CN116030417B

CN116030417B - 一种员工识别方法、装置、设备、介质及产品

Info

Publication number: CN116030417B
Application number: CN202310101518.3A
Authority: CN
Inventors: 陈友明; 陈思竹; 翟强
Original assignee: Sichuan Honghe Digital Intelligence Group Co ltd
Current assignee: Sichuan Honghe Digital Intelligence Group Co ltd
Priority date: 2023-02-13
Filing date: 2023-02-13
Publication date: 2023-08-04
Anticipated expiration: 2043-02-13
Also published as: CN116030417A

Abstract

本申请实施例涉及人员识别技术领域，提供了一种员工识别方法、装置、设备、介质及产品，包括：获取实时监控图像中的多个人员图像数据；基于人员图像数据，获取所述人员图像数据之间的相似度；基于人员图像数据与员工特征概率分布，获取目标概率；基于第一判断条件和第二判断条件，确定识别结果，第一判断条件为所述相似度与第一阈值的大小关系，第二判断条件为所述目标概率与第二阈值的大小关系。本申请在单人为员工的概率基础上，通过多人员联动信息对人员是否为员工进行多人联合识别，提升了识别的准确率，且本方案无需进行海量模型训练，处理时间快、计算成本低，从而可以轻量、高效、高精度的实现员工识别。

Description

一种员工识别方法、装置、设备、介质及产品

技术领域

本申请实施例涉及人员识别技术领域，具体而言，涉及一种员工识别方法、装置、设备、介质及产品。

背景技术

在危险作业场景下，例如，油气站、化工厂等等，进行作业的员工需要经过严格的培训后方能上岗工作，而未经培训的员工或其他无关人员（如顾客等）进入作业场景内可能会因操作和行为不规范酿成重大安全事故，因此，快速识别危险作业场景下的员工和非员工对于判断行为规范、规避安全事故具有重要意义。

当前针对危险作业场景下的员工识别方法主要是安保人员通过现场实时监控画面基于经验进行识别，或是通过训练好的深度学习模型进行识别。然而，这些方案一方面具有较高的人力成本和时间成本，且需要消耗大量计算资源；另一方面，当前技术方案均为针对单相机所获取的实时图像中单一人员的判断，导致识别准确率有待提高。因此，如何轻量、高效、高精度的实现员工识别，成为当前本领域技术人员亟待解决的问题。

发明内容

本申请实施例在于提供一种员工识别方法、装置、设备、介质及产品，旨在解决如何轻量、高效、高精度的实现员工识别的问题。

本申请实施例第一方面提供一种员工识别方法，包括：

获取实时监控图像中的多个人员图像数据；

基于所述人员图像数据，获取所述人员图像数据之间的相似度；

基于所述人员图像数据与员工特征概率分布，获取目标概率，所述目标概率为所述人员图像数据为员工图像数据的概率；

基于第一判断条件和第二判断条件，确定识别结果，所述第一判断条件为所述相似度与第一阈值的大小关系，所述第二判断条件为所述目标概率与第二阈值的大小关系。

在一种可选的实施方式中，所述人员图像数据包括第一人员图像数据和第二人员图像数据，基于实时监控图像中的人员图像数据，获取所述人员图像数据之间的相似度，包括：

基于所述第一人员图像数据，获取目标数量的第一聚类中心，以及每个第一聚类中心对应的像素值；基于所有第一聚类中心对应的像素值的均值和方差，构建第一高斯概率分布；

基于所述第二人员图像数据，获取所述目标数量的第二聚类中心，以及每个第二聚类中心对应的像素值；基于所有第二聚类中心对应的像素值的均值和方差，构建第二高斯概率分布；

计算所述第一高斯概率分布与所述第二高斯概率分布之间的KL散度，作为所述相似度。

在一种可选的实施方式中，基于所述人员图像数据与员工特征概率分布，获取目标概率，包括：

基于所述人员图像数据的像素值，获取目标数量的聚类中心；

将所述聚类中心代入所述员工特征概率分布中，获取所述目标概率。

在一种可选的实施方式中，所述员工特征概率分布，按照如下方式获取：

对预设参考图像数据进行像素合并，得到预学习数据，所述预设参考图像数据包括多个员工图像数据；

基于所述预学习数据的像素值，构建针对于所述预学习数据的高斯概率分布，作为所述员工特征概率分布。

在一种可选的实施方式中，所述人员图像数据包括第一人员图像数据和第二人员图像数据，所述目标概率包括对应于所述第一人员图像数据的第一目标概率和对应于所述第二人员图像数据的第二目标概率，基于第一判断条件和第二判断条件，确定识别结果，包括：

若所述相似度小于所述第一阈值，且所述第一目标概率与所述第二目标概率均大于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为员工图像数据；

若所述相似度小于所述第一阈值，且所述第一目标概率与所述第二目标概率均小于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据；

若所述相似度小于所述第一阈值，且所述第一目标概率与所述第二目标概率中的一个小于所述第二阈值，另一个大于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据；

若所述相似度大于所述第一阈值，且所述第一目标概率小于所述第二阈值，所述第二目标概率大于所述第二阈值，所述识别结果为所述第一人员图像数据为非员工图像数据，所述第二人员图像数据为员工图像数据；

若所述相似度大于所述第一阈值，且所述第一目标概率大于所述第二阈值，所述第二目标概率小于所述第二阈值，所述识别结果为所述第一人员图像数据为员工图像数据，所述第二人员图像数据为非员工图像数据；

若所述相似度大于所述第一阈值，且不满足所述第一目标概率与所述第二目标概率中的一个小于所述第二阈值，另一个大于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据。

在一种可选的实施方式中，所述实时监控图像为相同摄像头视野下的实时监控图像或不同摄像头视野下的实时监控图像。

本申请实施例第二方面提供了一种员工识别装置，包括：

人员图像数据获取模块，用于获取实时监控图像中的多个人员图像数据；

相似度获取模块，用于基于所述人员图像数据，获取所述人员图像数据之间的相似度；

目标概率获取模块，用于基于所述人员图像数据与员工特征概率分布，获取目标概率，所述目标概率为所述人员图像数据为员工图像数据的概率；

员工识别模块，用于基于第一判断条件和第二判断条件，确定识别结果，所述第一判断条件为所述相似度与第一阈值的大小关系，所述第二判断条件为所述目标概率与第二阈值的大小关系。

其中，所述相似度获取模块，包括：

第一分布获取子模块，用于基于所述第一人员图像数据，获取目标数量的第一聚类中心，以及每个第一聚类中心对应的像素值；基于所有第一聚类中心对应的像素值的均值和方差，构建第一高斯概率分布；

第二分布获取子模块，用于基于所述第二人员图像数据，获取所述目标数量的第二聚类中心，以及每个第二聚类中心对应的像素值；基于所有第二聚类中心对应的像素值的均值和方差，构建第二高斯概率分布；

相似度获取子模块，用于计算所述第一高斯概率分布与所述第二高斯概率分布之间的KL散度，作为所述相似度。

所述目标概率获取模块，包括：

聚类中心获取子模块，用于基于所述人员图像数据的像素值，获取目标数量的聚类中心；

目标概率获取子模块，用于将所述聚类中心代入所述员工特征概率分布中，获取所述目标概率。

其中，所述目标概率获取子模块，还包括：

预学习数据获取子单元，用于对预设参考图像数据进行像素合并，得到预学习数据，所述预设参考图像数据包括多个员工图像数据；

员工分布获取子单元，用于基于所述预学习数据的像素值，构建针对于所述预学习数据的高斯概率分布，作为所述员工特征概率分布。

其中，所述员工识别模块，包括：

第一识别子模块，用于若所述相似度小于所述第一阈值，且所述第一目标概率与所述第二目标概率均大于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为员工图像数据；

第二识别子模块，用于若所述相似度小于所述第一阈值，且所述第一目标概率与所述第二目标概率均小于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据；

第三识别子模块，用于若所述相似度小于所述第一阈值，且所述第一目标概率与所述第二目标概率中的一个小于所述第二阈值，另一个大于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据；

第四识别子模块，用于若所述相似度大于所述第一阈值，且所述第一目标概率小于所述第二阈值，所述第二目标概率大于所述第二阈值，所述识别结果为所述第一人员图像数据为非员工图像数据，所述第二人员图像数据为员工图像数据；

第五识别子模块，用于若所述相似度大于所述第一阈值，且所述第一目标概率大于所述第二阈值，所述第二目标概率小于所述第二阈值，所述识别结果为所述第一人员图像数据为员工图像数据，所述第二人员图像数据为非员工图像数据；

第六识别子模块，用于若所述相似度大于所述第一阈值，且不满足所述第一目标概率与所述第二目标概率中的一个小于所述第二阈值，另一个大于所述第二阈值，所述识别结果为所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据。

本申请实施例第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现第一方面中任一所述的一种员工识别方法中的步骤。

本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现第一方面中任一所述的一种员工识别方法中的步骤。

本申请实施例第五方面提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现第一方面中任一所述的一种员工识别方法中的步骤。

有益效果：

本申请实施例提供了一种员工识别方法、装置、设备、介质及产品，包括：获取实时监控图像中的多个人员图像数据；基于所述人员图像数据，获取所述人员图像数据之间的相似度；基于所述人员图像数据与员工特征概率分布，获取目标概率，所述目标概率为所述人员图像数据为员工图像数据的概率；基于第一判断条件和第二判断条件，确定识别结果，所述第一判断条件为所述相似度与第一阈值的大小关系，所述第二判断条件为所述目标概率与第二阈值的大小关系。本申请在单人为员工的概率基础上，通过多人员联动信息对人员是否为员工进行多人联合识别，提升了识别的准确率，且本方案无需进行海量模型训练，处理时间快、计算成本低，从而可以轻量、高效、高精度的实现员工识别。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提出的现有技术进行员工识别方法流程图；

图2是本申请一实施例提出的一种员工识别方法流程图；

图3是本申请一实施例提出的相同摄像头视野下的实时监控图像的员工识别方法示意图；

图4是本申请一实施例提出的不同摄像头视野下的实时监控图像的员工识别方法示意图；

图5是本申请一实施例提出的一种员工识别方法示意图；

图6是本申请一实施例提出的一种联合身份确认流程图；

图7是本申请一实施例提出的一种员工识别装置示意图；

图8是本申请一实施例提出的电子设备示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

相关技术中，对危险作业场景下的员工识别方法主要是安保人员通过现场实时监控画面基于经验进行识别，或是通过训练好的深度学习模型进行识别。然而，这些方案一方面具有较高的人力成本和时间成本，且需要消耗大量计算资源；另一方面，当前技术方案均为针对单相机所获取的实时图像中单一人员的判断，导致识别准确率有待提高。

具体而言，图1示出了一种现有技术进行员工识别方法流程图，如图1所示，采用图像识别网络进行员工识别，该种方法通过对油气站员工数据进行采集、标注和清洗后，对深度模型进行训练，完成训练后部署运行。然而，用于训练深度模型需要的数据采集、标注和清洗均需要大量人力，且数据准备、标注、清洗以及深度模型训练均需要耗费较长时间，深度模型的训练和线上运行均存在大量计算资源消耗的问题；此外，当前的技术方案主要针对单相机下单行人进行判断，只依靠单相机下的单人图像数据进行判断导致输出的识别结果精度较低。

有鉴于此，本申请实施例提出一种员工识别方法，图2示出了一种员工识别方法流程图，如图2所示，包括如下步骤：

S101、获取实时监控图像中的多个人员图像数据。

S102、基于所述人员图像数据，获取所述人员图像数据之间的相似度。

S103、基于所述人员图像数据与员工特征概率分布，获取目标概率。

基于所述人员图像数据与员工特征概率分布，获取目标概率，所述目标概率为所述人员图像数据为员工图像数据的概率。

S104、基于第一判断条件和第二判断条件，确定识别结果。

本申请实施例中，实时监控图像为作业场景中布控的监控摄像头实时捕捉的摄像头视野范围内的实时图像，所述实时监控图像至少包括两个不同的人员图像数据。例如，所述作业场景可以为危险作业场景，危险作业场景为可能因不规范动作或设备故障等引发重大安全事故的场景，例如，油气站、化工厂等作业场景。由于在危险作业场景中进行作业的人员必须经过严格的培训后方能上岗工作，而未经培训的员工或其他无关人员（如顾客等）进入作业场景内可能会因操作和行为不规范酿成重大安全事故，因此，需要快速识别危险作业场景下的员工和非员工，以规避安全事故的发生。

其中，所述监控摄像头为高清防爆摄像头，所述摄像头为200万像素（1920*1080）的高清摄像头，并采用ipx6级防水。布防区域距离摄像头距离为9米。本申请实施例中，具体的监控摄像头参数和布防区域距离可根据实际情况进行确定，本申请在此不作限制。

本申请实施例中，人员图像数据为实时监控图像中的人员图像，该人员图像可以为摄像头视野范围内的穿有员工服的员工，也可以为穿有非员工服的任意服装的非员工人员。

本申请实施例中，所述相似度为两个不同的人员图像数据之间的相似程度表征，通过两个不同的人员图像数据之间的相似度，表征两个不同的人员图像对应的人员是否为同一类型的人员。例如，若两个不同的人员图像数据之间的相似度较高，说明两个不同的人员图像对应的人员均为员工或均为非员工；若两个不同的人员图像数据之间的相似度较低，在数据准确的情况下，说明两个不同的人员图像对应的人员中的一个为员工，另一个为非员工。

本申请实施例中，所述员工特征概率分布用于表征员工服装衣服颜色信息，所述员工特征概率分布是预先基于所述员工图像数据生成的；所述目标概率用于表征当前的人员图像数据可能为员工的概率，基于所述人员图像数据与员工特征概率分布，获取目标概率，若目标概率较大，说明所述人员图像数据越可能为员工图像数据；反之，若目标概率较小，说明所述人员图像数据越可能为非员工图像数据。

本申请实施例中，所述第一判断条件为所述相似度与第一阈值的大小关系，其中所述第一阈值用于判断上述相似度的高低程度，若两个不同的人员图像数据之间的相似度大于所述第一阈值，则认为所述相似度较高，说明两个不同的人员图像对应的人员均为员工或均为非员工；若两个不同的人员图像数据之间的相似度小于或等于所述第一阈值，则认为所述相似度较低，在数据准确的情况下，说明两个不同的人员图像对应的人员中的一个为员工，另一个为非员工。

本申请实施例中，所述第二判断条件为所述目标概率与第二阈值的代销关系，其中所述第二阈值用于判断上述目标概率的大小程度，在数据准确的情况下，若一个人员图像数据对应的目标概率大于所述第二阈值，则认为所述目标概率较大，说明所述人员图像数据为员工图像数据；若一个人员图像数据对应的目标概率小于或等于所述第二阈值，则认为所述目标概率较小，说明所述人员图像数据为非员工图像数据。

其中，本申请实施例通过综合第一判断条件和第二判断条件对人员图像数据进行识别，而第一判断条件用于判断两个不同的人员图像是否为相同类型的人员，第二判断条件用于判断每个人员图像为员工还是非员工，因此可能出现基于第一判断条件的识别结果和基于第二判断条件的识别结果出现矛盾的情况，此时认为数据不准确，将不准确的数据对应的人员图像数据视为非员工图像数据进行后续检查，从而规避因第一判断条件和第二判断条件矛盾而使识别结果精度降低的可能性。

本申请实施例中，用于计算目标概率和相似度的计算平台包含1张1080Ti的计算机，内存为8G，处理器主频为2.3GHz。具体计算平台的配置可根据具体情况确定，本申请在此不作限制。

为了使本领域技术人员更好的理解本申请的方案，图5示出了一种员工识别方法示意图，如图5所示，接下来对本申请提供的方法进行详细描述：

具体实施步骤S101时，首先获取场景中布控的摄像头视野范围内的实时监控图像，该实时监控图像中包含至少两个不同的人员图像；需要说明的是，该实时监控图像可以为相同摄像头视野下的实时监控图像，图3示出了相同摄像头视野下的实时监控图像的员工识别方法示意图，也可以为不同摄像头视野下的实时监控图像，图4示出了不同摄像头视野下的实时监控图像的员工识别方法示意图，如图3和图4所示，在获取实时监控图像后，对于相同摄像头视野下和不同摄像头视野下的实时监控图像的处理过程相同，因此在后续的方案描述过程中不再分开描述。

随后选定该帧的实时监控图像中的多个人员图像数据，将每个人员图像数据单独分割出来进行后续处理，具体而言，基于实时监控图像中的动态区域和静态区域，获取动态区域中的人员区域的位置，作为所述实时监控图像中人员位置，该人员位置为所述人员图像在所述该帧的实时监控图像中的位置；在确定了该人员位置之后，对所述人员位置进行分割，得到人员分割结果。需要说明的是，所述目标检测技术和图像分割技术可参见现有技术，本申请在此不再赘述。

随后，基于所述人员分割结果对所述实时监控图像进行裁剪，将所述人员分割结果从当前帧的实时监控图像中裁剪出来，作为前景图像，同时，将背景图像设置为黑色，将所述前景图像和所述背景图像组成所述人员图像数据。该人员图像数据中的前景图像为人员图像数据的像素，背景图像为黑色防止后续对前景图像的像素进行处理时产生不良影响。需要说明的是，所述裁剪和背景置为黑色的方法可参见现有技术，本申请在此不再赘述。

在一种可选的实施方式中，在得到人员图像数据之后，对该人员图像数据进行预处理，提升后续处理过程的识别效率和准确率。具体而言，在获取所述人员图像数据之后，需要将该人员图像数据的亮度进行增强，使得该人员图像数据的亮度信息与用于生成所述员工特征概率分布的预学习数据的亮度信息统一。

由于人员图像数据的像素为BGR颜色空间的像素，为了调整该人员图像数据的亮度（明度）信息，在一种可选的实施方式中，先将所述人员图像数据转换为HSV或HSI颜色空间图像数据。以将所述人员图像数据转换为HSV颜色空间图像数据为例，HSV（Hue,Saturation, Value）颜色空间为是根据颜色的直观特性创建的一种颜色空间，也称六角锥体模型（Hexcone Model），这个模型中颜色的参数分别是色调（H）、饱和度（S）和明度（V）；获取所述HSV颜色空间图像数据中的V通道数据，该V通道数据表征了该图像数据的亮度信息；随后计算所述V通道数据的均值与方差，将所述HSV颜色空间图像数据的V通道图像数据的均值和方差归一化至预设参考图像数据的均值和方差，得到新的HSV颜色空间图像数据，其中预设参考图像数据为用于构建员工特征概率分布的预学习数据；最后将所述新的HSV颜色空间图像数据转换回BGR颜色空间图像数据，作为所述人员图像数据，至此完成对人员图像数据的亮度增强，与预设参考图像数据的亮度相同。

在一种可选的实施方式中，在得到亮度增强的人员图像数据之后，还需要对该亮度增强的人员图像数据进行进一步处理，提升后续处理过程的识别效率和准确率。具体而言，在获取亮度增强后的人员图像数据之后，需要将该亮度增强后的人员图像数据的颜色进行增强，使得该人员图像数据的颜色的信息与用于生成所述员工特征概率分布的预学习数据的颜色信息统一。

由于人员图像数据的像素为BGR颜色空间的像素，为了调整该人员图像数据的颜色信息，因此需要先将所述人员图像数据转换为CLELAB颜色空间图像数据，其中，CLELAB颜色空间是一种设备无关的颜色空间，也是一种基于生理特征的颜色系统，该颜色空间色域更大，是用数字化的方法来描述的视觉感应；随后计算CLELAB颜色空间图像数据的均值与方差，将所述CLELAB颜色空间图像数据的均值和方差归一化至预设参考图像数据的均值和方差，得到新的CLELAB颜色空间图像数据，其中预设参考图像数据为用于构建员工特征概率分布的预学习数据；最后将所述新的CLELAB颜色空间图像数据转换回BGR颜色空间图像数据，作为所述人员图像数据，至此完成对人员图像数据的颜色增强，与预设参考图像数据的颜色强度相同。

具体实施步骤S102时，基于所述多个人员图像数据中的第一人员图像数据和第二人员图像数据，获取所述第一人员图像数据和所述第二人员图像数据之间的相似度。

首先基于所述第一人员图像数据的像素值，通过K均值聚类（K-means）的方式构建针对于所述第一人员图像数据的高斯概率分布。具体而言，首先对第一人员图像数据的像素值进行逐像素展开，得到第一人员图像数据的像素值对应的多个三维向量，该三维向量c_p1为BGR像素值对应的向量(b_p1,g_p1,r_p1)；随后，将该第一人员图像数据的像素值对应的所有三维向量作为样本值，随机选择其中目标数量个样本值作为初始聚类中心，计算所有样本值到所述初始聚类中心的欧式距离，将与每个初始聚类中心最近的所有样本值作为该初始聚类中心对应的聚类；然后计算每个聚类内所有样本值的均值，作为新的聚类中心。重复迭代上述聚类过程，直至聚类中心的位置不再发生改变，将最后一次更新的聚类中心作为输出的第一聚类中心。

基于上述聚类中心的获取过程，得到目标数量的第一聚类中心，该第一聚类中心为经过上述迭代过程位置不再发生改变的针对于第一人员图像数据的聚类中心，并将到每个第一聚类中心的距离最近的所述第一人员图像数据的像素值，作为所述每个第一聚类中心对应的像素值，每个第一聚类中心对应的像素值的三维向量为c_p1=(b_p1,g_p1,r_p1)；根据对应于每个第一聚类中心的聚类中的像素值的三维向量，计算每个聚类的均值μ_p1和方差∑_p1；最后，基于所有第一聚类中心对应的像素值的均值μ_p1和方差∑_p1，构建所述针对于所述第一人员图像数据的三元独立高斯概率分布N_p1~(μ_p1,∑_p1)，作为所述第一高斯概率分布。

以图5为例，左侧表示第一人员图像数据为员工图像数据，该第一人员图像数据经K均值聚类后得到均值μ_p1=μ_s和方差∑_p1=σ_s；右侧表示第二人员图像数据为非员工图像数据，该第二人员图像数据经K均值聚类后得到均值μ_p2=μ_p和方差∑_p2=σ_p。具体而言，对于左侧的员工图像数据来说，每个聚类中心对应的员工图像数据像素值的三维向量为c_s，其中，在第一维度上对应的向量为，其均值为/>，方差/>；在第二维度上对应的向量为/>，其均值为/>，方差/>；在第三维度上对应的向量为/>，其均值为/>，方差/>。对于右侧的非员工图像数据来说，每个聚类中心对应的员工图像数据像素值的三维向量为c_p，其中，在第一维度上对应的向量为/>，其均值为/>，方差/>；在第二维度上对应的向量为/>，其均值为/>，方差/>；在第三维度上对应的向量为/>，其均值为/>，方差/>。

随后，基于所述第二人员图像数据的像素值，通过K均值聚类（K-means）的方式构建针对于所述第二人员图像数据的高斯概率分布。具体而言，首先对第二人员图像数据的像素值进行逐像素展开，得到第二人员图像数据的像素值对应的多个三维向量，该三维向量c_p2为BGR像素值对应的向量(b_p2,g_p2,r_p2)；随后，将该第二人员图像数据的像素值对应的所有三维向量作为样本值，随机选择其中目标数量个样本值作为初始聚类中心，计算所有样本值到所述初始聚类中心的欧式距离，将与每个初始聚类中心最近的所有样本值作为该初始聚类中心对应的聚类；然后计算每个聚类内所有样本值的均值，作为新的聚类中心。重复迭代上述聚类过程，直至聚类中心的位置不再发生改变，将最后一次更新的聚类中心作为输出的第二聚类中心。

基于上述聚类中心的获取过程，得到目标数量的第二聚类中心，该第二聚类中心为经过上述迭代过程位置不再发生改变的针对于第二人员图像数据的聚类中心，并将到每个第二聚类中心的距离最近的所述第二人员图像数据的像素值，作为所述每个第二聚类中心对应的像素值，每个第二聚类中心对应的像素值的三维向量为c_p2=(b_p2,g_p2,r_p2)；根据对应于每个第二聚类中心的聚类中的像素值的三维向量，计算每个聚类的均值μ_p2和方差∑_p2；最后，基于所有第二聚类中心对应的像素值的均值μ_p2和方差∑_p2，构建所述针对于所述第二人员图像数据的三元独立高斯概率分布N_p2~(μ_p2,∑_p2)，作为所述第二高斯概率分布。

上述第一高斯概率分布和第二高斯概率分布均表征了图像中对应人员的服装信息，所述服装信息可以为员工穿着的上衣、下衣、帽子、鞋子等服装信息，具体服装信息本申请不作限制。由于员工的服装为与日常服装区别较大的工作服装，基于服装信息对不同的人员图像数据进行聚类并获取的高斯分布可以用于表征不同的人员之间的差别。

需要说明的是，上述聚类中心的目标数量基于员工服装先验信息决定，该聚类中心至少为2个，示例性地，所述聚类中心一般可以取2-3个。具体的聚类中心的目标数量可根据实际情况确定，本申请在此不作限制。

根据上述内容可知，第一高斯概率分布表征了第一人员图像数据对应的人员服装信息，第二高斯概率分布表征了第二人员图像数据对应的人员服装信息，通过第一高斯概率分布和第二高斯概率分布之间的差别来表征两个分布对应的人员之间的差别，因此，计算所述第一高斯概率分布和第二高斯概率分布之间的相似度。

在一种可选的实施方式中，通过计算所述第一高斯概率分布N_p1~(μ_p1,∑_p1)与所述第二高斯概率分布N_p2~(μ_p2,∑_p2)之间的KL散度（Kullback-Leibler divergence），作为所述相似度。在统计学意义上来说，KL散度可以用来衡量两个分布之间的差异程度。若两者差异越小，KL散度越小；反之，若两者差异越大，KL散度越大；当两者分布一致时，其KL散度为0。

通过第一高斯概率分布和第二高斯概率分布之间的相似度确定所述第一人员图像数据和第二人员图像数据是否为相同类型的图像数据，通过两个不同人员图像数据的联合判断，提升了员工识别的精度，避免因只针对单一人员的识别造成的识别精度低的问题。

具体实施步骤S103时，基于所述人员图像数据的像素值，获取目标数量的聚类中心，具体过程可参见上述S102步骤中对于第一人员图像数据获取目标数量的第一聚类中心，以及对于第二人员图像数据获取目标数量的第二聚类中心的过程，本申请在此不再赘述。

随后获取员工特征概率分布，所述员工特征概率分布用于作为获取人员图像数据对应的目标概率的标准。在一种可选的实施方式中，所述员工特征概率分布按照如下方式获取：

首先，获取事先存储的多个员工图像数据，该员工图像数据中的人员为穿有员工服装的员工，将多个员工图像数据作为预设参考图像，用于获取针对于员工图像数据的三元独立高斯分布，将多个员工图像数据进行合并，得到预学习数据，该预学习数据包含了多个员工图像数据中BGR颜色空间的像素值。

基于所述预学习数据的像素值，通过K均值聚类（K-means）的方式构建针对于所述预学习数据的高斯概率分布。具体而言，首先对预学习数据的像素值进行逐像素展开，得到人员图像数据的像素值对应的多个三维向量，该三维向量c_s为BGR像素值对应的向量(b_s,g_s,r_s)；随后，将该预学习数据的像素值对应的所有三维向量作为样本值，随机选择其中目标数量个样本值作为第一预学习聚类中心，计算所有样本值到所述第一预学习聚类中心的欧式距离，将与每个第一预学习聚类中心最近的所有样本值作为该第一预学习聚类中心对应的聚类；然后计算每个聚类内所有样本值的均值，作为新的预学习聚类中心。重复迭代上述聚类过程，直至预学习聚类中心的位置不再发生改变，将最后一次更新的预学习聚类中心作为输出的预学习聚类中心。

基于上述预学习聚类中心的获取过程，得到目标数量的预学习聚类中心，该预学习聚类中心为经过上述迭代过程位置不再发生改变的预学习聚类中心，并将到每个预学习聚类中心的距离最近的所述预学习数据的像素值，作为所述每个预学习聚类中心对应的像素值，每个预学习聚类中心对应的像素值的三维向量为c_s=(b_s,g_s,r_s)；根据对应于每个预学习聚类中心的聚类中的像素值的三维向量，计算每个聚类的均值μ_s和方差∑_s；最后，基于所有预学习聚类中心对应的像素值的均值μ_s和方差∑_s，构建所述针对于所述预学习数据的三元独立高斯概率分布N_s~(μ_s,∑_s)，该三元独立高斯分布表征了预学习数据中预设参考图像中员工的服装信息，所述服装信息可以为员工穿着的上衣、下衣、帽子、鞋子等服装信息，具体服装信息本申请不作限制。将所述人员图像数据对应的聚类中心对应的均值代入该针对于预学习数据的三元独立高斯分布中，可以获取所述人员图像数据为员工数据的概率。

需要说明的是，预学习聚类中心的目标数量基于员工服装先验信息决定，该预学习聚类中心至少为2个，一般取2-3个。具体的预学习聚类中心的目标数量可根据实际情况确定，本申请在此不作限制。

最后，以人员图像数据基于所有聚类中心对应的像素值的均值μ_p为采用点，代入所述员工特征概率分布N_s~(μ_s,∑_s)中，计算均值μ_p在所述员工特征概率分布下的概率，作为所述人员图像数据对应的目标概率。

在一种可选的实施方式中，所述人员图像数据包括第一人员图像数据和第二人员图像数据，所述第一人员图像数据基于所有第一聚类中心对应的像素值的均值为μ_p1，将μ_p1代入所述员工特征概率分布N_s中，得到第一人员图像数据对应的第一目标概率p₁；所述第二人员图像数据基于所有第二聚类中心对应的像素值的均值为μ_p2，将μ_p2代入所述员工特征概率分布N_s中，得到第二人员图像数据对应的第二目标概率p₂。

以图5为例，左侧表示第一人员图像数据为员工图像数据，将该第一人员图像数据经K均值聚类后得到μ_p1=μ_s代入所述员工特征概率分布N_s中，得到第一人员图像数据对应的第一目标概率p₁；右侧表示第二人员图像数据为非员工图像数据，将该第一人员图像数据经K均值聚类后得到μ_p2=μ_s代入所述员工特征概率分布N_s中，得到第二人员图像数据对应的第二目标概率p₂。

在获取第一人员图像数据对应的第一目标概率、第二人员图像数据对应的第二目标概率以及第一人员图像数据和第二人员图像数据之间的相似度之后，判断相似度KL与第一阈值KL_th的大小关系，作为第一判断条件；判断第一目标概率p₁、第二目标概率p₂分别与第二阈值p_th的大小关系，作为第二判断条件，联合第一判断条件和第二判断条件生成相应的识别结果，图6示出了一种联合身份确认流程图，如图6所示，具体包括如下情况：

若所述相似度KL小于所述第一阈值KL_th，且所述第一目标概率p₁与所述第二目标概率p₂均大于所述第二阈值p_th，此时，由于相似度KL小于所述第一阈值KL_th，说明第一人员图像数据和第二人员图像数据均为员工数据或均为非员工数据，而此时第一目标概率p₁和第二目标概率p₂均大于第二阈值p_th，说明第一人员图像和第二人员图像数据均为员工数据，与第一判断条件的结果吻合不产生矛盾，直接将所述第一人员图像数据与所述第二人员图像数据均为员工图像数据作为所述识别结果。

若所述相似度KL小于所述第一阈值KL_th，且所述第一目标概率p₁与所述第二目标概率p₂均小于所述第二阈值p_th，此时，由于相似度KL小于所述第一阈值KL_th，说明第一人员图像数据和第二人员图像数据均为员工数据或均为非员工数据，而此时第一目标概率p₁和第二目标概率p₂均小于第二阈值p_th，说明第一人员图像和第二人员图像数据均为非员工数据，与第一判断条件的结果吻合不产生矛盾，直接将所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据作为所述识别结果。

若所述相似度KL小于所述第一阈值KL_th，且所述第一目标概率p₁与所述第二目标概率p₂中的一个小于所述第二阈值p_th，另一个大于所述第二阈值p_th，此时，由于相似度KL小于所述第一阈值KL_th，说明第一人员图像数据和第二人员图像数据均为员工数据或均为非员工数据，而此时第一目标概率p₁和第二目标概率p₂中的一个小于第二阈值p_th，另一个大于第二阈值p_th，说明第一人员图像和第二人员图像数据一个为员工数据另一个为非员工数据，这与第一判断条件的结果产生矛盾，此时认为计算得到的第一目标概率和/或第二目标概率不准确，为了进一步确认人员图像数据的识别结果，将所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据作为所述识别结果，再对非员工图像数据进行进一步的确认和核实。

若所述相似度KL大于所述第一阈值KL_th，且所述第一目标概率p₁小于所述第二阈值p_th，所述第二目标概率p₂大于所述第二阈值p_th，此时，由于相似度KL大于所述第一阈值KL_th，说明第一人员图像数据和第二人员图像数据中一个为员工数据另一个为非员工数据，而此时所述第一目标概率p₁小于所述第二阈值p_th，所述第二目标概率p₂大于所述第二阈值p_th，说明第一人员图像为非员工图像，第二人员图像为员工图像，与第一判断条件的结果吻合不产生矛盾，直接将所述第一人员图像数据为非员工图像数据，所述第二人员图像数据为员工图像数据作为所述识别结果。

若所述相似度KL大于所述第一阈值KL_th，且所述第一目标概率p₁大于所述第二阈值p_th，所述第二目标概率p₂小于所述第二阈值p_th，此时，由于相似度KL大于所述第一阈值KL_th，说明第一人员图像数据和第二人员图像数据中一个为员工数据另一个为非员工数据，而此时所述第一目标概率p₁大于所述第二阈值p_th，所述第二目标概率p₂小于所述第二阈值p_th，说明第一人员图像为员工图像，第二人员图像为非员工图像，与第一判断条件的结果吻合不产生矛盾，直接将所述第一人员图像数据为员工图像数据，所述第二人员图像数据为非员工图像数据作为所述识别结果。

若所述相似度KL大于所述第一阈值KL_th，且不满足所述第一目标概率p₁与所述第二目标概率p₂中的一个小于所述第二阈值p_th，另一个大于所述第二阈值p_th，此时，由于相似度KL大于所述第一阈值KL_th，说明第一人员图像数据和第二人员图像数据中一个为员工数据另一个为非员工数据，而此时不满足第一目标概率p₁与所述第二目标概率p₂中的一个小于所述第二阈值p_th，另一个大于所述第二阈值p_th（即两个均大于或小于第二阈值p_th）。说明第一人员图像和第二人员图像均为员工图像或均为非员工图像，这与第一判断条件的结果产生矛盾，此时认为计算得到的第一目标概率和/或第二目标概率不准确，为了进一步确认人员图像数据的识别结果，将所述第一人员图像数据与所述第二人员图像数据均为非员工图像数据作为所述识别结果，再对非员工图像数据进行进一步的确认和核实。

本申请实施例提供了一种员工识别方法，包括：获取实时监控图像中的多个人员图像数据；基于所述人员图像数据，获取所述人员图像数据之间的相似度；基于所述人员图像数据与员工特征概率分布，获取目标概率，所述目标概率为所述人员图像数据为员工图像数据的概率；基于第一判断条件和第二判断条件，确定识别结果，所述第一判断条件为所述相似度与第一阈值的大小关系，所述第二判断条件为所述目标概率与第二阈值的大小关系。本申请在单人为员工的概率基础上，通过多人员联动信息对人员是否为员工进行多人联合识别，提升了识别的准确率，且本方案无需进行海量模型训练，处理时间快、计算成本低，从而可以轻量、高效、高精度的实现员工识别。

基于同一发明构思，本申请实施例公开一种员工识别装置，图7示出了一种员工识别装置示意图，如图7所示，包括：

其中，所述相似度获取模块，包括：

所述目标概率获取模块，包括：

其中，所述目标概率获取子模块，还包括：

其中，所述员工识别模块，包括：

基于同一发明构思，本申请实施例公开了一种电子设备，图8示出了本申请实施例公开的电子设备示意图，如图8所示，电子设备100包括：存储器110和处理器120，存储器110与处理器120之间通过总线通信连接，存储器110中存储有计算机程序，该计算机程序可在处理器120上运行，以实现本申请实施例公开的一种员工识别方法中的步骤。

基于同一发明构思，本申请实施例公开了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请实施例公开的一种员工识别方法中的步骤。

基于同一发明构思，本申请还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请实施例公开的一种员工识别方法中的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种员工识别方法、装置、设备、介质及产品，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种员工识别方法，其特征在于，包括：

获取实时监控图像中的多个人员图像数据，所述人员图像数据至少包括第一人员图像数据和第二人员图像数据；

基于所述第一人员图像数据，获取目标数量的第一聚类中心，以及每个第一聚类中心对应的像素值；基于所有第一聚类中心对应的像素值的均值和方差，构建第一高斯概率分布，所述第一高斯概率分布用于表征所述第一人员图像数据对应的人员的服装信息；

基于所述第二人员图像数据，获取所述目标数量的第二聚类中心，以及每个第二聚类中心对应的像素值；基于所有第二聚类中心对应的像素值的均值和方差，构建第二高斯概率分布，所述第二高斯概率分布用于表征所述第二人员图像数据对应的人员的服装信息；

计算所述第一高斯概率分布与所述第二高斯概率分布之间的KL散度，作为相似度，所述相似度用于判断所述第一人员图像数据和所述第二人员图像数据是否为相同类型的图像数据；

2.根据权利要求1所述的一种员工识别方法，其特征在于，基于所述人员图像数据与员工特征概率分布，获取目标概率，包括：

3.根据权利要求1所述的一种员工识别方法，其特征在于，所述员工特征概率分布，按照如下方式获取：

4.根据权利要求1所述的一种员工识别方法，其特征在于，所述人员图像数据包括第一人员图像数据和第二人员图像数据，所述目标概率包括对应于所述第一人员图像数据的第一目标概率和对应于所述第二人员图像数据的第二目标概率，基于第一判断条件和第二判断条件，确定识别结果，包括：

5.根据权利要求1至4任一项所述的一种员工识别方法，其特征在于，所述实时监控图像为相同摄像头视野下的实时监控图像或不同摄像头视野下的实时监控图像。

6.一种员工识别装置，其特征在于，包括：

人员图像数据获取模块，用于获取实时监控图像中的多个人员图像数据，所述人员图像数据至少包括第一人员图像数据和第二人员图像数据；

第一分布获取模块，用于基于所述第一人员图像数据，获取目标数量的第一聚类中心，以及每个第一聚类中心对应的像素值；基于所有第一聚类中心对应的像素值的均值和方差，构建第一高斯概率分布，所述第一高斯概率分布用于表征所述第一人员图像数据对应的人员的服装信息；

第二分布获取模块，用于基于所述第二人员图像数据，获取所述目标数量的第二聚类中心，以及每个第二聚类中心对应的像素值；基于所有第二聚类中心对应的像素值的均值和方差，构建第二高斯概率分布，所述第二高斯概率分布用于表征所述第二人员图像数据对应的人员的服装信息；

相似度获取模块，用于计算所述第一高斯概率分布与所述第二高斯概率分布之间的KL散度，作为相似度，所述相似度用于判断所述第一人员图像数据和所述第二人员图像数据是否为相同类型的图像数据；

7.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1-5中任一所述的一种员工识别方法中的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-5中任一所述的一种员工识别方法中的步骤。