CN113947800A - 一种基于时空碰撞的人脸置信方法、系统、设备和介质 - Google Patents
一种基于时空碰撞的人脸置信方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN113947800A CN113947800A CN202111407777.6A CN202111407777A CN113947800A CN 113947800 A CN113947800 A CN 113947800A CN 202111407777 A CN202111407777 A CN 202111407777A CN 113947800 A CN113947800 A CN 113947800A
- Authority
- CN
- China
- Prior art keywords
- face
- collision
- target
- snapshot
- score
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F16/587—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于时空碰撞的人脸置信方法、系统、设备和介质,包括:获取抓拍场景中的人脸图像,对所述人脸图像进行归类构建人脸档案;根据所述抓拍场景内各抓拍设备的点位信息将对应抓拍设备与目标场所关联,预设各所述抓拍设备时空碰撞分数;获取所述目标场所内目标对象的到访记录,根据所述到访记录的时间节点确定与所述目标对象对应的目标抓拍设备;获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,其中,所述时空碰撞表示所述人脸档案与所述目标抓拍设备的时空交集。
Description
技术领域
本发明涉及智能安防领域,尤其涉及一种基于时空碰撞的人脸置信方法、系统、设备和介质。
背景技术
随着人工智能的不断发展,人脸与场景的关联应用也愈发广泛,如通过人脸携带的特征信息进行轨迹分析,人流统计等。但在一些实际应用场景中,如门店的匿名消费等,门店与公共区域信息难以准确关联,导致匿名人员的轨迹无法与其他信息进行融合,比如匿名轨迹在零售中只能知道顾客有没有去过商场,却不知道顾客有没有真正产生购买行为等。如何针对匿名信息进行准确的统计分析,成为当前亟需解决的一大难题。
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时空碰撞的人脸置信方法、系统、设备和介质,主要解决现有方法难以有效管控特定场所匿名信息,对应场所数据利用率低的问题。
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。
一种基于时空碰撞的人脸置信方法,包括:
获取抓拍场景中的人脸图像,对所述人脸图像进行归类构建人脸档案;
根据所述抓拍场景内各抓拍设备的点位信息将对应抓拍设备与目标场所关联,预设各所述抓拍设备时空碰撞分数;
获取所述目标场所内目标对象的到访记录,根据所述到访记录的时间节点确定与所述目标对象对应的目标抓拍设备;
获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,其中,所述时空碰撞表示所述人脸档案与所述目标抓拍设备的时空交集。
可选地,预设各所述抓拍设备时空碰撞分数,包括:
获取各所述抓拍设备抓拍图像的质量分数;
根据预先建立的质量分数与时空碰撞分数的对应关系,设置对应抓拍设备的时空碰撞分数。
可选地,获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,包括:
预设不同目标场所的时空碰撞筛选时长,根据对应目标场所的目标对象的到访时间节点以及对应的时空碰撞筛选时长确定所述预设时间段的上限和下限;
根据所述目标抓拍设备的抓拍记录确定目标对象关联的人脸图像;
从对应的人脸档案中检索所述预设时间段内所述关联的人脸图像被所述目标抓拍设备抓拍的次数,作为所述累积时空碰撞频率;
所述累积时空碰撞分数为所述累积时空碰撞频率与所述目标抓拍设备的时空碰撞分数的乘积。
可选地,当所述关联的人脸图像为多个时,分别获取各对应人脸档案的累积时空碰撞分数和累积时空碰撞频率;
若多个所述关联的人脸图像对应的人脸档案均满足所述分数阈值和所述频率阈值,则选择所述累积时空碰撞频率更高的人脸档案与对应的目标对象关联;
若多个所述人脸档案的时空碰撞频率一致,则选择所述累积时空碰撞分数最高的人脸档案与对应的目标对象关联。
可选地,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联之后,包括:
根据所述关联的人脸档案获取对应目标对象的同行目标,通过同行目标检索获取对应的同行人脸档案;
根据所述同行人脸档案构建对应目标对象的关联人脸图谱,以及各同行目标的活动轨迹。
可选地,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联之后,包括:
将关联结果输出至所述目标场所的管理终端,通过与所述管理终端进行交互,获取反馈结果,并根据所述反馈结果统计人脸档案与目标对象关联的正确率,若关联结果错误,则重新获取关联结果。
可选地,统计人脸档案与目标对象关联的正确率后,包括:
获取每个所述抓拍设备的正确时空碰撞的分布,获取预设第一置信度下的正确时空碰撞集中的时间区间,根据所述时间区间修正对应目标场所的时空碰撞的时间阈值;和/或,
根据所述抓拍设备的正确时空碰撞分布,获取预设第二置信度下的正确时空碰撞对应的抓拍设备的点位信息,修正对应的抓拍设备的时空碰撞分数。
一种基于时空碰撞的人脸置信方法,包括:
人脸档案构建模块,用于获取抓拍场景中的人脸图像,对所述人脸图像进行归类构建人脸档案;
设备关联模块,用于根据所述抓拍场景内各抓拍设备的点位信息将对应抓拍设备与目标场所关联,预设各所述抓拍设备时空碰撞分数;
目标抓拍设备确定模块,用于获取所述目标场所内目标对象的到访记录,根据所述到访记录的时间节点确定与所述目标对象对应的目标抓拍设备;
人脸档案关联模块,获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,其中,所述时空碰撞表示所述人脸档案与所述目标抓拍设备的时空交集。
一种设备,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行所述的基于时空碰撞的人脸置信方法。
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时空碰撞的人脸置信方法。
如上所述,本发明一种基于时空碰撞的人脸置信方法、系统、设备和介质,具有以下有益效果。
通过对应场景的人脸档案与场景内目标场所关联的抓拍设备进行时空碰撞,将目标场所内的目标对象与人脸档案关联,以便基于关联的人脸档案对目标对象在目标场所内的活动数据进行有效管理,实现目标对象基于人脸的实名化,有利于对匿名数据进行轨迹分析,提高匿名数据的利用率。
附图说明
图1为本发明一实施例中基于时空碰撞的人脸置信方法的流程示意图。
图2为本发明一实施例中基于时空碰撞的人脸置信系统的模块图。
图3为本发明一实施例中设备的结构示意图。
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,本发明提供基于时空碰撞的人脸置信方法,包括以下步骤。
步骤S1,获取抓拍场景中的人脸图像,对所述人脸图像进行归类构建人脸档案;
步骤S2,根据所述抓拍场景内各抓拍设备的点位信息将对应抓拍设备与目标场所关联,预设各所述抓拍设备时空碰撞分数;
步骤S3,获取所述目标场所内目标对象的到访记录,根据所述到访记录的时间节点确定与所述目标对象对应的目标抓拍设备;
步骤S4,获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,其中,所述时空碰撞表示所述人脸档案与所述目标抓拍设备的时空交集。
在一实施例中,抓拍设备可包括安装于对应抓拍场景下的抓拍摄像机。
在一实施例中,构建人脸档案包括以下步骤:
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,所述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所述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。所述的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
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所述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,所述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所述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
步骤3.1基于所述的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。示例性地,不妨假设已有人脸档案记为Fh={ai:[fci,(pi1,pi2,…pin)]},其中ai表示聚类结果唯一标志,fci表示ai的类特征中心,pin表示人脸图像唯一标志,(pi1,pi2,…pin)表示聚类结果ai中包含的人脸图像集合。示例性地,当前存在一人脸pk,对应的人脸特征为Jk,对应的人脸的关键结构化信息为俯仰角度:5,水平角度:10,人脸质量分数:80,性别:0,年龄:30,是否带口罩:1,显然满足进行聚类的准入条件。计算fk与所有fci的余弦相似度,设定相似度阈值为90%,情况一:得到与fc1的相似度最大且为95%,显然人脸pk与已有聚类结果的最大相似度95%大于设定的相似度阈值90%,则将该人脸归入到最大相似度对应的档案当中,即将p1归入到聚类结果a1中的人脸图像集合(pi1,pi2,…pin),重新计算人脸档案对应的年龄、性别,完成该人脸的聚类归档;情况二:得到与fci中的最大相似度为50%,显然人脸pk与已有聚类结果的最大相似度50%小于设定的相似度阈值90%,则新建人脸档案ai+1,并将pk归入到ai+1人脸图像集合中,此时ai+1人脸图像集合仅包含pk,ai+1的类特征中心为fci+1=fk。
步骤3.3所述已有的人脸档案为已存在的历史聚类结果,每个档案至少关联一张人脸图像,所述的类特征中心为每个人脸档案的代表特征向量。
步骤3.4更新人脸档案年龄的方式为剔除异常值后的均值更新,更新人脸档案性别的方式为占比更高的性别作为该人脸档案性别。具体地,人脸档案年龄的计算方式为归属该档案的所有人脸年龄剔除异常点后的均值,所述异常点衡量方式可以为格拉布斯(Grubbs)检验法、正态分布判断(3σ准则)等。示例性地,不妨采用正态分布判断,即当某个人脸年龄值a满足则该年龄为异常值,其中δ为该档案年龄值的标准差,为该档案所有人脸年龄均值,则不用进行更新年龄,否则计算均值更新档案年龄值。
步骤3.5更新人脸档案类中心特征方式为多阶段选择平均,所述多阶段选择平均具体为:当人脸档案的人脸数量小于数量阈值时,选择所有人脸特征向量的均值更新;当人脸档案的人脸数量等于数量阈值的整数倍时,使用选择加权平均更新。
步骤3.6示例性地,不妨将数量阈值设置为N。若某人脸待归入的档案中的人脸总数为,显然归入后则档案中的人脸总数为,假设该人脸特征为,归入前的档案特征设为,则归入后的档案特征,可以通过如下方式快速迭代计算得到:
步骤3.7示例性地,若某人脸待归入的档案中的人脸总数为N-1,显然归入后则档案中的人脸总数为N,显然为数量阈值N的整数倍,则选择所述选择加权平均方式。基于人脸档案内的所有人脸特征向量生成相似度矩阵,不妨设置为S,矩阵中每个元素可以表示为Sij,Sij也表示人脸档案内人脸pi与pj的的相似度,所述相似度为余弦相似度,i,j为档案内人脸的索引,且0=<i,j<N。对于相似度矩阵S中的每一个元素Sij,假设第二相似度阈值为93,若Sij大于设定的第二相似度阈值,则建立pi与pj的连接关系,即归入一个人脸子集当中,则最终构成人脸子集集合,显然人脸子集集合中至少包含一个人脸子集,对于每个人脸子集,选取子集中人脸质量分数最高的特征向量作为每个子集的代表特征向量,然后对所有子集的代表特征向量进行加权平均计算,最终得到每个档案的代表特征向量,即所述的类特征中心。所述加权平均中的加权系数为每个子集的人脸数量。示例性地,假设得到的三个子集,假设各子集中人脸质量分数最高人脸为pi、pj、pk,则选择对应的人脸特征分别为为fi、fj、fk作为各个子集的代表特征,此外,还可以计算得到每个子集包含的人脸数量为p,q,r。通过加权平均计算得到的类中心fcN,具体计算公式如下:
步骤4人脸档案清理
步骤4.1基于人脸档案抓拍轨迹的统计信息,对无效档案进行清洗。具体的清洗计算规则有基于性别分布失衡、基于档案无法合并、基于轨迹数量快速增长3种方式。
步骤4.2所述基于性别分布失衡清洗是指:因为可能存在在短时间内被一个相机多次抓拍的情况,因此首先需要对人脸档案的抓拍轨迹进行去重,接着根据每一条抓拍轨迹的男女性别比例进行统计,当系统识别到男女性别比例失衡时便将相应的人脸档案删除。示例的若一个档案的抓拍总数为N,按照同一个摄像头1分钟内只取1张照片参与统计计算的条件将抓拍总数N缩放为R,根据步骤2,已经识别了每张抓拍图的男女性别特征,对集合R的男女性别总数进行计算,识别为男的总数为R1,识别为女的总数为R2,比较R1与R2的大小,以较大的数为分母较小数为分子,本示例中不妨假设R1<R2,则当R1/R2>3/7时,便将该档案进行删除。
步骤4.3所述基于档案无法合并的清洗是指:因为可能存在一些特殊抓拍,如特殊抓拍角度等,导致某人的档案一直无法被合并。但该类档案的真实人脸实际以存在因此这类档案属于无效档案。示例的若一个档案的抓拍总数为N(N<3),连续15天该档案数总数一直小于3,则将该类档案进行删除。
步骤4.4所述基于轨迹数量异常增长的清洗是指:如步骤3所述,随着档案的轨迹数量增加,档案的特征将会进行加权,当一个档案产生聚档错误时,随着加权的产生将导致新的特征值特征趋向于平均,也就是不在具有特征效果,将导致不同人的抓拍照片都会聚类到该档案,同样随着不同人的轨迹增多,特征将会愈发平均形成负向循环,最终导致大量的抓拍被错误合并影响统计效果,因此需要对轨迹增长过快的档案进行删除。示例,假设系统稳定运行30天后,筛选出人脸档案在1天内最多增长轨迹量为A,当系统识别到某一个档案一天内的轨迹增长量为2A时则将该档案进行删除。
进一步地,可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。如摄像机a1-a5针对电气设备区域进行监控,摄像机a6-a11对餐饮区域进行监控。具体分类方式可根据实际应用需求进行设置,这里不作限制。
在一实施例中,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,所述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、归属某一个店铺等。示例性地,一般所述抓拍摄像机的点位信息从抓拍设备管理数据库中获取,所述抓拍摄像机唯一标志一般为该抓拍摄像机的设备ID。例如将A1/A2/A3这三个相机与店铺a关联。
在一实施例中,可与第三方系统对接获取人员的时空信息。具体地,系统提供标准接口或者访问第三方数据库的方式,获取外部数据,获取的数据内容根据实际业务需要包括但不限于匿名人员的人员id、确定出现的时间信息和地点信息。例如在商业环境中就是某个未知会员的手机号、在某个店铺消费的时间。时空信息对应目标对象的到访记录,到访记录还可包括对应目标对象的身份关联信息,如是否为门店会员等。
在一实施例中,将对应位置的抓拍摄像机与店铺进行关联后,预设各所述抓拍设备时空碰撞分数,包括:获取各所述抓拍设备抓拍图像的质量分数;根据预先建立的质量分数与时空碰撞分数的对应关系,设置对应抓拍设备的时空碰撞分数。具体地,可根据前述步骤的图像质量评分方法获取各抓拍设备的抓拍图像对应的质量分数,划分质量分数区间,建立质量分数与时空碰撞分数的对应关系。示例性地,可设置质量分数大于70分的抓拍设备的时空碰撞分数为5分,小于70分的抓拍设备的时空碰撞分数为3分,具体对应方式可根据实际应用需求进行调整,这里不作限制。由于整个人像档案受相机安装角度的影响,有的点位抓拍效果好,有的点位抓拍效果差,因此首先根据点位的实际安装情况,配置碰撞成功的得分。例如将抓拍效果好的点位设置为5分,将抓拍效果差的点位设置为3分。
在一实施例中,获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,包括:预设不同目标场所的时空碰撞筛选时长,根据对应目标场所的目标对象的到访时间节点以及对应的时空碰撞筛选时长确定所述预设时间段的上限和下限;根据所述目标抓拍设备的抓拍记录确定目标对象关联的人脸图像;从对应的人脸档案中检索所述预设时间段内所述关联的人脸图像被所述目标抓拍设备抓拍的次数,作为所述累积时空碰撞频率;所述累积时空碰撞分数为所述累积时空碰撞频率与所述目标抓拍设备的时空碰撞分数的乘积。
具体地,时空碰撞表示在某人确定出现的场合,在一段时间范围内必定会有摄像机的抓拍记录。因此首先要配置时间范围阈值,在时间范围内即认为碰撞成功,可以获得1次该点位的碰撞成功分数。在实际情况下由于相机的安装情况不同,时间范围阈值应根据点位单独设置。
配置时空碰撞的分数阈值,经过多次碰撞后,当分数和下文提到的频率达到某一阈值后系统会进行通知。
数据碰撞时除了考虑到碰撞成功的分数,也需要考虑到碰撞成功的频率,当频率也达到阈值后,系统可向对应店铺的终端发送通知信息,与店铺管理人员进行交互。
在一实施例中,可通过人脸档案获取人脸轨迹,与目标对象的时空信息进行时空碰撞。
具体地,系统可获取到匿名人员的身份标识、时间点信息、以及地点信息,根据对应店铺关联的专拍摄像机,系统可将地点信息转化为摄像头id。因此时空碰撞实际上就是以时间范围和设备id为条件在数据库中进行轨迹检索,当有轨迹满足时,统计累积时空碰撞分数。例如将碰撞的阈值设置为前后10秒,相机A1的时空碰撞分数为3分,第三方提供的订单数据在店铺a,id为138888888的会员,在13点30分25秒完成了一笔订单,通过数据库检索到档案id为291919239912的档案在店铺a关联的A1相机13点30分20秒有一次抓拍记录,因此291919239912人像档案与138888888的会员关联度为3分
在一实施例中,同一个人员id,有多条时空信息时,将每条时空信息按前述步骤进行检索,对满足条件的人脸档案进行积分累加。当所有时空信息碰撞完成后若有人脸档案满足步骤配置的分数阈值和频率阈值,系统即可认为该人员id与人脸档案匹配成功,将人脸档案与人员id关联,完成实名化。
在一实施例中,在实际业务中由于同行的情况存在,因此往往会出现多个人像档案同时满足积分阈值和频率阈值的情况,一般情况下采用的策略是频率优先,当频率一样时取积分较高的人脸档案。
在一实施例中,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联之后,包括:
根据所述关联的人脸档案获取对应目标对象的同行目标,通过同行目标检索获取对应的同行人脸档案;
根据所述同行人脸档案构建对应目标对象的关联人脸图谱,以及各同行目标的活动轨迹。
在一实施例中,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联之后,还可将关联结果输出至所述目标场所的管理终端,通过与所述管理终端进行交互,获取反馈结果,并根据所述反馈结果统计人脸档案与目标对象关联的正确率,若关联结果错误,则重新获取关联结果。
在一实施例中统计人脸档案与目标对象关联的正确率后,包括:
获取每个所述抓拍设备的正确时空碰撞的分布,获取预设第一置信度下的正确时空碰撞集中的时间区间,根据所述时间区间修正对应目标场所的时空碰撞的时间阈值;和/或,
根据所述抓拍设备的正确时空碰撞分布,获取预设第二置信度下的正确时空碰撞对应的抓拍设备的点位信息,修正对应的抓拍设备的时空碰撞分数。
具体地,完成实名化后可将某个特定人员的轨迹可以做到精准还原。在商业场景下,通过实名化,运营者可以清楚的了解某个会员去了哪些店铺,进行了多久停留,在整个商场的活动轨迹是怎样的,同时可结合同行人分析,判断其是否有孩子,是否结婚,年龄、性别等,形成完整的会员画像,运营者可对齐进行针对性的服务。在医保场景下,通过实名化,医保监管机构可分析某个医保结算订单是否存在骗保行为,例如某个住院报销订单关联的人像档案,通过人像档案的轨迹分析发现该档案的轨迹定期进出医院,同时从来未进出过住院病区,可考虑该订单存在疑似挂床住院的行为。可进一步核实。
在实际使用过程中,用户的使用可以起到标定的作用,通过终端对关联的目标对象和人脸档案进行标定,收集标的数据可以对碰撞的阈值进行自动调优。调优方式可包括:
基于时间规则调优,例如可以统计碰撞正确或者错误的条件下,每个相机的时间阈值,并统计其分布规律,当95%的正确碰撞都集中在前8秒后7秒时,当95的错误碰撞都集中在前10秒-前9秒,以及后8秒到10秒区间时,则将该相机的时间碰撞阈值从前10秒后10秒调整前8秒后8秒。
基于位置进行调优,通过分析统计碰撞正确的相机与错误碰撞的相机点位进行比较,若80%的正确碰撞都有A相机,而80%的错误碰撞没有A相机,则相应的提高A相机的碰撞分数。
请参阅图2,本实施例提供了一种基于时空碰撞的人脸置信系统,用于执行前述方法实施例中所述的基于时空碰撞的人脸置信方法。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,基于时空碰撞的人脸置信方法,包括:人脸档案构建模块10,用于获取抓拍场景中的人脸图像,对所述人脸图像进行归类构建人脸档案;设备关联模块11,用于根据所述抓拍场景内各抓拍设备的点位信息将对应抓拍设备与目标场所关联,预设各所述抓拍设备时空碰撞分数;目标抓拍设备确定模块12,用于获取所述目标场所内目标对象的到访记录,根据所述到访记录的时间节点确定与所述目标对象对应的目标抓拍设备;人脸档案关联模块13,获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,其中,所述时空碰撞表示所述人脸档案与所述目标抓拍设备的时空交集。
本申请实施例还提供了一种基于时空碰撞的人脸置信设备,该设备可以包括:一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述设备执行图1所述的方法。在实际应用中,该设备可以作为终端设备,也可以作为服务器,终端设备的例子可以包括:智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3,Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4,Moving Picture Experts Group Audio LayerIV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等,本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种机器可读介质,该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中基于时空碰撞的人脸置信方法所包含步骤的指令(instructions)。机器可读介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如:软盘、硬盘、磁带)、光介质(如:DVD)、或者半导体介质(如:固态硬盘Solid State Disk(SSD))等。
参阅图3,本实施例提供一种设备80,设备80可以是台式机、便携式电脑、智能手机等设备。详细的,设备80至少包括通过总线81连接的:存储器82、处理器83,其中,存储器82用于存储计算机程序,处理器83用于执行存储器82存储的计算机程序,以执行前述方法实施例中的全部或部分步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral PomponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
综上所述,本发明一种基于时空碰撞的人脸置信方法、系统、设备和介质,可结合不同的应用场景进行匿名信息与人脸的准确关联,有利于针对性的进行关联对象行为分析、轨迹分析等,增强用户体验。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)
1.一种基于时空碰撞的人脸置信方法,其特征在于,包括:
获取抓拍场景中的人脸图像,对所述人脸图像进行归类构建人脸档案;
根据所述抓拍场景内各抓拍设备的点位信息将对应抓拍设备与目标场所关联,预设各所述抓拍设备时空碰撞分数;
获取所述目标场所内目标对象的到访记录,根据所述到访记录的时间节点确定与所述目标对象对应的目标抓拍设备;
获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,其中,所述时空碰撞表示所述人脸档案与所述目标抓拍设备的时空交集。
2.根据权利要求1所述的基于时空碰撞的人脸置信方法,其特征在于,预设各所述抓拍设备时空碰撞分数,包括:
获取各所述抓拍设备抓拍图像的质量分数;
根据预先建立的质量分数与时空碰撞分数的对应关系,设置对应抓拍设备的时空碰撞分数。
3.根据权利要求1所述的基于时空碰撞的人脸置信方法,其特征在于,获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,包括:
预设不同目标场所的时空碰撞筛选时长,根据对应目标场所的目标对象的到访时间节点以及对应的时空碰撞筛选时长确定所述预设时间段的上限和下限;
根据所述目标抓拍设备的抓拍记录确定目标对象关联的人脸图像;
从对应的人脸档案中检索所述预设时间段内所述关联的人脸图像被所述目标抓拍设备抓拍的次数,作为所述累积时空碰撞频率;
所述累积时空碰撞分数为所述累积时空碰撞频率与所述目标抓拍设备的时空碰撞分数的乘积。
4.根据权利要求3所述的基于时空碰撞的人脸置信方法,其特征在于,当所述关联的人脸图像为多个时,分别获取各对应人脸档案的累积时空碰撞分数和累积时空碰撞频率;
若多个所述关联的人脸图像对应的人脸档案均满足所述分数阈值和所述频率阈值,则选择所述累积时空碰撞频率更高的人脸档案与对应的目标对象关联;
若多个所述人脸档案的时空碰撞频率一致,则选择所述累积时空碰撞分数最高的人脸档案与对应的目标对象关联。
5.根据权利要求1所述的基于时空碰撞的人脸置信方法,其特征在于,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联之后,包括:
根据所述关联的人脸档案获取对应目标对象的同行目标,通过同行目标检索获取对应的同行人脸档案;
根据所述同行人脸档案构建对应目标对象的关联人脸图谱,以及各同行目标的活动轨迹。
6.根据权利要求1所述的基于时空碰撞的人脸置信方法,其特征在于,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联之后,包括:
将关联结果输出至所述目标场所的管理终端,通过与所述管理终端进行交互,获取反馈结果,并根据所述反馈结果统计人脸档案与目标对象关联的正确率,若关联结果错误,则重新获取关联结果。
7.根据权利要求6所述的基于时空碰撞的人脸置信方法,其特征在于,统计人脸档案与目标对象关联的正确率后,包括:
获取每个所述抓拍设备的正确时空碰撞的分布,获取预设第一置信度下的正确时空碰撞集中的时间区间,根据所述时间区间修正对应目标场所的时空碰撞的时间阈值;和/或,
根据所述抓拍设备的正确时空碰撞分布,获取预设第二置信度下的正确时空碰撞对应的抓拍设备的点位信息,修正对应的抓拍设备的时空碰撞分数。
8.一种基于时空碰撞的人脸置信方法,其特征在于,包括:
人脸档案构建模块,用于获取抓拍场景中的人脸图像,对所述人脸图像进行归类构建人脸档案;
设备关联模块,用于根据所述抓拍场景内各抓拍设备的点位信息将对应抓拍设备与目标场所关联,预设各所述抓拍设备时空碰撞分数;
目标抓拍设备确定模块,用于获取所述目标场所内目标对象的到访记录,根据所述到访记录的时间节点确定与所述目标对象对应的目标抓拍设备;
人脸档案关联模块,获取预设时间段内所述人脸档案与所述目标抓拍设备的累积时空碰撞分数和累积时空碰撞频率,将满足所述累积时空碰撞分数的分数阈值和频率阈值的人脸档案与所述目标对象关联,其中,所述时空碰撞表示所述人脸档案与所述目标抓拍设备的时空交集。
9.一种设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行如权利要求1-7中任一所述的方法。
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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111407777.6A CN113947800A (zh) | 2021-11-24 | 2021-11-24 | 一种基于时空碰撞的人脸置信方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111407777.6A CN113947800A (zh) | 2021-11-24 | 2021-11-24 | 一种基于时空碰撞的人脸置信方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947800A true CN113947800A (zh) | 2022-01-18 |
Family
ID=79338620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111407777.6A Pending CN113947800A (zh) | 2021-11-24 | 2021-11-24 | 一种基于时空碰撞的人脸置信方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947800A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115017359A (zh) * | 2022-05-27 | 2022-09-06 | 浙江大华技术股份有限公司 | 一种搜索图片的方法、装置及电子设备 |
CN117333926A (zh) * | 2023-11-30 | 2024-01-02 | 深圳须弥云图空间科技有限公司 | 一种图片聚合方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-11-24 CN CN202111407777.6A patent/CN113947800A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115017359A (zh) * | 2022-05-27 | 2022-09-06 | 浙江大华技术股份有限公司 | 一种搜索图片的方法、装置及电子设备 |
CN117333926A (zh) * | 2023-11-30 | 2024-01-02 | 深圳须弥云图空间科技有限公司 | 一种图片聚合方法、装置、电子设备及可读存储介质 |
CN117333926B (zh) * | 2023-11-30 | 2024-03-15 | 深圳须弥云图空间科技有限公司 | 一种图片聚合方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Predicting citywide crowd flows in irregular regions using multi-view graph convolutional networks | |
CN113947800A (zh) | 一种基于时空碰撞的人脸置信方法、系统、设备和介质 | |
TWI743987B (zh) | 行為分析方法、電子設備和電腦儲存媒體 | |
Gupta et al. | Outlier detection for temporal data: A survey | |
Suprem et al. | Odin: Automated drift detection and recovery in video analytics | |
CN109740004B (zh) | 一种归档方法及装置 | |
CN109783685A (zh) | 一种查询方法及装置 | |
US12056183B2 (en) | Hyperzoom attribute analytics on the edge | |
CN113052079B (zh) | 一种基于人脸聚类的区域客流统计方法、系统、设备和介质 | |
CN112052387A (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN111738221A (zh) | 人脸聚类的方法、装置和计算机可读存储介质 | |
US20240233397A1 (en) | People and vehicle analytics on the edge | |
CN110503032B (zh) | 基于监控摄像头轨迹数据的个体重要场所探测方法 | |
CN112307143A (zh) | 一种时空轨迹构建方法、系统、设备和介质 | |
Noor | Behavior analysis-based iot services for crowd management | |
CN114743139A (zh) | 视频场景检索方法、装置、电子设备及可读存储介质 | |
WO2023051085A1 (zh) | 对象识别方法、装置、设备、存储介质和程序产品 | |
Liu et al. | Vehicle retrieval and trajectory inference in urban traffic surveillance scene | |
CN112115281A (zh) | 数据检索方法、装置及存储介质 | |
CN113901899A (zh) | 一种人物群体行为分析方法、系统、设备和介质 | |
CN114997259A (zh) | 图像聚类方法、图像聚类模型训练方法和电子设备 | |
CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
CN113920353A (zh) | 一种无监督的人脸图像二次聚类方法、装置、介质 | |
Zhang et al. | St-copot: Spatio-temporal clustering with contour polygon trees | |
CN109448287B (zh) | 一种安全监控方法、装置、可读存储介质及终端设备 |
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 |