CN114898420A - 异常人脸档案识别方法、装置、电子装置和存储介质 - Google Patents
异常人脸档案识别方法、装置、电子装置和存储介质 Download PDFInfo
- Publication number
- CN114898420A CN114898420A CN202210319963.2A CN202210319963A CN114898420A CN 114898420 A CN114898420 A CN 114898420A CN 202210319963 A CN202210319963 A CN 202210319963A CN 114898420 A CN114898420 A CN 114898420A
- Authority
- CN
- China
- Prior art keywords
- archive
- abnormal
- identified
- file
- similarity
- 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
- 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
- G06V40/172—Classification, e.g. identification
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种异常人脸档案识别方法、装置、电子装置和存储介质,其中,该异常人脸档案识别方法包括:获取待识别档案,所述待识别档案中包括多张位置图像,多张所述位置图像包含拍摄时间以及位置坐标;基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案;若所述待识别档案为疑似异常档案,则获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案。通过本申请,解决了异常人脸档案识别的准确率不高的技术问题,降低了误判的概率,提高了异常人脸档案识别的精度,进而提高了安防监控的质量。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种异常人脸档案识别方法、装置、电子装置和存储介质。
背景技术
随着社会的不断发展,人们对公共安全的要求也不断提高。在安防领域,相关技术中常常将采集的人脸数据进行聚类,将同一人员的人脸、全身等图像聚集在一起,形成以人为单位的档案。档案中一般包含了多张图像以及每张图像的采集时间、采集地点等信息,通过档案可以还原出一个人的行动轨迹和落脚点,从而实现有效的跟踪和监控。
但是,由于人像聚类中人像识别存在误差等问题,导致广告牌人脸、广告模特人脸等非真实的人脸图像被聚集到档案中。为了解决上述问题,现有技术中对每个人的档案分别进行数量判断、比重判断以及时空信息判断,其中数量判断为判断档案中的人脸图像数量是否超过数量阈值,比重判断为判断档案中的人脸图像数量在总人脸图像数量中的比重是否超过比重阈值,时空信息判断为判断档案中任意两张人脸图像的时空信息是否满足异常条件,若有一条满足上述判断条件,则判定该档案为异常档案。但是,现有技术中的判断条件过于简单,且没有利用人脸图像中的图像内容进行异常性分析,当人员的活动范围较小时,人脸图像的数量、比重、时空信息等与非真实的人脸图像非常接近,容易产生错误判断,导致现有技术中异常人脸档案识别的准确率不高。
针对现有技术中存在异常人脸档案识别的准确率不高的技术问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种异常人脸档案识别方法、装置、电子装置和存储介质,以解决相关技术中异常人脸档案识别的准确率不高的问题。
第一个方面,在本实施例中提供了一种异常人脸档案识别方法,所述方法包括:
获取待识别档案,所述待识别档案中包括多张位置图像,多张所述位置图像包含拍摄时间以及位置坐标;
基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案;
若所述待识别档案为疑似异常档案,则获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案。
在其中的一些实施例中,所述基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案包括:
基于至少两张所述位置图像的拍摄时间以及对应的位置坐标获取待识别对象的移动速度;
将所述移动速度与速度阈值进行比较,若超出所述速度阈值,则判定所述待识别档案为疑似异常档案。
在其中的一些实施例中,所述基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案包括:
获取所述待识别档案中的位置图像的数量;
将所述位置图像的数量与数量阈值进行比较;
若所述位置图像的数量大于所述数量阈值,则基于至少两张所述位置图像的拍摄时间以及位置坐标判断所述待识别档案是否为疑似异常档案。
在其中的一些实施例中,所述获取所述疑似异常档案中至少两组所述位置图像之间的相似度之前还包括:
在第一预设时间段内以及第二预设时间段内分别获取多张位置图像;
基于采集时间将多张所述位置图像分为第一图像组以及第二图像组。
在其中的一些实施例中,所述获取所述疑似异常档案中至少两组所述位置图像之间的相似度之前还包括:
在第一预设地点以及第二预设地点分别获取多张位置图像;
基于采集地点将多张所述位置图像分为第一图像组以及第二图像组。
在其中的一些实施例中,所述获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案包括:
获取所述第一图像组的第一平均特征值,以及获取所述第二图像组的第二平均特征值;
基于所述第一平均特征值以及第二平均特征值得到相似度;
将所述相似度与相似度阈值进行比较,若超过所述相似度阈值,则所述疑似异常档案为异常人脸档案。
在其中的一些实施例中,所述获取待识别档案之前还包括:
将多张位置图像进行聚类,得到多个人脸档案。
第二个方面,在本实施例中提供了一种异常人脸档案识别装置,包括:
获取模块,用于获取待识别档案,所述待识别档案中包括多张位置图像,多张所述位置图像包含拍摄时间以及位置坐标;
第一判断模块,用于基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案;
第二判断模块,用于若所述待识别档案为疑似异常档案,则获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案。
第三个方面,在本实施例中提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上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个方面所述的异常人脸档案识别方法。
第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的异常人脸档案识别方法。
与相关技术相比,在本实施例中提供的异常人脸档案识别方法、装置、电子装置和存储介质,获取待识别档案,所述待识别档案中包括多张位置图像,多张所述位置图像包含拍摄时间以及位置坐标;基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案;若所述待识别档案为疑似异常档案,则获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案。通过时空条件以及相似度条件对待识别档案进行双重条件的判断,并通过图像内容信息对位置图像进行分析,解决了异常人脸档案识别的准确率不高的技术问题,降低了误判的概率,提高了异常人脸档案识别的精度,进而提高了安防监控的质量。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本发明一实施例的异常人脸档案识别方法的终端的硬件结构框图;
图2是本发明一实施例的异常人脸档案识别方法的流程示意图;
图3是本发明一实施例的异常人脸档案识别装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行,图1是本实施例的异常人脸档案识别方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104,其中,处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限制。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如在本实施例中的异常人脸档案识别方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
示例性地,由于现有技术中人像聚类可能出现识别错误的情形,导致非真实的人脸图像被聚类到档案中。这些非真实的人脸图像对监控没有分析意义,并且会降低识别效果。同时,由于非真实的人脸图像的位置一般是固定的,所以容易被大量重复抓拍,造成档案内的图像过多,对整个聚类系统的计算性能和存储空间造成巨大的压力。
在现有技术中一般通过档案内图像的数量、比重、时空信息等判断档案中是否包含非真实的人脸图像。但是,由于当抓拍对象的活动范围较小时,同样会产生大量的抓拍图像,并且其数量、比重以及时空信息与非真实的人脸图像非常接近。因此,仅仅依靠数量、比重、时空信息等信息进行判断,容易造成错误的判断结果。基于此,本发明中提供了一种异常人脸档案识别方法,以解决现有技术中的问题。
请参阅图2,图2是本发明一实施例的异常人脸档案识别方法的流程示意图。在本实施例中,异常人脸档案识别方法包括:
S202:获取待识别档案,待识别档案中包括多张位置图像,多张位置图像包含拍摄时间以及位置坐标。
示例性地,获取待识别档案。其中,待识别档案为预先建立的、每个待识别对象对应的档案,待识别档案中的每个位置图像均包含抓拍的拍摄时间以及位置坐标,以用于后续进行时空分析。
具体的,本实施例中的待识别档案还可以包括每个位置图像的图像特征。在后续识别过程中,可直接从存储器中获取位置图像的图像特征,无需实时进行图像特征提取。进一步,待识别档案还可以包括整体的融合图像特征,该融合图像特征可用于作为待识别档案的平均特征,以直接将获取的位置图像的图像特征与融合图像特征进行比较,无需与待识别档案中的所有位置图像逐一进行比对。
S204:基于待识别档案中至少两张位置图像的拍摄时间以及位置坐标,判断待识别档案是否为疑似异常档案。
示例性地,待识别档案中的每个位置图像均包含对应的拍摄时间以及位置坐标。随机获取待识别档案中至少两张位置图像,基于位置图像的拍摄时间以及位置坐标,判断位置图像中待识别对象的时空信息是否存在异常。若存在异常,则将该待识别档案判定为疑似异常档案。
在其中一个具体实施例中,若待识别对象在较短的时间段内的位置坐标的差异过大,则表明该待识别对象的运动轨迹存在异常,此时可以判定待识别档案为疑似异常档案;在另一个具体实施例中,若待识别对象处在较小的位置范围内的时间跨度过长,则表明抓拍的待识别对象可能是静止的广告牌等,此时可以判定待识别档案为疑似异常档案。
S206:若待识别档案为疑似异常档案,则获取疑似异常档案中至少两组位置图像之间的相似度,并基于相似度判断疑似异常档案是否为异常人脸档案。
示例性地,若待识别档案被判定为疑似异常档案,则随机获取疑似异常档案中至少两组位置图像,并计算位置图像之间的相似度,通过相似度判断进一步确定疑似异常档案是否为异常人脸档案。其中,每一组位置图像可以是单张位置图像,也可以是多张位置图像。具体的,获取位置图像的图像特征,并计算位置图像的图像特征之间的相似度,进一步通过相似度是否达到阈值条件以判断疑似异常档案是否为异常人脸档案。
应当说明的是,本实施例中的相似度是指位置图像之间的近似程度的数值,由于通过位置图像之间的偏差程度,亦可以反推出位置图像之间的近似程度,因此通过位置图像之间的偏差程度判断疑似异常档案是否为异常人脸档案的方案,亦在本实施例所保护的范围内。
本实施例获取待识别档案,待识别档案中包括多张位置图像,多张位置图像包含拍摄时间以及位置坐标;基于待识别档案中至少两张位置图像的拍摄时间以及位置坐标,判断待识别档案是否为疑似异常档案;若待识别档案为疑似异常档案,则获取疑似异常档案中至少两组位置图像之间的相似度,并基于相似度判断疑似异常档案是否为异常人脸档案。通过时空条件以及相似度条件对待识别档案进行双重条件的判断,并通过图像内容信息对位置图像进行分析,解决了异常人脸档案识别的准确率不高的技术问题,降低了误判的概率,提高了异常人脸档案识别的精度,进而提高了安防监控的质量。
在另一个实施例中,基于待识别档案中至少两张位置图像的拍摄时间以及位置坐标,判断待识别档案是否为疑似异常档案包括:
步骤1:基于至少两张位置图像的拍摄时间以及对应的位置坐标获取待识别对象的移动速度;
步骤2:将移动速度与速度阈值进行比较,若超出速度阈值,则判定待识别档案为疑似异常档案。
示例性地,获取至少两张位置图像的拍摄时间以及位置坐标,通过拍摄时间以及位置坐标确定待识别对象的移动速度。其中,移动速度可以是单位时间内的坐标变化,例如单位时间内的经纬度坐标的变化量,也可以是单位时间内的移动距离,例如在单位时间内实际移动的物理距离的变化量。将移动速度与预设的速度阈值进行比较,若移动速度超过速度阈值,则判定待识别档案为疑似异常档案。可以理解的,在预设的时间范围内,待识别对象的运动速度或者通过交通工具的移动速度具有一定的上限,因此待识别对象的位置应当在一定的变化范围内。若超出该范围,则表明两张位置图像的待识别对象很可能存在非真实的对象,此时待识别档案中可能存在包含非真实对象的位置图像。
可以理解的,由于非真实对象通常表现为广告牌人脸等静止对象,从实践中看,广告牌等通常具有一定的投放量,所以在多个地方会被反复抓拍。当在一定的时间范围内,抓拍到两个距离过远的待识别对象时,由于一般情况下待识别对象无法在很短的时间段内经过这两个地方,因此待识别对象很可能为非真实的对象。基于此,可通过移动速度判断待识别对象是否为非真实对象。
在其中一个具体实施例中,获取待识别档案中所有位置图像的拍摄时间以及位置坐标,并计算出待识别对象的移动速度。具体的,根据拍摄时间对位置图像排序,随机获取序列中的两张位置图像,以及两张位置图像对应的经纬度坐标(X1,Y1)、(X2,Y2)和拍摄时间T1,T2,则待识别对象的距离的计算公式为:
D=Radius*arccos(sin(X1)*sin(X2)+cos(X1)*cos(X2)*cos(Y1-Y2))
其中Radius为地球半径。在另一个具体实施例中,可以通过半正矢公式计算待识别对象的距离。得到待识别对象在拍摄时间段内的距离后,进一步计算待识别对象的移动速度:
若该移动速度大于速度阈值,则判定该待识别档案为疑似异常档案。
可选的,本发明中的时空分析方法并不限于本实施例中通过移动速度进行分析,其他的时空分析方法亦在本发明的保护范围内。例如,若在同一时间点抓拍到同一对象不同地点的位置图像,则表明该对象很可能是非真实的对象。
本实施例基于至少两张位置图像的拍摄时间以及对应的位置坐标获取待识别对象的移动速度;将移动速度与速度阈值进行比较,若超出速度阈值,则判定待识别档案为疑似异常档案。通过位置图像的拍摄时间以及位置坐标,确定待识别对象的移动速度,并通过移动速度判断待识别档案是否为疑似异常档案,计算方法简单,无需复杂的时空信息分析,从而降低了异常人脸档案识别的计算成本,并且更为直观的体现了待识别对象的位置变化方式,进而提高了识别效率。
在另一个实施例中,基于待识别档案中至少两张位置图像的拍摄时间以及位置坐标,判断待识别档案是否为疑似异常档案包括:
步骤1:获取待识别档案中的位置图像的数量;
步骤2:将位置图像的数量与数量阈值进行比较;
步骤3:若位置图像的数量大于数量阈值,则基于至少两张位置图像的拍摄时间以及位置坐标判断待识别档案是否为疑似异常档案。
示例性地,对待识别档案中的位置图像进行统计,得到位置图像的数量并与预设的数量阈值进行比较,若位置图像的数量大于数量阈值,则进一步通过时空信息判断待识别档案是否为疑似异常档案;若位置图像的数量小于数量阈值,则判定待识别档案中为疑似异常档案。
可以理解的,由于广告牌、广告模特等非真实的对象一般处于绝对静止的状态,并且会在多个地点大量投放,因此会抓拍到大量重复的位置图像。而真实的人体对象,一般会处于运动状态,或者短暂的静止状态与运动状态的混合状态,绝对静止的状态很少,所以抓拍到的位置图像也较少。基于此,通过对待识别档案的位置图像的数量进行阈值判断,可以确定可能存在非真实对象的待识别档案。
本实施例获取待识别档案中的位置图像的数量;将位置图像的数量与数量阈值进行比较;若位置图像的数量大于数量阈值,则基于至少两张位置图像的拍摄时间以及位置坐标判断待识别档案是否为疑似异常档案。通过对待识别档案中位置图像的数量进行阈值判断,实现待识别档案的初步筛选,以快速过滤出可能异常的待识别档案,为后续的识别过程缩小了分析范围,无需对所有的待识别档案进行时空分析,降低了异常人脸档案识别的计算成本,进而提高了识别效率。
在另一个实施例中,获取疑似异常档案中至少两组位置图像之间的相似度之前还包括:
步骤1:在第一预设时间段内以及第二预设时间段内分别获取多张位置图像;
步骤2:基于采集时间将多张位置图像分为第一图像组以及第二图像组。
示例性地,分别设置第一预设时间段以及第二预设时间段,并获取第一预设时间段以及第二预设时间段内的多张位置图像,进一步根据采集的预设时间段分为第一图像组以及第二图像组。其中,第一预设时间段以及第二预设时间段可以基于实际需要进行设置。
可以理解的,通过第一图像组与第二图像组之间进行相似度对比,可以降低单独的图像对比中的偶然事件对结果的影响。第一图像组以及第二图像组的位置图像的数量越多,识别结果出错的概率越低,但是计算成本也越高。在实际应用中,可基于具体的需求进行设置。
具体的,第一预设时间段可以与第二预设时间段相同,也可以不同。优选的,第一预设时间段与第二预设时间段相同,以降低不同时间段的光照、天气等对位置图像成像效果的影响。在其中一个具体实施例中,采用分层抽样的方式,随机获取每一个小时的预设数量的位置图像,并将每层抽样获取的位置图像分成第一图像组以及第二图像组,在后续识别过程中分别计算第一图像组的平均特征值,以及第二图像组的平均特征值,进而计算第一图像组与第二图像组的相似度。
在另一个实施例中,获取疑似异常档案中至少两组位置图像之间的相似度之前还包括:
步骤1:在第一预设地点以及第二预设地点分别获取多张位置图像;
步骤2:基于采集地点将多张位置图像分为第一图像组以及第二图像组。
示例性地,分别设置第一预设地点以及第二预设地点,并获取第一预设地点以及第二预设地点的多张位置图像,进而根据采集的预设地点分为第一图像组以及第二图像组。其中,第一预设地点以及第二预设地点可以基于实际需要进行设置。可以理解的,通过第一图像组与第二图像组之间进行相似度对比,可以降低单独的图像对比中的偶然事件对结果的影响。
具体的,第一预设地点可以与第二预设地点相同,也可以不同。优选的,第一预设地点与第二预设地点相同,以降低不同的拍摄条件对位置图像的影响。在其中一个具体实施例中,随机获取每个抓拍地点的预设数量的位置图像,并将获取的位置图像分成第一图像组以及第二图像组,在后续识别过程中分别计算第一图像组的平均特征值,以及第二图像组的平均特征值,进而计算第一图像组与第二图像组的相似度。
可以理解的,上述两个实施例中建立第一图像组以及第二图像组的方法仅仅作为示例,本发明中第一图像组以及第二图像组的建立方法并不限于此。例如,通过随机抽样的方式,获取疑似异常档案中预设数量的位置图像,并划分成第一图像组以及第二图像组。
在另一个实施例中,获取疑似异常档案中至少两组位置图像之间的相似度,并基于相似度判断疑似异常档案是否为异常人脸档案包括:
步骤1:获取第一图像组的第一平均特征值,以及获取第二图像组的第二平均特征值;
步骤2:基于第一平均特征值以及第二平均特征值得到相似度;
步骤3:将相似度与相似度阈值进行比较,若超过相似度阈值,则疑似异常档案为异常人脸档案。
示例性地,分别获取第一图像组的第一平均特征值,以及第二图像组的第二平均特征值。对第一平均特征值以及第二平均特征值进行相似度计算,得到第一图像组与第二图像组的相似度,并将该相似度与预设的相似度阈值进行比较。若相似度超过相似度阈值,则表明疑似异常档案为异常人脸档案。可以理解的,由于非真实的对象一般为静止的、相同的对象,因此其相似度很高。基于此,若相似度越高,则表明位置图像中的待识别对象是非真实对象的可能性越高,通过相似度的阈值判断,可以确定疑似异常档案中是否包含非真实对象的位置图像。
在其中一个具体实施例中,获取图像组中每个图像的图像特征并进行平均值统计,得到图像组的平均特征值。在另一个具体实施例中,按照拍摄时间的顺序,将图像组的所有图像作为输入,直接获取图像组的整体图像特征,作为平均特征值。其中,图像组的平均特征值可以为特征值矩阵。
可选的,随机抽样获取的位置图像,也可以分成两个以上的图像组,统计任两个图像组之间的相似度并进行汇总,得到多个图像组之间的总相似度,基于总相似度确定疑似异常档案是否为异常人脸档案。
本实施例获取第一图像组的第一平均特征值,以及获取第二图像组的第二平均特征值;基于第一平均特征值以及第二平均特征值得到相似度;将相似度与相似度阈值进行比较,若超过相似度阈值,则疑似异常档案为异常人脸档案。通过获取第一图像组的第一平均特征值以及第二图像组的第二平均特征值,进而计算相似度并进行相似度阈值判断,以确定疑似异常档案是否为异常人脸档案,降低了单独的图像对比中的偶然事件对结果的影响,提高了异常人脸档案识别的准确率。
在另一个实施例中,相似度为余弦相似度。
示例性地,相似度包括但不限于余弦相似度。其中,余弦相似度是指通过两个向量之间的夹角之间的余弦值来评估的向量之间的相似度。
在其中一个具体实施例中,获取第一图像组的第一平均特征值M,以及第二图像组的第二平均特征值N后,计算第一图像组与第二图像组之间的余弦相似度:
其中,M·N表示第一平均特征值M与第二平均特征值N的点乘,||M||*||N||表示第一平均特征值M与第二平均特征值N各自的L2范数相乘,其中L2范数为向量中所有元素的平方值相加后开平方的值。余弦相似度Similarity的取值范围为[-1,1],取值越大,第一图像组与第二图像组的相似程度越大。获取余弦相似度后,将余弦相似度与预先设置的相似度阈值进行比较,若预先相似度超过相似度阈值,则将该疑似异常档案判定为异常人脸档案。
可以理解的,本实施例中的余弦相似度仅仅作为示例,本发明中的相似度还可以是其他如距离相似度等。具体的,通过L1范数确定第一图像组与第二图像组之间的距离相似度。
在另一个实施例中,获取待识别档案之前还包括:
将多张位置图像进行聚类,得到多个人脸档案。
示例性地,获取多张位置图像后,通过聚类算法建立每个待识别对象对应的人脸档案。
具体的,待识别档案为经过聚类形成的、每个待识别对象类别对应的位置图像的集合。在其中一个具体实施例中,获取待识别对象在预设时间范围以及预设空间范围内的轨迹数据,例如,待识别对象当天在某区范围内产生的轨迹(A1,A2,A3,A4,A5),每个轨迹点包括位置图像以及对应的拍摄时间、位置坐标等信息。按照轨迹点的时间顺序,分别将待识别对象的位置图像与之前保存的档案进行相似度对比,例如,获取轨迹点A1的位置图像的图像特征,与所有保存的档案的图像特征进行相似度计算,如果轨迹点A1的位置图像的图像特征与A档案的图像特征的相似度满足预先设定的阈值条件,则将轨迹点A1并入A档案中;如果轨迹点A1的位置图像的图像特征与所有档案的图像特征的相似度均不满足阈值条件,则新建立档案B,将轨迹点A1并入档案B。重复上述过程,直到所有待识别对象的所有轨迹点均并入档案中。
可以理解的,由于所有的待识别对象均对应着一个或者多个档案,之后的所有识别步骤均可以基于档案内位置图像的融合图像特征进行操作,而不是基于单独的图像,大幅降低了计算成本。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种异常人脸档案识别装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是本发明一实施例的异常人脸档案识别装置的结构框图,如图3所示,该装置包括:
获取模块10,用于获取待识别档案,待识别档案中包括多张位置图像,多张位置图像包含拍摄时间以及位置坐标;
第一判断模块20,用于基于待识别档案中至少两张位置图像的拍摄时间以及位置坐标,判断待识别档案是否为疑似异常档案;
第一判断模块20,还用于基于至少两张位置图像的拍摄时间以及对应的位置坐标获取待识别对象的移动速度;
将移动速度与速度阈值进行比较,若超出速度阈值,则判定待识别档案为疑似异常档案;
第一判断模块20,还用于获取待识别档案中的位置图像的数量;
将位置图像的数量与数量阈值进行比较;
若位置图像的数量大于数量阈值,则基于至少两张位置图像的拍摄时间以及位置坐标判断待识别档案是否为疑似异常档案;
第二判断模块30,用于若待识别档案为疑似异常档案,则获取疑似异常档案中至少两组位置图像之间的相似度,并基于相似度判断疑似异常档案是否为异常人脸档案;
第二判断模块30,还用于获取第一图像组的第一平均特征值,以及获取第二图像组的第二平均特征值;
基于第一平均特征值以及第二平均特征值得到相似度;
将相似度与相似度阈值进行比较,若超过相似度阈值,则疑似异常档案为异常人脸档案;
异常人脸档案识别装置,还包括第一建立模块;
第一建立模块,用于在第一预设时间段内以及第二预设时间段内分别获取多张位置图像;
将多张位置图像分为第一图像组以及第二图像组;
异常人脸档案识别装置,还包括第二建立模块;
第二建立模块,用于在第一预设地点以及第二预设地点分别获取多张位置图像;
将多张位置图像分为第一图像组以及第二图像组;
异常人脸档案识别模块,还包括聚类模块;
聚类模块,用于将多张位置图像进行聚类,得到多个人脸档案。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取待识别档案,待识别档案中包括多张位置图像,多张位置图像包含拍摄时间以及位置坐标;
S2,基于待识别档案中至少两张位置图像的拍摄时间以及位置坐标,判断待识别档案是否为疑似异常档案;
S3,若待识别档案为疑似异常档案,则获取疑似异常档案中至少两组位置图像之间的相似度,并基于相似度判断疑似异常档案是否为异常人脸档案。
需要说明的是,在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,在本实施例中不再赘述。
此外,结合上述实施例中提供的异常人脸档案识别方法,在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种异常人脸档案识别方法。
应该明白的是,这里描述的具体实施例只是用来解释这个应用,而不是用来对它进行限定。根据本申请提供的实施例,本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例,均属本申请保护范围。
显然,附图只是本申请的一些例子或实施例,对本领域的普通技术人员来说,也可以根据这些附图将本申请适用于其他类似情况,但无需付出创造性劳动。另外,可以理解的是,尽管在此开发过程中所做的工作可能是复杂和漫长的,但是,对于本领域的普通技术人员来说,根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段,不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是,本申请中描述的实施例在没有冲突的情况下,可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常人脸档案识别方法,其特征在于,所述方法包括:
获取待识别档案,所述待识别档案中包括多张位置图像,多张所述位置图像包含拍摄时间以及位置坐标;
基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案;
若所述待识别档案为疑似异常档案,则获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案。
2.根据权利要求1所述的异常人脸档案识别方法,其特征在于,所述基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案包括:
基于至少两张所述位置图像的拍摄时间以及对应的位置坐标获取待识别对象的移动速度;
将所述移动速度与速度阈值进行比较,若超出所述速度阈值,则判定所述待识别档案为疑似异常档案。
3.根据权利要求1所述的异常人脸档案识别方法,其特征在于,所述基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案包括:
获取所述待识别档案中的位置图像的数量;
将所述位置图像的数量与数量阈值进行比较;
若所述位置图像的数量大于所述数量阈值,则基于至少两张所述位置图像的拍摄时间以及位置坐标判断所述待识别档案是否为疑似异常档案。
4.根据权利要求1所述的异常人脸档案识别方法,其特征在于,所述获取所述疑似异常档案中至少两组所述位置图像之间的相似度之前还包括:
在第一预设时间段内以及第二预设时间段内分别获取多张位置图像;
基于采集时间将多张所述位置图像分为第一图像组以及第二图像组。
5.根据权利要求1所述的异常人脸档案识别方法,其特征在于,所述获取所述疑似异常档案中至少两组所述位置图像之间的相似度之前还包括:
在第一预设地点以及第二预设地点分别获取多张位置图像;
基于采集地点将多张所述位置图像分为第一图像组以及第二图像组。
6.根据权利要求4或5所述的异常人脸档案识别方法,其特征在于,所述获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案包括:
获取所述第一图像组的第一平均特征值,以及获取所述第二图像组的第二平均特征值;
基于所述第一平均特征值以及第二平均特征值得到相似度;
将所述相似度与相似度阈值进行比较,若超过所述相似度阈值,则所述疑似异常档案为异常人脸档案。
7.根据权利要求6所述的异常人脸档案识别方法,其特征在于,所述获取待识别档案之前还包括:
将多张位置图像进行聚类,得到多个人脸档案。
8.一种异常人脸档案识别装置,其特征在于,包括:
获取模块,用于获取待识别档案,所述待识别档案中包括多张位置图像,多张所述位置图像包含拍摄时间以及位置坐标;
第一判断模块,用于基于所述待识别档案中至少两张所述位置图像的拍摄时间以及位置坐标,判断所述待识别档案是否为疑似异常档案;
第二判断模块,用于若所述待识别档案为疑似异常档案,则获取所述疑似异常档案中至少两组所述位置图像之间的相似度,并基于所述相似度判断所述疑似异常档案是否为异常人脸档案。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的异常人脸档案识别方法。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的异常人脸档案识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319963.2A CN114898420A (zh) | 2022-03-29 | 2022-03-29 | 异常人脸档案识别方法、装置、电子装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319963.2A CN114898420A (zh) | 2022-03-29 | 2022-03-29 | 异常人脸档案识别方法、装置、电子装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114898420A true CN114898420A (zh) | 2022-08-12 |
Family
ID=82715310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210319963.2A Pending CN114898420A (zh) | 2022-03-29 | 2022-03-29 | 异常人脸档案识别方法、装置、电子装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898420A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376192A (zh) * | 2022-09-01 | 2022-11-22 | 北京瑞莱智慧科技有限公司 | 用户异常行为确定方法、装置、计算机设备及存储介质 |
CN116503815A (zh) * | 2023-06-21 | 2023-07-28 | 宝德计算机系统股份有限公司 | 一种基于大数据的计算机视觉处理系统 |
-
2022
- 2022-03-29 CN CN202210319963.2A patent/CN114898420A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376192A (zh) * | 2022-09-01 | 2022-11-22 | 北京瑞莱智慧科技有限公司 | 用户异常行为确定方法、装置、计算机设备及存储介质 |
CN115376192B (zh) * | 2022-09-01 | 2024-01-30 | 北京瑞莱智慧科技有限公司 | 用户异常行为确定方法、装置、计算机设备及存储介质 |
CN116503815A (zh) * | 2023-06-21 | 2023-07-28 | 宝德计算机系统股份有限公司 | 一种基于大数据的计算机视觉处理系统 |
CN116503815B (zh) * | 2023-06-21 | 2024-01-30 | 宝德计算机系统股份有限公司 | 一种基于大数据的计算机视觉处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114898420A (zh) | 异常人脸档案识别方法、装置、电子装置和存储介质 | |
CN109783685B (zh) | 一种查询方法及装置 | |
CN109740004B (zh) | 一种归档方法及装置 | |
CN111008640A (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN109800664B (zh) | 一种确定路人轨迹的方法及装置 | |
CN108563651B (zh) | 一种多视频的目标搜索方法、装置及设备 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN109426785A (zh) | 一种人体目标身份识别方法及装置 | |
CN111414949A (zh) | 图片聚类方法、装置、电子设备及存储介质 | |
CN114357216A (zh) | 一种人像聚档方法、装置、电子设备及存储介质 | |
CN111445442B (zh) | 基于神经网络的人群计数方法、装置、服务器及存储介质 | |
CN112528099A (zh) | 一种基于大数据的人员同行分析方法、系统、设备及介质 | |
CN112328820A (zh) | 通过人脸图像搜索车辆图像的方法、系统、终端及介质 | |
CN109447112A (zh) | 一种人像聚类方法、电子设备和存储介质 | |
CN117095198A (zh) | 遥感图像检索网络训练方法、应用方法、电子设备及介质 | |
CN111061916A (zh) | 一种基于多目标库图像识别的视频共享系统 | |
CN115880754A (zh) | 一种多档合并的方法、装置及电子设备 | |
CN110751046B (zh) | 一种用户识别方法、装置、可读存储介质及终端设备 | |
CN111723761B (zh) | 异常人脸图像的确定方法、装置及存储介质 | |
CN112905816B (zh) | 虹膜搜索识别方法、装置、处理器及电子装置 | |
CN114373209A (zh) | 基于视频的人脸识别方法、装置、电子设备及存储介质 | |
CN115359390A (zh) | 一种图像处理方法及装置 |
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 |