计方法和系统 |
| CN112906725A (zh) * | 2019-11-19 | 2021-06-04 | 北京金山云网络技术有限公司 | 统计人流特征的方法、装置及服务器 |
| CN113052079A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 一种基于人脸聚类的区域客流统计方法、系统、设备和介质 |
-
2021
- 2021-09-29 CN CN202111151466.8A patent/CN113822367B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060251292A1 (en) * | 2005-05-09 | 2006-11-09 | Salih Burak Gokturk | System and method for recognizing objects from images and identifying relevancy amongst images and information |
| WO2016190814A1 (en) * | 2015-05-25 | 2016-12-01 | Trakomatic Pte. Ltd | Method and system for facial recognition |
| CN109726674A (zh) * | 2018-12-28 | 2019-05-07 | 上海依图网络科技有限公司 | 一种人脸识别方法及装置 |
| CN110659615A (zh) * | 2019-09-26 | 2020-01-07 | 上海依图信息技术有限公司 | 基于人脸识别的客群流量及结构化分析系统及方法 |
| CN112906725A (zh) * | 2019-11-19 | 2021-06-04 | 北京金山云网络技术有限公司 | 统计人流特征的方法、装置及服务器 |
| CN112016485A (zh) * | 2020-08-31 | 2020-12-01 | 罗普特科技集团股份有限公司 | 一种基于人脸识别的客流统计方法和系统 |
| CN113052079A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 一种基于人脸聚类的区域客流统计方法、系统、设备和介质 |
Non-Patent Citations (3)
| Title |
|---|
| JAMES W. TANAKA等: "The "parts and wholes" of face recognition: A review of the literature", 《THE QUARTERLY JOURNAL OF EXPERIMENTAL PSYCHOLOGY 》, vol. 69, no. 10, pages 1876 - 1889 * |
| 周超等: "城市轨道交通视频监控系统云边协同技术应用研究", 《铁道运输与经济》, vol. 42, no. 12, pages 106 - 110 * |
| 李永恒: "基于头部运动分析的考场内异常行为检测", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 1, pages 138 - 3850 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114286086A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种相机检测方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822367B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bachir et al. | Inferring dynamic origin-destination flows by transport mode using mobile phone data | |
| Van Etten et al. | The multi-temporal urban development spacenet dataset | |
| US11100335B2 (en) | Method for queue time estimation | |
| Li et al. | Studying the benefits of carpooling in an urban area using automatic vehicle identification data | |
| US20190373220A1 (en) | System and method for activity monitoring using video data | |
| JP6854881B2 (ja) | 顔画像照合システムおよび顔画像検索システム | |
| CN111476183A (zh) | 客流信息处理方法及装置 | |
| Rabbouch et al. | Unsupervised video summarization using cluster analysis for automatic vehicles counting and recognizing | |
| CN113111838B (zh) | 行为识别方法及装置、设备和存储介质 | |
| CN110322064A (zh) | 城市出行需求预测方法 | |
| Wirz et al. | Towards an online detection of pedestrian flocks in urban canyons by smoothed spatio-temporal clustering of GPS trajectories | |
| CN111353338A (zh) | 一种基于营业厅视频监控的能效改进方法 | |
| CN112329635B (zh) | 店铺客流统计方法和店铺客流统计装置 | |
| Dobler et al. | Patterns of urban foot traffic dynamics | |
| Lumentut et al. | Evaluation of recursive background subtraction algorithms for real-time passenger counting at bus rapid transit system | |
| CN113822367B (zh) | 一种基于人脸的区域行为分析方法、系统及介质 | |
| Ceccarelli et al. | Deep learning video analytics for the assessment of street experiments: The case of bologna | |
| Zhou et al. | Variability in individual home-work activity patterns | |
| CN112562315B (zh) | 一种获取车流信息的方法、终端及存储介质 | |
| WO2016172262A1 (en) | Systems and methods for processing video data for activity monitoring | |
| Patel et al. | Vehicle tracking and monitoring in surveillance video | |
| CN113516850B (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 | |
| CN113901899A (zh) | 一种人物群体行为分析方法、系统、设备和介质 | |
| Zimoch et al. | Human flow recognition using deep networks and vision methods | |
| Jingjing et al. | Portraying Footwear Customer Enter-Store Behavior in China: Based on Computer Vision Technology |
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 |