CN115424353A - 基于ai模型的业务用户特征识别方法及系统 - Google Patents
基于ai模型的业务用户特征识别方法及系统 Download PDFInfo
- Publication number
- CN115424353A CN115424353A CN202211087812.5A CN202211087812A CN115424353A CN 115424353 A CN115424353 A CN 115424353A CN 202211087812 A CN202211087812 A CN 202211087812A CN 115424353 A CN115424353 A CN 115424353A
- Authority
- CN
- China
- Prior art keywords
- user
- feature point
- point
- image information
- service user
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06V40/60—Static or dynamic means for assisting the user to position a body part for biometric acquisition
- G06V40/67—Static or dynamic means for assisting the user to position a body part for biometric acquisition by interactive indications to the user
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于AI模型的业务用户特征识别方法及系统,涉及人工智能技术领域。在本发明中,对目标业务用户进行图像信息采集操作,以输出目标业务用户对应的图像信息集合。对于图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,用户特征点集合包括多个用户特征点。通过预先训练形成的AI模型对用户特征点集合包括的用户特征点进行识别操作,以输出目标业务用户的用户身份特征信息。基于上述方法,可以提高对用户特征识别的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于AI模型的业务用户特征识别方法及系统。
背景技术
人工智能(Artificial Intelligence,AI)也称为智械、机器智能等,是指由人制造出来的机器所表现出来的智能。通常地,人工智能是指通过普通计算机程序来呈现人类智能的技术。人工智能于一般教材中的定义领域是“智能主体(intelligent agent)的研究与设计”,智能主体指一个可以观察周遭环境并作出行动以达致目标的系统。约翰·麦卡锡于1955年的定义是“制造智能机器的科学与工程”。安德里亚斯·卡普兰(Andreas Kaplan)和迈克尔·海恩莱因(Michael Haenlein)将人工智能定义为“系统正确解释外部数据,从这些数据中学习,并利用这些知识通过灵活适应实现特定目标和任务的能力”。人工智能的研究是高度技术性和专业的,各分支领域都是深入且各不相通的,因而,涉及范围极广。
其中,在人工智能的较多应用中,包括基于人工智能进行用户特征识别。在现有技术中,一般是通过人工智能模型(神经网络模型)对整张图像进行识别,使得图像中的可能存在的干扰信息,对识别结果造成影响,从而导致对用户特征识别的可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于AI模型的业务用户特征识别方法及系统,以提高对用户特征识别的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于AI模型的业务用户特征识别方法,应用于特征识别服务器,所述基于AI模型的业务用户特征识别方法包括:
对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合,所述图像信息集合包括多帧业务用户图像,所述多帧业务用户图像通过对目标业务用户的相同部位进行连续的信息采集形成;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,所述用户特征点集合包括多个用户特征点;
通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述用户身份特征信息用于反映所述目标业务用户的用户身份。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合的步骤,包括:
在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,对所述用户请求信息对应的用户终端设备进行图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合;
在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的图像信息集合。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,对所述用户请求信息对应的用户终端设备进行图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合的步骤,包括:
在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,依据预先配置的动作提示信息,生成图像信息采集指令;
对所述用户请求信息对应的用户终端设备进行所述图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合,且在进行图像信息采集操作的过程中,所述用户终端设备还用于根据所述图像信息采集指令中携带的所述动作提示信息对目标业务用户进行动作提示操作。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的图像信息集合的步骤,包括:
在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的原始图像信息集合,再对所述原始图像信息集合包括的业务用户图像进行动作识别操作,以输出所述目标业务用户对应的动作识别结果;
将所述动作识别结果和预先设置的动作识别结果对比信息进行对比操作,以确定出所述动作识别结果是否与所述动作识别结果对比信息匹配;
在所述动作识别结果与所述动作识别结果对比信息不匹配的条件下,重新通过所述用户终端设备对所述目标业务用户进行图像信息采集操作,以形成新的原始图像信息集合,直到所述新的原始图像信息集合对应的新的动作识别结果与所述动作识别结果对比信息匹配;
在所述动作识别结果与所述动作识别结果对比信息匹配的条件下,将所述原始图像信息集合标记为图像信息集合。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合的步骤,包括:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像中的每一个像素点进行灰度值确定操作,以输出该业务用户图像中的每一个像素点对应的像素灰度值;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据该业务用户图像中的每一个像素点对应的像素灰度值,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据该业务用户图像中的每一个像素点对应的像素灰度值,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合的步骤,包括:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像中的每一个像素点,将该像素点作为预先配置的规则图形的中心点,从该业务用户图像中提取出该规则图形的边缘经过的每一个相关像素点;
依据预先配置的滑窗长度,对所述规则图形的边缘进行滑窗分割操作,以形成所述规则图形对应的多条滑窗子边缘,对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像中的每一个像素点,分别将该像素点对应的像素灰度值和每一条滑窗子边缘经过的相关像素点的像素灰度值进行大小比较操作,以及,在存在任意一条滑窗子边缘经过的每一个相关像素点的像素灰度值与该像素点对应的像素灰度值之间的大小关系相同的条件下,将该像素点标记为候选用户特征点;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,从该业务用户图像对应的候选用户特征点中,筛查出满足预先条件的每一个候选用户特征点,再将筛查出的每一个候选用户特征点标记为该业务用户图像对应的用户特征点,以组建形成对应的用户特征点集合。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,从该业务用户图像对应的候选用户特征点中,筛查出满足预先条件的每一个候选用户特征点,再将筛查出的每一个候选用户特征点标记为该业务用户图像对应的用户特征点,以组建形成对应的用户特征点集合的步骤,包括:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据每一个所述候选用户特征点对应的像素位置,对该业务用户图像对应的候选用户特征点进行聚类操作,以输出该业务用户图像对应的多个候选特征点集合,每一个候选特征点集合包括多个候选用户特征点;
对于所述多个候选特征点集合中的每一个候选特征点集合中的每一个候选用户特征点,分别对该候选用户特征点与该候选特征点集合中的每一个其它候选用户特征点进行像素灰度值的绝对差值计算操作,以输出该候选用户特征点对应的多个灰度绝对差值,再对该多个灰度绝对差值进行均值计算操作,以输出该候选用户特征点对应的平均灰度绝对差值;
对于所述多个候选特征点集合中的每一个候选特征点集合,依据每一个所述候选用户特征点对应的平均灰度绝对差值,从该候选特征点集合包括的多个候选用户特征点中,筛查出一个或多个对应的平均灰度绝对差值最大的候选用户特征点,以标记为对应的用户特征点。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息步骤,包括:
对于所述多帧业务用户图像中的每两帧业务用户图像,对该两帧业务用户图像对应的两个用户特征点集合进行特征点相关性确定操作,以输出该两个用户特征点集合之间的特征点相关度;
依据每两个所述用户特征点集合之间的特征点相关度,从所述多帧业务用户图像对应的多个用户特征点集合中,筛查出目标用户特征点集合;
通过预先训练形成的AI模型对所述目标用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述AI模型依据多个业务用户对应的用户特征点训练形成,所述目标业务用户属于所述多个业务用户中的一个。
在一些优选的实施例中,在上述基于AI模型的业务用户特征识别方法中,所述对于所述多帧业务用户图像中的每两帧业务用户图像,对该两帧业务用户图像对应的两个用户特征点集合进行特征点相关性确定操作,以输出该两个用户特征点集合之间的特征点相关度的步骤,包括:
对于所述两个用户特征点集合,分别按照对应的像素位置进行排序操作,以形成对应的第一用户特征点有序集合和第二用户特征点有序集合;
对于所述第一用户特征点有序集合包括的每一个第一用户特征点,分别对所述第一用户特征点有序集合中的每一个其它第一用户特征点与该第一用户特征点进行像素位置距离的计算操作,以输出每一个其它第一用户特征点与该第一用户特征点之间的位置距离值,再依据每一个其它第一用户特征点与该第一用户特征点之间的位置距离值,对其它第一用户特征点进行排序操作,以形成对应的第一用户特征点序列,在所述第一用户特征点序列中其它第一用户特征点对应的位置距离值作为对应的序列标签;
对于所述第二用户特征点有序集合包括的每一个第二用户特征点,分别对所述第二用户特征点有序集合中的每一个其它第二用户特征点与该第二用户特征点进行像素位置距离的计算操作,以输出每一个其它第二用户特征点与该第一用户特征点之间的位置距离值,再依据每一个其它第二用户特征点与该第二用户特征点之间的位置距离值,对其它第二用户特征点进行排序操作,以形成对应的第二用户特征点序列,在所述第二用户特征点序列中其它第二用户特征点对应的位置距离值作为对应的序列标签;
对于每一个第一用户特征点和每一个第二用户特征点,依据该第一用户特征点对应的第一用户特征点序列和该第二用户特征点对应的第二用户特征点序列,对该第一用户特征点和该第二用户特征点进行特征点匹配度的计算操作,以输出该第一用户特征点和该第二用户特征点之间的特征点匹配度,在进行特征点匹配度的计算操作的过程中,依据对应序列位置的用户特征点之间的像素位置和序列标签进行计算操作;
依据所述第一用户特征点有序集合包括的每一个第一用户特征点和所述第二用户特征点有序集合包括的每一个第二用户特征点之间的特征点匹配度,对所述第一用户特征点有序集合包括的第一用户特征点和所述第二用户特征点有序集合包括的第二用户特征点进行一一匹配操作,使得具有较少数量的用户特征点有序集合中的每一个用户特征点有一个匹配的用户特征点,且进行一一匹配操作的原则包括,每一组匹配的第一用户特征点和第二用户特征点之间的特征点匹配度的平均值具有最大值;
对于每一组匹配的第一用户特征点和第二用户特征点,对该第一用户特征点和该第二用户特征点对应的像素位置之间的距离进行计算操作,以输出该第一用户特征点和该第二用户特征点之间的像素位置距离,再依据该像素位置距离对该第一用户特征点和该第二用户特征点进行正相关的特征点变化幅度的确定操作,以输出特征点变化幅度;
依据每一组匹配的第一用户特征点和第二用户特征点之间的特征点变化幅度,计算输出所述两个用户特征点集合之间的特征点相关度。
本发明实施例还提供一种基于AI模型的业务用户特征识别系统,应用于特征识别服务器,所述基于AI模型的业务用户特征识别系统包括:
图像信息采集模块,用于对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合,所述图像信息集合包括多帧业务用户图像,所述多帧业务用户图像通过对目标业务用户的相同部位进行连续的信息采集形成;
用户特征点识别模块,用于对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,所述用户特征点集合包括多个用户特征点;
用户身份特征识别模块,用于通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述用户身份特征信息用于反映所述目标业务用户的用户身份。
本发明实施例提供的一种基于AI模型的业务用户特征识别方法及系统,对目标业务用户进行图像信息采集操作,以输出目标业务用户对应的图像信息集合。对于图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,用户特征点集合包括多个用户特征点。通过预先训练形成的AI模型对用户特征点集合包括的用户特征点进行识别操作,以输出目标业务用户的用户身份特征信息。基于前述的内容,在进行特征识别之前,先从业务用户图像中提取出用户特征点,使得可以对用户特征点进行识别,以替代对业务用户图像进行整体的识别,排除了干扰图像信息的影响,从而提高对用户特征识别的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的特征识别服务器的结构框图。
图2为本发明实施例提供的基于AI模型的业务用户特征识别方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于AI模型的业务用户特征识别系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,本发明实施例提供了一种特征识别服务器。
举例来说,在一些可能的实施方式中,所述特征识别服务器可以包括存储器和处理器。其中,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于AI模型的业务用户特征识别方法。
举例来说,在一些可能的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
参照图2所示,本发明实施例还提供一种基于AI模型的业务用户特征识别方法,可应用于上述特征识别服务器。
举例来说,在一些可能的实施方式中,所述基于AI模型的业务用户特征识别方法有关的流程所定义的方法步骤,可以由所述特征识别服务器实现。下面将对图2所示的具体流程,进行详细阐述。
步骤S110,对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合。
在本发明实施例中,所述特征识别服务器可以对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合。所述图像信息集合包括多帧业务用户图像,所述多帧业务用户图像通过对目标业务用户的相同部位(如头部等)进行连续的信息采集形成。
步骤S120,对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合。
在本发明实施例中,所述特征识别服务器可以对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合。所述用户特征点集合包括多个用户特征点(如面部特征点)。
步骤S130,通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息。
在本发明实施例中,所述特征识别服务器可以通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息。所述用户身份特征信息用于反映所述目标业务用户的用户身份。
基于上述内容,可以先对目标业务用户进行图像信息采集操作,以输出目标业务用户对应的图像信息集合。对于图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,用户特征点集合包括多个用户特征点。通过预先训练形成的AI模型对用户特征点集合包括的用户特征点进行识别操作,以输出目标业务用户的用户身份特征信息。基于前述内容,在进行特征识别之前,先从业务用户图像中提取出用户特征点,使得可以对用户特征点进行识别,以替代对业务用户图像进行整体的识别,排除了干扰图像信息的影响,从而提高对用户特征识别的可靠度。
举例来说,在一些可能的实施方式中,上述方法包括的步骤S110,可以进一步包括以下示例性的步骤:
在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,对所述用户请求信息对应的用户终端设备进行图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合;
在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的图像信息集合。
举例来说,在一些可能的实施方式中,所述在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,对所述用户请求信息对应的用户终端设备进行图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合的步骤,可以进一步包括以下示例性的步骤:
在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,依据预先配置的动作提示信息,生成图像信息采集指令;
对所述用户请求信息对应的用户终端设备进行所述图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合,且在进行图像信息采集操作的过程中,所述用户终端设备还用于根据所述图像信息采集指令中携带的所述动作提示信息对目标业务用户进行动作提示操作(如提示张嘴、眨眼等)。
举例来说,在一些可能的实施方式中,所述在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的图像信息集合的步骤,可以进一步包括以下示例性的步骤:
在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的原始图像信息集合,再对所述原始图像信息集合包括的业务用户图像进行动作识别操作,以输出所述目标业务用户对应的动作识别结果;
将所述动作识别结果和预先设置的动作识别结果对比信息进行对比操作,以确定出所述动作识别结果是否与所述动作识别结果对比信息匹配;
在所述动作识别结果与所述动作识别结果对比信息不匹配的条件下,重新通过所述用户终端设备对所述目标业务用户进行图像信息采集操作,以形成新的原始图像信息集合,直到所述新的原始图像信息集合对应的新的动作识别结果与所述动作识别结果对比信息匹配;
在所述动作识别结果与所述动作识别结果对比信息匹配的条件下,将所述原始图像信息集合标记为图像信息集合。
举例来说,在一些可能的实施方式中,上述方法包括的步骤S120,可以进一步包括以下示例性的步骤:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像中的每一个像素点进行灰度值确定操作,以输出该业务用户图像中的每一个像素点对应的像素灰度值;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据该业务用户图像中的每一个像素点对应的像素灰度值,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合。
举例来说,在一些可能的实施方式中,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据该业务用户图像中的每一个像素点对应的像素灰度值,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合的步骤,可以进一步包括以下示例性的步骤:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像中的每一个像素点,将该像素点作为预先配置的规则图形的中心点,从该业务用户图像中提取出该规则图形的边缘经过的每一个相关像素点;
依据预先配置的滑窗长度,对所述规则图形的边缘进行滑窗分割操作,以形成所述规则图形对应的多条滑窗子边缘,对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像中的每一个像素点,分别将该像素点对应的像素灰度值和每一条滑窗子边缘经过的相关像素点的像素灰度值进行大小比较操作,以及,在存在任意一条滑窗子边缘经过的每一个相关像素点的像素灰度值与该像素点对应的像素灰度值之间的大小关系相同的条件下,将该像素点标记为候选用户特征点;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,从该业务用户图像对应的候选用户特征点中,筛查出满足预先条件的每一个候选用户特征点,再将筛查出的每一个候选用户特征点标记为该业务用户图像对应的用户特征点,以组建形成对应的用户特征点集合。
举例来说,在一些可能的实施方式中,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,从该业务用户图像对应的候选用户特征点中,筛查出满足预先条件的每一个候选用户特征点,再将筛查出的每一个候选用户特征点标记为该业务用户图像对应的用户特征点,以组建形成对应的用户特征点集合的步骤,可以进一步包括以下示例性的步骤:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据每一个所述候选用户特征点对应的像素位置,对该业务用户图像对应的候选用户特征点进行聚类操作,以输出该业务用户图像对应的多个候选特征点集合,每一个候选特征点集合包括多个候选用户特征点;
对于所述多个候选特征点集合中的每一个候选特征点集合中的每一个候选用户特征点,分别对该候选用户特征点与该候选特征点集合中的每一个其它候选用户特征点进行像素灰度值的绝对差值计算操作,以输出该候选用户特征点对应的多个灰度绝对差值,再对该多个灰度绝对差值进行均值计算操作,以输出该候选用户特征点对应的平均灰度绝对差值;
对于所述多个候选特征点集合中的每一个候选特征点集合,依据每一个所述候选用户特征点对应的平均灰度绝对差值,从该候选特征点集合包括的多个候选用户特征点中,筛查出一个或多个对应的平均灰度绝对差值最大的候选用户特征点,以标记为对应的用户特征点。
举例来说,在一些可能的实施方式中,上述方法包括的步骤S130,可以进一步包括以下示例性的步骤:
对于所述多帧业务用户图像中的每两帧业务用户图像,对该两帧业务用户图像对应的两个用户特征点集合进行特征点相关性确定操作,以输出该两个用户特征点集合之间的特征点相关度;
依据每两个所述用户特征点集合之间的特征点相关度,从所述多帧业务用户图像对应的多个用户特征点集合中,筛查出目标用户特征点集合(示例性地,所述目标用户特征点集合对应的其它用户特征点集合之间的特征点相关度的平均值可以具有最大值);
通过预先训练形成的AI模型对所述目标用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述AI模型依据多个业务用户对应的用户特征点训练形成(在训练的过程中,所述业务用户的用户身份或表征用户身份的标识可以作为对应的训练分类标签),所述目标业务用户属于所述多个业务用户中的一个。
举例来说,在一些可能的实施方式中,所述对于所述多帧业务用户图像中的每两帧业务用户图像,对该两帧业务用户图像对应的两个用户特征点集合进行特征点相关性确定操作,以输出该两个用户特征点集合之间的特征点相关度的步骤,可以进一步包括以下示例性的步骤:
对于所述两个用户特征点集合,分别按照对应的像素位置进行排序操作,以形成对应的第一用户特征点有序集合和第二用户特征点有序集合;
对于所述第一用户特征点有序集合包括的每一个第一用户特征点,分别对所述第一用户特征点有序集合中的每一个其它第一用户特征点与该第一用户特征点进行像素位置距离的计算操作,以输出每一个其它第一用户特征点与该第一用户特征点之间的位置距离值,再依据每一个其它第一用户特征点与该第一用户特征点之间的位置距离值,对其它第一用户特征点进行排序操作,以形成对应的第一用户特征点序列,在所述第一用户特征点序列中其它第一用户特征点对应的位置距离值作为对应的序列标签;
对于所述第二用户特征点有序集合包括的每一个第二用户特征点,分别对所述第二用户特征点有序集合中的每一个其它第二用户特征点与该第二用户特征点进行像素位置距离的计算操作,以输出每一个其它第二用户特征点与该第一用户特征点之间的位置距离值,再依据每一个其它第二用户特征点与该第二用户特征点之间的位置距离值,对其它第二用户特征点进行排序操作,以形成对应的第二用户特征点序列,在所述第二用户特征点序列中其它第二用户特征点对应的位置距离值作为对应的序列标签;
对于每一个第一用户特征点和每一个第二用户特征点,依据该第一用户特征点对应的第一用户特征点序列和该第二用户特征点对应的第二用户特征点序列,对该第一用户特征点和该第二用户特征点进行特征点匹配度的计算操作,以输出该第一用户特征点和该第二用户特征点之间的特征点匹配度,在进行特征点匹配度的计算操作的过程中,依据对应序列位置的用户特征点之间的像素位置和序列标签进行计算操作(即一方面计算像素位置之间的相似度,即位置距离的负相关值,还需要计算序列标签之间的相似度,再对两方面的相似度进行融合);
依据所述第一用户特征点有序集合包括的每一个第一用户特征点和所述第二用户特征点有序集合包括的每一个第二用户特征点之间的特征点匹配度,对所述第一用户特征点有序集合包括的第一用户特征点和所述第二用户特征点有序集合包括的第二用户特征点进行一一匹配操作,使得具有较少数量的用户特征点有序集合中的每一个用户特征点有一个匹配的用户特征点,且进行一一匹配操作的原则包括,每一组匹配的第一用户特征点和第二用户特征点之间的特征点匹配度的平均值具有最大值;
对于每一组匹配的第一用户特征点和第二用户特征点,对该第一用户特征点和该第二用户特征点对应的像素位置之间的距离进行计算操作,以输出该第一用户特征点和该第二用户特征点之间的像素位置距离,再依据该像素位置距离对该第一用户特征点和该第二用户特征点进行正相关的特征点变化幅度的确定操作,以输出特征点变化幅度;
依据每一组匹配的第一用户特征点和第二用户特征点之间的特征点变化幅度,计算(例如,可以对所述特征点变化幅度的平均值的负相关值进行计算,再将计算输出的负相关值作为对应的特征点相关度)输出所述两个用户特征点集合之间的特征点相关度。
举例来说,在一些可能的实施方式中,所述对于所述多帧业务用户图像中的每两帧业务用户图像,对该两帧业务用户图像对应的两个用户特征点集合进行特征点相关性确定操作,以输出该两个用户特征点集合之间的特征点相关度的步骤,也可以进一步包括以下示例性的步骤:
对于所述两个用户特征点集合,分别按照对应的像素位置进行排序操作,以形成对应的第一用户特征点有序集合和第二用户特征点有序集合,所述第一用户特征点有序集合包括的第一用户特征点的数量大于或等于所述第二用户特征点有序集合包括的第二用户特征点的数量;
对于所述第一用户特征点有序集合包括的每一个第一用户特征点,将所述第一用户特征点有序集合中的每一个与该第一用户特征点之间的像素位置距离小于或等于预先配置的像素位置距离参考值的其它第一用户特征点,标记为该第一用户特征点对应的相关第一用户特征点,再依据该相关第一用户特征点的数量,对该第一用户特征点进行特征点重要度确定操作,以输出该第一用户特征点对应的第一特征点重要度,所述第一特征点重要度与对应的所述相关第一用户特征点的数量之间具有正相关的对应关系;
对于所述第二用户特征点有序集合包括的每一个第二用户特征点,将所述第二用户特征点有序集合中的每一个与该第二用户特征点之间的像素位置距离小于或等于预先配置的像素位置距离参考值的其它第二用户特征点,标记为该第二用户特征点对应的相关第二用户特征点,再依据该相关第二用户特征点的数量,对该第二用户特征点进行特征点重要度确定操作,以输出该第二用户特征点对应的第二特征点重要度,所述第二特征点重要度与对应的所述相关第二用户特征点的数量之间具有正相关的对应关系;
对于每一个所述第一用户特征点,分别依据该第一用户特征点对应的相关第一用户特征点的像素位置和每一个第二用户特征点对应的相关第二用户特征点的像素位置,并结合该第一用户特征点的像素位置和每一个第二用户特征点的像素位置,对该第一用户特征点和每一个第二用户特征点进行特征点匹配度计算操作(例如,可以先计算第一用户特征点和第二用户特征点之间的位置相似度,再计算相关第一用户特征点的中心点和相关第二用户特征点的中心点之间的位置相似度,再对两方面的位置相似度进行加权求和计算,可以得到对应的特征点匹配度),以输出该第一用户特征点和每一个第二用户特征点之间的特征点匹配度;
依据所述第二用户特征点有序集合包括的第二用户特征点的数量,对所述第一用户特征点有序集合进行滑窗操作,以输出所述第一用户特征点有序集合对应的多个第一用户特征点有序滑窗集合(每一个所述第一用户特征点有序滑窗集合包括的第一用户特征点的数量等于所述第二用户特征点有序集合包括的第二用户特征点的数量);
对于每一个所述第一用户特征点有序滑窗集合,依据该第一用户特征点有序滑窗集合包括的每一个第一用户特征点和所述第二用户特征点有序集合包括的每一个第二用户特征点之间的特征点匹配度,对所述第一用户特征点和所述第二用户特征点进行一一匹配操作(即使得匹配后的每一组第一用户特征点和第二用户特征点之间的特征点匹配度的平均值,可以具有最大值),以在该第一用户特征点有序滑窗集合和所述第二用户特征点有序集合之间形成关于用户特征点之间的一一匹配关系,再依据该一一匹配关系,将匹配的每一组第一用户特征点和第二用户特征点之间的特征点匹配度进行均值计算操作,以输出该第一用户特征点有序滑窗集合对应的特征点匹配度代表值;
依据每一个所述第一用户特征点有序滑窗集合对应的特征点匹配度代表值,从所述多个第一用户特征点有序滑窗集合中,筛查出目标第一特征点有序滑窗集合(可以具有最大的特征点匹配度代表值);
对于所述目标第一特征点有序滑窗集合包括的每一个第一用户特征点,依据该第一用户特征点对应的第一特征点重要度,对该第一用户特征点与匹配的第二用户特征点之间的特征点匹配度进行更新操作(如计算乘积),以输出该第一用户特征点对应的第一特征点匹配度更新值,再依据该第一用户特征点匹配的第二用户特征点对应的第二特征点重要度,对该特征点匹配度进行更新操作,以输出该第一用户特征点对应的第二特征点匹配度更新值,再对该第一特征点匹配度更新值和该第二特征点匹配度更新值进行融合操作(例如,可以计算加权均值,以得到特征点匹配度融合值),以输出该第一用户特征点对应的特征点匹配度融合值;
依据所述目标第一特征点有序滑窗集合包括的每一个第一用户特征点对应的特征点匹配度融合值(例如,可以是计算加权均值等),计算输出所述两个用户特征点集合之间的特征点相关度。
参照图3所示,本发明实施例还提供一种基于AI模型的业务用户特征识别系统,可应用于上述特征识别服务器。
举例来说,在一些可能的实施方式中,所述业务用户特征识别系统可以包括图像信息采集模块、用户特征点识别模块和用户身份特征识别模块。
举例来说,在一些可能的实施方式中,所述图像信息采集模块,用于对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合,所述图像信息集合包括多帧业务用户图像,所述多帧业务用户图像通过对目标业务用户的相同部位进行连续的信息采集形成。所述用户特征点识别模块,用于对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,所述用户特征点集合包括多个用户特征点。所述用户身份特征识别模块,用于通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述用户身份特征信息用于反映所述目标业务用户的用户身份。
综上所述,本发明提供的一种基于AI模型的业务用户特征识别方法及系统,对目标业务用户进行图像信息采集操作,以输出目标业务用户对应的图像信息集合。对于图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,用户特征点集合包括多个用户特征点。通过预先训练形成的AI模型对用户特征点集合包括的用户特征点进行识别操作,以输出目标业务用户的用户身份特征信息。基于前述的内容,在进行特征识别之前,先从业务用户图像中提取出用户特征点,使得可以对用户特征点进行识别,以替代对业务用户图像进行整体的识别,排除了干扰图像信息的影响,从而提高对用户特征识别的可靠度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于AI模型的业务用户特征识别方法,其特征在于,应用于特征识别服务器,所述基于AI模型的业务用户特征识别方法包括:
对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合,所述图像信息集合包括多帧业务用户图像,所述多帧业务用户图像通过对目标业务用户的相同部位进行连续的信息采集形成;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,所述用户特征点集合包括多个用户特征点;
通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述用户身份特征信息用于反映所述目标业务用户的用户身份。
2.如权利要求1所述的基于AI模型的业务用户特征识别方法,其特征在于,所述对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合的步骤,包括:
在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,对所述用户请求信息对应的用户终端设备进行图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合;
在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的图像信息集合。
3.如权利要求2所述的基于AI模型的业务用户特征识别方法,其特征在于,所述在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,对所述用户请求信息对应的用户终端设备进行图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合的步骤,包括:
在接收到用于对目标业务用户进行特征识别的用户请求信息的条件下,依据预先配置的动作提示信息,生成图像信息采集指令;
对所述用户请求信息对应的用户终端设备进行所述图像信息采集指令的下发操作,以使得所述用户终端设备依据所述图像信息采集指令对所述目标业务用户进行图像信息采集操作,以形成图像信息集合,且在进行图像信息采集操作的过程中,所述用户终端设备还用于根据所述图像信息采集指令中携带的所述动作提示信息对目标业务用户进行动作提示操作。
4.如权利要求2所述的基于AI模型的业务用户特征识别方法,其特征在于,所述在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的图像信息集合的步骤,包括:
在所述用户终端设备依据所述图像信息采集指令对目标业务用户进行图像信息采集操作后,获取进行该图像信息采集操作形成的原始图像信息集合,再对所述原始图像信息集合包括的业务用户图像进行动作识别操作,以输出所述目标业务用户对应的动作识别结果;
将所述动作识别结果和预先设置的动作识别结果对比信息进行对比操作,以确定出所述动作识别结果是否与所述动作识别结果对比信息匹配;
在所述动作识别结果与所述动作识别结果对比信息不匹配的条件下,重新通过所述用户终端设备对所述目标业务用户进行图像信息采集操作,以形成新的原始图像信息集合,直到所述新的原始图像信息集合对应的新的动作识别结果与所述动作识别结果对比信息匹配;
在所述动作识别结果与所述动作识别结果对比信息匹配的条件下,将所述原始图像信息集合标记为图像信息集合。
5.如权利要求1所述的基于AI模型的业务用户特征识别方法,其特征在于,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合的步骤,包括:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像中的每一个像素点进行灰度值确定操作,以输出该业务用户图像中的每一个像素点对应的像素灰度值;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据该业务用户图像中的每一个像素点对应的像素灰度值,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合。
6.如权利要求5所述的基于AI模型的业务用户特征识别方法,其特征在于,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据该业务用户图像中的每一个像素点对应的像素灰度值,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合的步骤,包括:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像中的每一个像素点,将该像素点作为预先配置的规则图形的中心点,从该业务用户图像中提取出该规则图形的边缘经过的每一个相关像素点;
依据预先配置的滑窗长度,对所述规则图形的边缘进行滑窗分割操作,以形成所述规则图形对应的多条滑窗子边缘,对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像中的每一个像素点,分别将该像素点对应的像素灰度值和每一条滑窗子边缘经过的相关像素点的像素灰度值进行大小比较操作,以及,在存在任意一条滑窗子边缘经过的每一个相关像素点的像素灰度值与该像素点对应的像素灰度值之间的大小关系相同的条件下,将该像素点标记为候选用户特征点;
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,从该业务用户图像对应的候选用户特征点中,筛查出满足预先条件的每一个候选用户特征点,再将筛查出的每一个候选用户特征点标记为该业务用户图像对应的用户特征点,以组建形成对应的用户特征点集合。
7.如权利要求6所述的基于AI模型的业务用户特征识别方法,其特征在于,所述对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,从该业务用户图像对应的候选用户特征点中,筛查出满足预先条件的每一个候选用户特征点,再将筛查出的每一个候选用户特征点标记为该业务用户图像对应的用户特征点,以组建形成对应的用户特征点集合的步骤,包括:
对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,依据每一个所述候选用户特征点对应的像素位置,对该业务用户图像对应的候选用户特征点进行聚类操作,以输出该业务用户图像对应的多个候选特征点集合,每一个候选特征点集合包括多个候选用户特征点;
对于所述多个候选特征点集合中的每一个候选特征点集合中的每一个候选用户特征点,分别对该候选用户特征点与该候选特征点集合中的每一个其它候选用户特征点进行像素灰度值的绝对差值计算操作,以输出该候选用户特征点对应的多个灰度绝对差值,再对该多个灰度绝对差值进行均值计算操作,以输出该候选用户特征点对应的平均灰度绝对差值;
对于所述多个候选特征点集合中的每一个候选特征点集合,依据每一个所述候选用户特征点对应的平均灰度绝对差值,从该候选特征点集合包括的多个候选用户特征点中,筛查出一个或多个对应的平均灰度绝对差值最大的候选用户特征点,以标记为对应的用户特征点。
8.如权利要求1-7任意一项所述的基于AI模型的业务用户特征识别方法,其特征在于,所述通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息步骤,包括:
对于所述多帧业务用户图像中的每两帧业务用户图像,对该两帧业务用户图像对应的两个用户特征点集合进行特征点相关性确定操作,以输出该两个用户特征点集合之间的特征点相关度;
依据每两个所述用户特征点集合之间的特征点相关度,从所述多帧业务用户图像对应的多个用户特征点集合中,筛查出目标用户特征点集合;
通过预先训练形成的AI模型对所述目标用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述AI模型依据多个业务用户对应的用户特征点训练形成,所述目标业务用户属于所述多个业务用户中的一个。
9.如权利要求8所述的基于AI模型的业务用户特征识别方法,其特征在于,所述对于所述多帧业务用户图像中的每两帧业务用户图像,对该两帧业务用户图像对应的两个用户特征点集合进行特征点相关性确定操作,以输出该两个用户特征点集合之间的特征点相关度的步骤,包括:
对于所述两个用户特征点集合,分别按照对应的像素位置进行排序操作,以形成对应的第一用户特征点有序集合和第二用户特征点有序集合;
对于所述第一用户特征点有序集合包括的每一个第一用户特征点,分别对所述第一用户特征点有序集合中的每一个其它第一用户特征点与该第一用户特征点进行像素位置距离的计算操作,以输出每一个其它第一用户特征点与该第一用户特征点之间的位置距离值,再依据每一个其它第一用户特征点与该第一用户特征点之间的位置距离值,对其它第一用户特征点进行排序操作,以形成对应的第一用户特征点序列,在所述第一用户特征点序列中其它第一用户特征点对应的位置距离值作为对应的序列标签;
对于所述第二用户特征点有序集合包括的每一个第二用户特征点,分别对所述第二用户特征点有序集合中的每一个其它第二用户特征点与该第二用户特征点进行像素位置距离的计算操作,以输出每一个其它第二用户特征点与该第一用户特征点之间的位置距离值,再依据每一个其它第二用户特征点与该第二用户特征点之间的位置距离值,对其它第二用户特征点进行排序操作,以形成对应的第二用户特征点序列,在所述第二用户特征点序列中其它第二用户特征点对应的位置距离值作为对应的序列标签;
对于每一个第一用户特征点和每一个第二用户特征点,依据该第一用户特征点对应的第一用户特征点序列和该第二用户特征点对应的第二用户特征点序列,对该第一用户特征点和该第二用户特征点进行特征点匹配度的计算操作,以输出该第一用户特征点和该第二用户特征点之间的特征点匹配度,在进行特征点匹配度的计算操作的过程中,依据对应序列位置的用户特征点之间的像素位置和序列标签进行计算操作;
依据所述第一用户特征点有序集合包括的每一个第一用户特征点和所述第二用户特征点有序集合包括的每一个第二用户特征点之间的特征点匹配度,对所述第一用户特征点有序集合包括的第一用户特征点和所述第二用户特征点有序集合包括的第二用户特征点进行一一匹配操作,使得具有较少数量的用户特征点有序集合中的每一个用户特征点有一个匹配的用户特征点,且进行一一匹配操作的原则包括,每一组匹配的第一用户特征点和第二用户特征点之间的特征点匹配度的平均值具有最大值;
对于每一组匹配的第一用户特征点和第二用户特征点,对该第一用户特征点和该第二用户特征点对应的像素位置之间的距离进行计算操作,以输出该第一用户特征点和该第二用户特征点之间的像素位置距离,再依据该像素位置距离对该第一用户特征点和该第二用户特征点进行正相关的特征点变化幅度的确定操作,以输出特征点变化幅度;
依据每一组匹配的第一用户特征点和第二用户特征点之间的特征点变化幅度,计算输出所述两个用户特征点集合之间的特征点相关度。
10.一种基于AI模型的业务用户特征识别系统,其特征在于,应用于特征识别服务器,所述基于AI模型的业务用户特征识别系统包括:
图像信息采集模块,用于对目标业务用户进行图像信息采集操作,以输出所述目标业务用户对应的图像信息集合,所述图像信息集合包括多帧业务用户图像,所述多帧业务用户图像通过对目标业务用户的相同部位进行连续的信息采集形成;
用户特征点识别模块,用于对于所述图像信息集合包括的多帧业务用户图像中的每一帧业务用户图像,对该业务用户图像进行用户特征点识别操作,以输出该业务用户图像对应的用户特征点集合,所述用户特征点集合包括多个用户特征点;
用户身份特征识别模块,用于通过预先训练形成的AI模型对所述用户特征点集合包括的用户特征点进行识别操作,以输出所述目标业务用户的用户身份特征信息,所述用户身份特征信息用于反映所述目标业务用户的用户身份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087812.5A CN115424353B (zh) | 2022-09-07 | 2022-09-07 | 基于ai模型的业务用户特征识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087812.5A CN115424353B (zh) | 2022-09-07 | 2022-09-07 | 基于ai模型的业务用户特征识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115424353A true CN115424353A (zh) | 2022-12-02 |
CN115424353B CN115424353B (zh) | 2023-05-05 |
Family
ID=84202962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087812.5A Active CN115424353B (zh) | 2022-09-07 | 2022-09-07 | 基于ai模型的业务用户特征识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424353B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180053233A1 (en) * | 2016-08-16 | 2018-02-22 | Ebay Inc. | Expandable service architecture with configurable orchestrator |
CN108563999A (zh) * | 2018-03-19 | 2018-09-21 | 特斯联(北京)科技有限公司 | 一种面向低质量视频图像的人物身份识别方法与装置 |
WO2018185745A1 (en) * | 2017-04-02 | 2018-10-11 | Fst21 Ltd. | Identification systems and methods |
WO2018228218A1 (zh) * | 2017-06-16 | 2018-12-20 | 腾讯科技(深圳)有限公司 | 身份识别方法、计算设备及存储介质 |
CN109284675A (zh) * | 2018-08-13 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 一种用户的识别方法、装置及设备 |
CN109409220A (zh) * | 2018-09-19 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于人脸识别的业务引导方法、装置及存储介质 |
CN110097576A (zh) * | 2019-04-29 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 图像特征点的运动信息确定方法、任务执行方法和设备 |
CN111935644A (zh) * | 2020-08-10 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种基于融合信息的定位方法、装置及终端设备 |
CN111931662A (zh) * | 2020-08-12 | 2020-11-13 | 中国工商银行股份有限公司 | 唇读识别系统、方法及自助终端 |
WO2020232889A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 支票取现方法、装置、设备及计算机可读存储介质 |
WO2020259481A1 (zh) * | 2019-06-27 | 2020-12-30 | Oppo广东移动通信有限公司 | 定位方法及装置、电子设备、可读存储介质 |
CN112232206A (zh) * | 2020-10-16 | 2021-01-15 | 陈晶晶 | 基于大数据和人工智能的人脸识别方法和人脸识别平台 |
WO2021031384A1 (zh) * | 2019-08-19 | 2021-02-25 | 平安科技(深圳)有限公司 | 摔倒行为检测处理方法、装置、计算机设备及存储介质 |
WO2021077863A1 (zh) * | 2019-10-25 | 2021-04-29 | 华为技术有限公司 | 终端消息处理方法及其图像识别方法、装置、介质和系统 |
WO2021143101A1 (zh) * | 2020-01-16 | 2021-07-22 | 华为技术有限公司 | 人脸识别方法和人脸识别装置 |
CN113949881A (zh) * | 2021-11-15 | 2022-01-18 | 赵茜茜 | 一种基于智慧城市数据的业务处理方法及系统 |
CN114119990A (zh) * | 2021-09-29 | 2022-03-01 | 北京百度网讯科技有限公司 | 用于图像特征点匹配的方法、装置及计算机程序产品 |
WO2022116545A1 (zh) * | 2020-12-04 | 2022-06-09 | 全球能源互联网研究院有限公司 | 一种基于多特征识别的交互方法、装置及计算机设备 |
WO2022121635A1 (zh) * | 2020-12-08 | 2022-06-16 | 腾讯科技(深圳)有限公司 | 基于人脸识别的信息处理方法、装置、存储介质及终端 |
CN114663686A (zh) * | 2022-03-07 | 2022-06-24 | 腾讯科技(深圳)有限公司 | 物体特征点匹配方法及装置、训练方法及装置 |
WO2022143237A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种目标定位的方法、系统及相关设备 |
CN114723456A (zh) * | 2022-03-31 | 2022-07-08 | 张涛 | 一种支付方法和支付系统 |
CN114724215A (zh) * | 2022-03-31 | 2022-07-08 | 张涛 | 一种敏感图像识别方法及系统 |
CN114925348A (zh) * | 2022-07-19 | 2022-08-19 | 苏州英博特力信息科技有限公司 | 一种基于指纹识别的安全验证方法及系统 |
-
2022
- 2022-09-07 CN CN202211087812.5A patent/CN115424353B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180053233A1 (en) * | 2016-08-16 | 2018-02-22 | Ebay Inc. | Expandable service architecture with configurable orchestrator |
WO2018185745A1 (en) * | 2017-04-02 | 2018-10-11 | Fst21 Ltd. | Identification systems and methods |
WO2018228218A1 (zh) * | 2017-06-16 | 2018-12-20 | 腾讯科技(深圳)有限公司 | 身份识别方法、计算设备及存储介质 |
CN108563999A (zh) * | 2018-03-19 | 2018-09-21 | 特斯联(北京)科技有限公司 | 一种面向低质量视频图像的人物身份识别方法与装置 |
CN109284675A (zh) * | 2018-08-13 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 一种用户的识别方法、装置及设备 |
CN109409220A (zh) * | 2018-09-19 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于人脸识别的业务引导方法、装置及存储介质 |
CN110097576A (zh) * | 2019-04-29 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 图像特征点的运动信息确定方法、任务执行方法和设备 |
WO2020232889A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 支票取现方法、装置、设备及计算机可读存储介质 |
WO2020259481A1 (zh) * | 2019-06-27 | 2020-12-30 | Oppo广东移动通信有限公司 | 定位方法及装置、电子设备、可读存储介质 |
WO2021031384A1 (zh) * | 2019-08-19 | 2021-02-25 | 平安科技(深圳)有限公司 | 摔倒行为检测处理方法、装置、计算机设备及存储介质 |
WO2021077863A1 (zh) * | 2019-10-25 | 2021-04-29 | 华为技术有限公司 | 终端消息处理方法及其图像识别方法、装置、介质和系统 |
WO2021143101A1 (zh) * | 2020-01-16 | 2021-07-22 | 华为技术有限公司 | 人脸识别方法和人脸识别装置 |
CN111935644A (zh) * | 2020-08-10 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种基于融合信息的定位方法、装置及终端设备 |
CN111931662A (zh) * | 2020-08-12 | 2020-11-13 | 中国工商银行股份有限公司 | 唇读识别系统、方法及自助终端 |
CN112232206A (zh) * | 2020-10-16 | 2021-01-15 | 陈晶晶 | 基于大数据和人工智能的人脸识别方法和人脸识别平台 |
CN112990080A (zh) * | 2020-10-16 | 2021-06-18 | 陈晶晶 | 基于大数据和人工智能的规则确定方法 |
WO2022116545A1 (zh) * | 2020-12-04 | 2022-06-09 | 全球能源互联网研究院有限公司 | 一种基于多特征识别的交互方法、装置及计算机设备 |
WO2022121635A1 (zh) * | 2020-12-08 | 2022-06-16 | 腾讯科技(深圳)有限公司 | 基于人脸识别的信息处理方法、装置、存储介质及终端 |
WO2022143237A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种目标定位的方法、系统及相关设备 |
CN114119990A (zh) * | 2021-09-29 | 2022-03-01 | 北京百度网讯科技有限公司 | 用于图像特征点匹配的方法、装置及计算机程序产品 |
CN113949881A (zh) * | 2021-11-15 | 2022-01-18 | 赵茜茜 | 一种基于智慧城市数据的业务处理方法及系统 |
CN114663686A (zh) * | 2022-03-07 | 2022-06-24 | 腾讯科技(深圳)有限公司 | 物体特征点匹配方法及装置、训练方法及装置 |
CN114723456A (zh) * | 2022-03-31 | 2022-07-08 | 张涛 | 一种支付方法和支付系统 |
CN114724215A (zh) * | 2022-03-31 | 2022-07-08 | 张涛 | 一种敏感图像识别方法及系统 |
CN114925348A (zh) * | 2022-07-19 | 2022-08-19 | 苏州英博特力信息科技有限公司 | 一种基于指纹识别的安全验证方法及系统 |
Non-Patent Citations (2)
Title |
---|
YU S等: "Invariant feature extraction for gait recognition using only one uniform model", 《NEUROCOMPUTING》 * |
周松颖: "融合多特征的人物实时身份识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115424353B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086756B (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
Scheirer et al. | Perceptual annotation: Measuring human vision to improve computer vision | |
CN111181939A (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN111310850B (zh) | 车牌检测模型的构建方法及系统、车牌检测方法及系统 | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN110163096B (zh) | 人物识别方法、装置、电子设备和计算机可读介质 | |
CN111523389A (zh) | 情绪智能识别方法、装置、电子设备及存储介质 | |
WO2018108124A1 (zh) | 一种瞳孔定位方法及系统 | |
Cholakkal et al. | Backtracking ScSPM image classifier for weakly supervised top-down saliency | |
CN111091080A (zh) | 人脸识别方法及系统 | |
CN110827265B (zh) | 基于深度学习的图片异常检测方法 | |
CN108986137B (zh) | 人体跟踪方法、装置及设备 | |
CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN113435335B (zh) | 微观表情识别方法、装置、电子设备及存储介质 | |
Rabbani et al. | Hand drawn optical circuit recognition | |
CN110969139A (zh) | 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 | |
CN109948735A (zh) | 一种多标签分类方法、系统、装置及存储介质 | |
CN105893941B (zh) | 一种基于区域图像的人脸表情识别方法 | |
Hasan et al. | Hand sign language recognition for Bangla alphabet based on Freeman Chain Code and ANN | |
CN111401343B (zh) | 识别图像中人的属性的方法、识别模型的训练方法和装置 | |
Karayılan et al. | Sign language recognition | |
CN114626476A (zh) | 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置 | |
Alon et al. | Deep-hand: a deep inference vision approach of recognizing a hand sign language using american alphabet | |
CN114386931A (zh) | 一种基于ai技术的图像分析系统及方法 | |
CN113221696A (zh) | 一种图像识别方法、系统、设备及存储介质 |
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 |