CN116186549B - 模型的训练方法、装置、设备和介质 - Google Patents
模型的训练方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116186549B CN116186549B CN202310483699.0A CN202310483699A CN116186549B CN 116186549 B CN116186549 B CN 116186549B CN 202310483699 A CN202310483699 A CN 202310483699A CN 116186549 B CN116186549 B CN 116186549B
- Authority
- CN
- China
- Prior art keywords
- track
- identification code
- face
- line
- track point
- 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.)
- Active
Links
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
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Electrically Operated Instructional Devices (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种模型的训练方法,包括:从已关联轨迹线样本中确定第一人脸轨迹线包括的第一人脸轨迹点,以及第一识别码轨迹线包括的第一识别码轨迹点;从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对;从第一人脸轨迹线和第一识别码轨迹线中确定第一匹配轨迹线对,并将第一匹配轨迹线对包含的第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量;根据第一人脸轨迹点数量、第一识别码轨迹点数量、以及第一轨迹点对数量,对待关联轨迹线样本进行关联生成新增轨迹线样本;采用已关联轨迹线样本和新增轨迹线样本,进行模型训练生成轨迹线关联模型。本发明减少了训练轨迹线关联模型时,构建样本所需人工成本,且提高模型训练效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种模型的训练方法、装置、设备和介质。
背景技术
随着我国城市化进度的深入,城市中定位与导航系统日益完善中的同时产生了大量轨迹线,轨迹线是由一系列有时空信息的轨迹点组合而成的。例如,轨迹线可以是人脸轨迹线、识别码轨迹线或者车辆轨迹线等等。
为了实现基础数据横向贯通及信息互补,如何对不同类型的轨迹线进行关联,成为城市智能安防系统中的前沿热点问题。现有技术通常会采用训练得到的轨迹线关联模型来进行轨迹线关联,而目前的轨迹线关联模型大多是采用全监督方式训练得到的。
发明内容
本发明提供了一种模型的训练方法、装置、设备和介质,以解决现有技术采用全监督方式训练轨迹线关联模型,存在样本构建所需的人工成本高,以及模型训练效率低的问题。
根据本发明的一方面,提供了一种模型的训练方法,包括:
从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定所述第一人脸轨迹线包括的第一人脸轨迹点,以及所述第一识别码轨迹线包括的第一识别码轨迹点;
根据所述第一人脸轨迹点的第一采集属性,以及所述第一识别码轨迹点的第二采集属性,从所述第一人脸轨迹点和所述第一识别码轨迹点中确定第一匹配轨迹点对;
根据包含所述第一匹配轨迹点对的轨迹点对数量,从所述第一人脸轨迹线和所述第一识别码轨迹线中确定第一匹配轨迹线对,并将所述第一匹配轨迹线对包含的所述第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量;
根据所述第一人脸轨迹点的第一人脸轨迹点数量、所述第一识别码轨迹点的第一识别码轨迹点数量、以及所述第一轨迹点对数量,对待关联轨迹线样本中的第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本;
采用所述已关联轨迹线样本和所述新增轨迹线样本,进行模型训练生成轨迹线关联模型。
根据本发明的另一方面,提供了一种模型的训练装置,包括:
轨迹点确定模块,用于从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定所述第一人脸轨迹线包括的第一人脸轨迹点,以及所述第一识别码轨迹线包括的第一识别码轨迹点;
匹配轨迹点对确定模块,用于根据所述第一人脸轨迹点的第一采集属性,以及所述第一识别码轨迹点的第二采集属性,从所述第一人脸轨迹点和所述第一识别码轨迹点中确定第一匹配轨迹点对;
匹配轨迹线对确定模块,用于根据包含所述第一匹配轨迹点对的轨迹点对数量,从所述第一人脸轨迹线和所述第一识别码轨迹线中确定第一匹配轨迹线对,并将所述第一匹配轨迹线对包含的所述第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量;
轨迹线样本生成模块,用于根据所述第一人脸轨迹点的第一人脸轨迹点数量、所述第一识别码轨迹点的第一识别码轨迹点数量、以及所述第一轨迹点对数量,对待关联轨迹线样本中的第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本;
模型训练模块,用于采用所述已关联轨迹线样本和所述新增轨迹线样本,进行模型训练生成轨迹线关联模型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的模型的训练方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的模型的训练方法。
本发明实施例的技术方案通过基于已关联轨迹线样本,自动对待关联轨迹线样本进行关联,生成新增轨迹线样本,从而采用已关联轨迹线样本和新增轨迹线样本,进行模型训练生成轨迹线关联模型,实现了采用半监督方式训练轨迹线关联模型的效果,减少了样本构建所需的人工成本,且提高了模型训练效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供了一种模型的训练方法的流程图;
图2A为本发明实施例二提供的一种模型的训练方法的流程图;
图2B为本发明实施例二提供的一种轨迹线关联模型训练的场景示意图;
图3为本发明实施例三提供的一种模型的训练装置的结构示意图;
图4是实现本发明实施例的模型的训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“已关联”、“待关联”、“候选”、以及“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了实现基础数据横向贯通及信息互补,如何对不同类型的轨迹线进行关联,成为城市智能安防系统中的前沿热点问题。这其中,如何将人脸轨迹线和识别码轨迹线进行关联更是重中之重,这是因为将人脸轨迹线和识别码轨迹线进行关联,从而建设一人一档,能够极大丰富人的轨迹信息,可以快速帮助公安定位观测对象的身份,极大辅助公安技侦查破案,增强城市智能安防系统能力。
在最早时,现有技术大多是采用相似度度量方法来进行轨迹线关联,例如基于动态时间扭曲或者碰撞次数等参数来进行轨迹线关联,但是这种方法无法应对轨迹线中两者轨迹线长度不相等、两者轨迹点密度与分布差距巨大、以及离群点过多等诸多问题,导致轨迹线关联精度较低。
目前,现有技术大多会采用训练得到的轨迹线关联模型来进行轨迹线关联,这种方法只要模型训练所需的样本足够丰富,都会得到较好的关联结果,关联精度能满足大部分的应用场景。然而,目前的轨迹线关联模型大多是采用全监督方式训练得到的,即模型训练所需的样本需要人工进行关联标注,换言之,需要人工构建样本中的人脸轨迹线和识别码轨迹线的关联关系,然后才可以基于关联后的样本进行模型训练。
可见,现有技术采用全监督方式来训练轨迹线关联模型,存在样本构建所需的人工成本高,以及模型训练效率低的问题。
实施例一
图1为本发明实施例一提供了一种模型的训练方法的流程图,本实施例可适用于采用半监督方式训练得到轨迹线关联模型的情况,该方法可以由模型的训练装置来执行,该模型的训练装置可以采用硬件和/或软件的形式实现。如图1所示,该方法包括:
S101、从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定第一人脸轨迹线包括的第一人脸轨迹点,以及第一识别码轨迹线包括的第一识别码轨迹点。
其中,已关联轨迹线样本表示已通过人工方式建立了第一人脸轨迹线与第一识别码轨迹线之间关联关系的训练样本。已关联轨迹线样本中包括人脸轨迹线样本和识别码轨迹线样本,将人脸轨迹线样本作为第一人脸轨迹线,且将识别码轨迹线样本作为第一识别码轨迹线。例如,第一人脸轨迹线A和第一识别码轨迹线B均为同一人的轨迹线,则通过人工方式建立第一人脸轨迹线A和第一识别码轨迹线B之间关联关系,共同作为已关联轨迹线样本。可以理解的是,第一人脸轨迹线仅表示人脸轨迹线样本的集合,并不代表某条特定的人脸轨迹线样本;相应的,第一识别码轨迹线也仅表示识别码轨迹线样本的集合,并不代表某条特定的识别码轨迹线样本。
人脸轨迹线表示由同一人的人脸轨迹点组成的轨迹线,人脸轨迹点表示通过人脸识别技术识别到某人时对应的位置点。例如,通过人脸识别技术分别在位置1、位置2、位置3和位置4处识别到用户A,则根据位置1、位置2、位置3和位置4分别生成用户A对应的人脸轨迹点1、人脸轨迹点2、人脸轨迹点3和人脸轨迹点4,进而根据人脸轨迹点1、人脸轨迹点2、人脸轨迹点3和人脸轨迹点4生成用户A对应的人脸轨迹线。可以理解的是,本实施例中将各第一人脸轨迹线包括的人脸轨迹点,看作第一人脸轨迹点。
识别码轨迹线表示由同一设备的识别码轨迹点组成的轨迹线,识别码轨迹点表示通过侦码技术检测到某设备的识别码信号时对应的位置点。其中,识别码信号包括但不限于IMSI(International Mobile Subscriber Identity,国际移动用户识别码)或者TMSI(Temporary Mobile Subscriber Identity,临时移动用户识别码)等。设备包括但不限于智能手机、个人电脑或者平板电脑等电子设备。
例如,通过侦码技术分别在位置5、位置6、位置7和位置8处检测到设备B的识别码信号,则根据位置5、位置6、位置7和位置8分别生成设备B对应的识别码轨迹点5、识别码轨迹点6、识别码轨迹点7和识别码轨迹点8,进而根据识别码轨迹点5、识别码轨迹点6、识别码轨迹点7和识别码轨迹点8生成设备B对应的识别码轨迹点。可以理解的是,本实施例中将各第一识别码轨迹线包括的识别码轨迹点,看作第一识别码轨迹点。
在一种实施方式中,获取人脸智能相机采集的人脸图像数据,以及侦码设备检测的识别码信号数据。分别对人脸图像数据和识别码信号数据进行数据清洗,包括但不限于过滤掉采集位置异常及采集时间异常的人脸图像数据和识别码信号数据。
对剩余的人脸图像数据进行人脸识别,并根据人脸识别结果生成人脸轨迹点,并将同一人的人脸轨迹点进行融合生成人脸轨迹线,作为第一人脸轨迹线;并且,对剩余的识别码信号数据进行统计分析,并根据统计分析结果生成识别码轨迹点,并将同一设备的识别码轨迹点进行融合生成识别码轨迹线,作为第一识别码轨迹线。
将第一人脸轨迹线作为人脸轨迹线样本,且将第一识别码轨迹线作为识别码轨迹线样本,共同作为轨迹线样本。响应于人工对于轨迹线样本中第一人脸轨迹线和第一识别码轨迹线的关联操作,构建第一人脸轨迹线和第一识别码轨迹线之间的关联关系,生成已关联轨迹线样本。其中,为具有关联关系的第一人脸轨迹线和第一识别码轨迹线添加关联标签,关联标签用于标注第一人脸轨迹线和第一识别码轨迹线之间的关联关系。例如,第一人脸轨迹线A和第一识别码轨迹线A之间具有关联关系,则为第一人脸轨迹线A和第一识别码轨迹线A添加关联标签,该关联标签用于标注第一人脸轨迹线A和第一识别码轨迹线A之间的关联关系。
对已关联轨迹线样本进行轨迹线遍历,确定已关联轨迹线样本中包含的第一人脸轨迹线以及第一识别码轨迹线,并分别对第一人脸轨迹线以及第一识别码轨迹线进行轨迹点遍历,确定第一人脸轨迹线包括的第一人脸轨迹点,以及第一识别码轨迹线包括的第一识别码轨迹点。
通过从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定第一人脸轨迹线包括的第一人脸轨迹点,以及第一识别码轨迹线包括的第一识别码轨迹点,起到了数据准备的效果,为后续确定第一匹配轨迹点对奠定了数据基础。
S102、根据第一人脸轨迹点的第一采集属性,以及第一识别码轨迹点的第二采集属性,从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对。
其中,采集属性表示对轨迹点进行采集对应的相关属性数据,可以理解的是,将第一人脸轨迹点的采集属性作为第一采集属性,将第一识别码轨迹点的采集属性作为第二采集属性。
在一种实施方式中,获取第一人脸轨迹点的第一采集属性,以及第一识别码轨迹点的第二采集属性。将第一采集属性与第二采集属性进行匹配,确定第一采集属性与第二采集属性之间的属性相似度,并将属性相似度大于相似度阈值的第一人脸轨迹点和第一识别码轨迹点作为第一匹配轨迹点对。
可选的,第一采集属性包括第一采集位置和第一采集时间,第二采集属性包括第二采集位置和第二采集时间。
其中,第一采集位置表示通过人脸识别技术识别到第一人脸轨迹点时对应的位置,第一采集时间表示通过人脸识别技术识别到第一人脸轨迹点时对应的时间;相应的,第二采集位置表示通过侦码技术检测到第一识别码轨迹点时对应的位置,第二采集时间表示通过侦码技术检测到第一识别码轨迹点时对应的时间。第一采集位置和第二采集位置可以通过包括经纬度形式来表示,第一采集时间和第二采集时间可以通过包括国际标准时间形式来表示。
通过设置第一采集属性包括第一采集位置和第一采集时间,第二采集属性包括第二采集位置和第二采集时间,从而可以从位置和时间两个维度来描述采集属性,丰富了采集属性的数据维度,进而保证了基于第一采集属性和第二采集属性确定的第一匹配轨迹点对的准确性和可靠性。
S103、根据包含第一匹配轨迹点对的轨迹点对数量,从第一人脸轨迹线和第一识别码轨迹线中确定第一匹配轨迹线对,并将第一匹配轨迹线对包含的第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量。
在一种实施方式中,将任意的第一人脸轨迹线和第一识别码轨迹线进行组对,作为候选轨迹线对,并确定任意的候选轨迹线对之间包含的第一匹配轨迹点对的轨迹点对数量,并根据轨迹点对数量以及数量阈值,对候选轨迹线对进行筛选,并将筛选后剩余的候选轨迹线对作为第一匹配轨迹线对。进一步地,将第一匹配轨迹线对之间包含的第一匹配轨迹点对的轨迹点对数量进行求和,并将和值作为第一轨迹点对数量。
示例性的,假设将任意的第一人脸轨迹线和第一识别码轨迹线进行组对,得到候选轨迹线对1、候选轨迹线对2、候选轨迹线对3和候选轨迹线对4。候选轨迹线对1之间包含的第一匹配轨迹点对的轨迹点对数量为“10”,候选轨迹线对2之间包含的第一匹配轨迹点对的轨迹点对数量为“15”,候选轨迹线对3之间包含的第一匹配轨迹点对的轨迹点对数量为“20”,候选轨迹线对4之间包含的第一匹配轨迹点对的轨迹点对数量为“5”,假设数量阈值为12,则将候选轨迹线对2和候选轨迹线对3作为第一匹配轨迹线对,并且,确定第一轨迹点对数量为“15+20=35”。
通过根据包含第一匹配轨迹点对的轨迹点对数量,从第一人脸轨迹线和第一识别码轨迹线中确定第一匹配轨迹线对,并将第一匹配轨迹线对包含的第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量,实现了数据准备的效果,为后续基于第一轨迹点对数量对待关联轨迹线样本进行关联,奠定了数据基础。
S104、根据第一人脸轨迹点的第一人脸轨迹点数量、第一识别码轨迹点的第一识别码轨迹点数量、以及第一轨迹点对数量,对待关联轨迹线样本中的第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本。
其中,第一人脸轨迹点数量表示已关联轨迹线样本中包括的所有第一人脸轨迹点的总数量。第一识别码轨迹点数量表示已关联轨迹线样本中包括的所有第一识别码轨迹点的总数量。
待关联轨迹线样本表示还未建立第二人脸轨迹线与第二识别码轨迹线之间关联关系的训练样本。其中,第二人脸轨迹线表示待关联轨迹线样本中包括的人脸轨迹线样本,第二识别码轨迹线表示待关联轨迹线样本中包括的识别码轨迹线样本。
在一种实施方式中,获取第一人脸轨迹点的第一人脸轨迹点数量、第一识别码轨迹点的第一识别码轨迹点数量、以及第一轨迹点对数量。并且,还获取为具有关联关系的第一人脸轨迹线和第一识别码轨迹线添加关联标签。
进一步地,将第一人脸轨迹点数量、第一识别码轨迹点数量、以及第一轨迹点对数量作为训练数据,输入至待训练模型中,供待训练模型基于第一人脸轨迹点数量、第一识别码轨迹点数量、以及第一轨迹点对数量,预测第一人脸轨迹线和第一识别码轨迹线之间的预测关联标签,进而根据已经预先确定的关联标签以及待训练模型输出的预测关联标签,采用损失函数计算损失值,并根据损失值对待训练模型的模型参数进行优化,直至损失值满足预设标准为准,生成初始关联模型。可以理解的是,初始关联模型已经具备一定的轨迹线关联能力。
从待关联轨迹线样本中确定第二人脸轨迹线以及第二识别码轨迹线,并确定第二人脸轨迹线包括的第二人脸轨迹点,以及第二识别码轨迹线包括的第二识别码轨迹点。根据第二人脸轨迹点的第三采集属性,以及第二识别码轨迹点的第四采集属性,从第二人脸轨迹点和第二识别码轨迹点中确定第二匹配轨迹点对。根据包含第二匹配轨迹点对的轨迹点对数量,从第二人脸轨迹线和第二识别码轨迹线中确定第二匹配轨迹线对,并将第二匹配轨迹线对包含的第二匹配轨迹点对的轨迹点对数量,作为第二轨迹点对数量。
获取第二人脸轨迹点的第二人脸轨迹点数量,以及第二识别码轨迹点的第二识别码轨迹点数量。将第二人脸轨迹点数量、第二识别码轨迹点数量、以及第二轨迹点对数量,输入至初始关联模型,供初始关联模型利用其训练得到的轨迹线关联能力,输出第二人脸轨迹线以及第二识别码轨迹线之间的预测关联标签,从而基于预测关联标签对第二人脸轨迹线以及第二识别码轨迹线进行关联,并将建立第二人脸轨迹线以及第二识别码轨迹线之间关联关系的待关联轨迹线样本,看作新增轨迹线样本。
通过根据第一人脸轨迹点的第一人脸轨迹点数量、第一识别码轨迹点的第一识别码轨迹点数量、以及第一轨迹点对数量,对待关联轨迹线样本中的第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本,从而利用已关联轨迹线样本中的数据特征“第一人脸轨迹点数量”、“第一识别码轨迹点数量”、以及“第一轨迹点对数量”,来预测待关联轨迹线样本中的第二人脸轨迹线以及第二识别码轨迹线之间关联关系,即利用一部分已关联轨迹线样本来对待关联轨迹线样本进行轨迹线关联,实现了自动对待关联轨迹线样本进行轨迹线关联的效果,减少了人工介入,降低了人工成本,且提高了模型效率。
S105、采用已关联轨迹线样本和新增轨迹线样本,进行模型训练生成轨迹线关联模型。
在一种实施方式中,将已关联轨迹线样本和新增轨迹线样本合并为优化轨迹线样本,并将优化轨迹线样本包括的人脸轨迹线样本作为第三人脸轨迹线,包括的识别码轨迹线样本作为第三识别码轨迹线。相应的将第一人脸轨迹点数量和第二人脸轨迹点数量,合并为第三人脸轨迹点数量;将第一识别码轨迹点数量和第二识别码轨迹点数量,合并为第三识别码轨迹点数量;将第一轨迹点对数量和第二轨迹点对数量,合并为第三轨迹点对数量。
进一步地,将第三人脸轨迹点数量、第三识别码轨迹点数量、以及第三轨迹点对数量作为训练数据,输入至待训练模型中,供待训练模型基于第三人脸轨迹点数量、第三识别码轨迹点数量、以及第三轨迹点对数量,预测第三人脸轨迹线和第三识别码轨迹线之间的预测关联标签,进而根据已关联轨迹线样本和新增轨迹线样本的关联标签,以及待训练模型输出的预测关联标签,采用损失函数计算损失值,并根据损失值对待训练模型的模型参数进行优化,直至损失值满足预设标准为准,生成轨迹线关联模型。
其中,待训练模型可以是S104中公开了的“初始关联模型”,也可以是一个全新原始模型。
本发明实施例的技术方案通过基于已关联轨迹线样本,自动对待关联轨迹线样本进行关联,生成新增轨迹线样本,从而采用已关联轨迹线样本和新增轨迹线样本,进行模型训练生成轨迹线关联模型,实现了采用半监督方式训练轨迹线关联模型的效果,减少了样本构建所需的人工成本,且提高了模型训练效率。
实施例二
图2A为本发明实施例二提供的一种模型的训练方法的流程图,本实施例对上述实施例一进行进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2A所示,该方法包括:
S201、从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定第一人脸轨迹线包括的第一人脸轨迹点,以及第一识别码轨迹线包括的第一识别码轨迹点。
S202、根据第一采集位置和第二采集位置,确定第一人脸轨迹点和第一识别码轨迹点之间的采集位置差值,且根据第一采集时间和第二采集时间,确定第一人脸轨迹点和第一识别码轨迹点之间的采集时间差值。
示例性的,假设第一人脸轨迹点A的第一采集位置为(X1,Y1),第一识别码轨迹点B的第二采集位置为(X2,Y2),则第一人脸轨迹点A与第一识别码轨迹点B之间的采集位置差值为。假设第一人脸轨迹点A的第一采集时间为12点15分10秒,第一识别码轨迹点B的第二采集时间为12点15分50秒,则第一人脸轨迹点A与第一识别码轨迹点B之间的采集时间差值为40秒。
S203、根据采集位置差值和采集时间差值,从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对。
在一种实施方式中,获取预先设定的位置差值阈值以及时间差值阈值,并分别将采集位置差值和位置差值阈值,以及采集时间差值和时间差值阈值进行比对,并根据比对结果从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对。
通过根据第一采集位置和第二采集位置,确定第一人脸轨迹点和第一识别码轨迹点之间的采集位置差值,且根据第一采集时间和第二采集时间,确定第一人脸轨迹点和第一识别码轨迹点之间的采集时间差值;根据采集位置差值和采集时间差值,从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对,实现了依赖采集时间和采集空间两个属性维度,来确定第一匹配轨迹点对的效果,保证了确定第一匹配轨迹点对的准确性和可靠性。
可选的,根据采集位置差值和采集时间差值,从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对,包括:
将采集位置差值小于位置差值阈值,且采集时间差值小于时间差值阈值的第一人脸轨迹点和第一识别码轨迹点,作为第一匹配轨迹点对。
在一种实施方式中,若任意的第一人脸轨迹点和任意的第一识别码轨迹点之间的采集位置差值小于位置差值阈值,且采集时间差值小于时间差值阈值,则将该第一人脸轨迹点和该第一识别码轨迹点,作为第一匹配轨迹点对。
示例性的,假设设置位置差值阈值为100米,时间差值阈值为400秒。假设第一人脸轨迹点a和第一识别码轨迹点b之间的采集位置差值为80米,采集时间差值为200秒,则将第一人脸轨迹点a和第一识别码轨迹点b作为一组第一匹配轨迹点对。假设第一人脸轨迹点c和第一识别码轨迹点d之间的采集位置差值为80米,采集时间差值为500秒,则第一人脸轨迹点c和第一识别码轨迹点d不是第一匹配轨迹点对。
通过将采集位置差值小于位置差值阈值,且采集时间差值小于时间差值阈值的第一人脸轨迹点和第一识别码轨迹点,作为第一匹配轨迹点对,从而实现了通过对采集位置差值和采集时间差值,进行阈值判定的方式来确定第一匹配轨迹点对,保证了第一匹配轨迹点对确定的准确性和可靠性。
S204、将轨迹点对数量大于数量阈值的第一人脸轨迹线和第一识别码轨迹线,作为第一匹配轨迹线对,并将第一匹配轨迹线对包含的第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量。
示例性的,假设设置数量阈值为3。假设第一人脸轨迹线A1中的第一人脸轨迹点a1、第一人脸轨迹点b1、第一人脸轨迹点c1、和第一人脸轨迹点d1,分别和第一识别码轨迹线A2中的第一识别码轨迹点a2、第一识别码轨迹点b2、第一识别码轨迹点c2、和第一识别码轨迹点d2构成第一匹配轨迹点对。则确定第一人脸轨迹线A1和第一识别码轨迹线A2之间包含的第一匹配轨迹点对的轨迹点对数量为“4”,大于数量阈值“3”,则将第一人脸轨迹线A1和第一识别码轨迹线A2作为一组第一匹配轨迹线对。相应的,将第一人脸轨迹线A1和第一识别码轨迹线A2之间包含的第一匹配轨迹点对的轨迹点对数量“4”,作为第一轨迹点对数量。
通过将轨迹点对数量大于数量阈值的第一人脸轨迹线和第一识别码轨迹线,作为第一匹配轨迹线对,使得只有包含足够多数量的第一匹配轨迹点对的第一人脸轨迹线和第一识别码轨迹线,才能作为第一匹配轨迹线对,保证了第一匹配轨迹线对确定的准确性和可靠性。
S205、根据第一人脸轨迹点数量和第一轨迹点对数量,确定第一数量比值,且根据第一识别码轨迹点数量和第一轨迹点对数量,确定第二数量比值。
示例性的,假设第一人脸轨迹点数量为1000,第一轨迹点对数量为50,则第一数量比值为1000/50=20。假设第一识别码轨迹点数量为500,第一轨迹点对数量为50,则第二数量比值为500/50=10。
S206、根据第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、和第二数量比值,对第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本。
在一种实施方式中,获取第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、以及第二数量比值。并且,还获取为具有关联关系的第一人脸轨迹线和第一识别码轨迹线添加关联标签。
将关联标签、第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、以及第二数量比值作为训练数据,并采用训练数据对待训练模型进行训练,生成初始关联模型。采用初始关联模型对第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本。
通过根据第一人脸轨迹点数量和第一轨迹点对数量,确定第一数量比值,且根据第一识别码轨迹点数量和第一轨迹点对数量,确定第二数量比值;根据第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、和第二数量比值,对第二人脸轨迹线以及第二识别码轨迹线进行关联,从而扩展了已关联轨迹线样本中的数据特征,使得可以利用已关联轨迹线样本中五类数据特征,来预测待关联轨迹线样本中的第二人脸轨迹线以及第二识别码轨迹线之间关联关系,提高了自动对待关联轨迹线样本进行轨迹线关联的准确性和可靠性。
可选的,根据第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、和第二数量比值,对第二人脸轨迹线以及第二识别码轨迹线进行关联,包括:
获取已关联轨迹线样本中第一人脸轨迹线和第一识别码轨迹线之间的关联标签;将关联标签作为第一训练数据,且将第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、和第二数量比值,作为第二训练数据;根据第一训练数据和第二训练数据对待训练模型进行训练,生成初始关联模型,并采用初始关联模型对第二人脸轨迹线以及第二识别码轨迹线进行关联。
在一种实施方式中,将第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、以及第二数量比值作为第二训练数据,输入至待训练模型中,供待训练模型基于第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、以及第二数量比值,预测第一人脸轨迹线和第一识别码轨迹线之间的预测关联标签,进而将预先确定的关联标签作为第一训练数据,根据关联标签以及待训练模型输出的预测关联标签,采用损失函数计算损失值,并根据损失值对待训练模型的模型参数进行优化,直至损失值满足预设标准为准,生成初始关联模型。采用初始关联模型对第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本。
通过获取已关联轨迹线样本中第一人脸轨迹线和第一识别码轨迹线之间的关联标签;将关联标签作为第一训练数据,且将第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、和第二数量比值,作为第二训练数据;根据第一训练数据和第二训练数据对待训练模型进行训练,生成初始关联模型,并采用初始关联模型对第二人脸轨迹线以及第二识别码轨迹线进行关联,实现了自动对待关联轨迹线样本进行轨迹线关联的效果,减少了人工介入,降低了人工成本,且提高了模型效率,并且,由于初始关联模型是基于已关联轨迹线样本中多类数据特征训练得到的,相比基于单类数据特征进行模型训练,能够保证对待关联轨迹线样本进行轨迹线关联的准确性和可靠性。
可选的,采用初始关联模型对第二人脸轨迹线以及第二识别码轨迹线进行关联,包括:
A、确定第二人脸轨迹线包括的第二人脸轨迹点,以及第二识别码轨迹线包括的第二识别码轨迹点。
其中,待关联轨迹线样本中包括人脸轨迹线样本和识别码轨迹线样本,将人脸轨迹线样本作为第二人脸轨迹线,且将识别码轨迹线样本作为第二识别码轨迹线。将各第二人脸轨迹线包括的人脸轨迹点,看作第二人脸轨迹点,将各第二识别码轨迹线包括的识别码轨迹点,看作第二识别码轨迹点。
B、根据第二人脸轨迹点的第三采集属性,以及第二识别码轨迹点的第四采集属性,从第二人脸轨迹点和第二识别码轨迹点中确定第二匹配轨迹点对。
其中,第三采集属性包括第三采集位置和第三采集时间,第四采集属性包括第四采集位置和第四采集时间。
在一种实施方式中,根据第三采集位置和第四采集位置,确定第二人脸轨迹点和第二识别码轨迹点之间的采集位置差值,且根据第三采集时间和第四采集时间,确定第二人脸轨迹点和第二识别码轨迹点之间的采集时间差值。
根据第二人脸轨迹点和第二识别码轨迹点之间的采集位置差值,以及第二人脸轨迹点和第二识别码轨迹点之间的采集时间差值,从第二人脸轨迹点和第二识别码轨迹点中确定第二匹配轨迹点对。
C、根据包含第二匹配轨迹点对的轨迹点对数量,从第二人脸轨迹线和第二识别码轨迹线中确定第二匹配轨迹线对,并将第二匹配轨迹线对包含的第二匹配轨迹点对的轨迹点对数量,作为第二轨迹点对数量。
在一种实施方式中,将轨迹点对数量大于数量阈值的第二人脸轨迹线和第二识别码轨迹线,作为第二匹配轨迹线对,并将第二匹配轨迹线对包含的第二匹配轨迹点对的轨迹点对数量,作为第二轨迹点对数量。
D、根据第二人脸轨迹点的第二人脸轨迹点数量,和第二轨迹点对数量,确定第三数量比值,且根据第二识别码轨迹点的第二识别码轨迹点数量,和第二轨迹点对数量,确定第四数量比值。
E、将第二人脸轨迹点数量、第二识别码轨迹点数量、第二轨迹点对数量、第三数量比值、和第四数量比值,共同输入至初始关联模型中,并根据初始关联模型的输出结果确定第二人脸轨迹线和第二识别码轨迹线之间的关联概率值。
在一种实施方式中,将第二人脸轨迹点数量、第二识别码轨迹点数量、第二轨迹点对数量、第三数量比值、和第四数量比值,共同输入至初始关联模型中,使得初始关联模型利用学习到的轨迹线关联能力,预测各第二人脸轨迹线和各第二识别码轨迹线之间的关联概率值。可以理解的是,关联概率值体现了第二人脸轨迹线和第二识别码轨迹线之间的关联的可能性,关联概率值越大则表示第二人脸轨迹线和第二识别码轨迹线之间关联的可能性越大。
F、根据关联概率值对第二人脸轨迹线以及第二识别码轨迹线进行关联。
在一种实施方式中,根据各第二人脸轨迹线以及各第二识别码轨迹线之间的关联概率值,对各第二人脸轨迹线以及各第二识别码轨迹线进行排序,并根据排序结果对第二人脸轨迹线以及第二识别码轨迹线进行关联。
通过确定第二人脸轨迹线包括的第二人脸轨迹点,以及第二识别码轨迹线包括的第二识别码轨迹点;根据第二人脸轨迹点的第三采集属性,以及第二识别码轨迹点的第四采集属性,从第二人脸轨迹点和第二识别码轨迹点中确定第二匹配轨迹点对;根据包含第二匹配轨迹点对的轨迹点对数量,从第二人脸轨迹线和第二识别码轨迹线中确定第二匹配轨迹线对,并将第二匹配轨迹线对包含的第二匹配轨迹点对的轨迹点对数量,作为第二轨迹点对数量;根据第二人脸轨迹点的第二人脸轨迹点数量,和第二轨迹点对数量,确定第三数量比值,且根据第二识别码轨迹点的第二识别码轨迹点数量,和第二轨迹点对数量,确定第四数量比值;将第二人脸轨迹点数量、第二识别码轨迹点数量、第二轨迹点对数量、第三数量比值、和第四数量比值,共同输入至初始关联模型中,并根据初始关联模型的输出结果确定第二人脸轨迹线和第二识别码轨迹线之间的关联概率值;根据关联概率值对第二人脸轨迹线以及第二识别码轨迹线进行关联,实现了自动对待关联轨迹线样本进行轨迹线关联的效果,减少了人工介入,降低了人工成本,且提高了模型效率,并且由于是根据得到的关联概率值对待关联轨迹线样本进行轨迹线关联,因此可以保证最终关联结果的准确性。
可选的,根据关联概率值对第二人脸轨迹线以及第二识别码轨迹线进行关联,包括:
将关联概率值大于概率值阈值的第二人脸轨迹线以及第二识别码轨迹线,分别作为候选人脸轨迹线以及候选识别码轨迹线;根据与任一候选人脸轨迹线之间关联概率值,对候选识别码轨迹线进行排序,并根据排序结果从候选识别码轨迹线中确定目标识别码轨迹线;根据与目标识别码轨迹线之间关联概率值,对候选人脸轨迹线进行排序,并根据排序结果从候选人脸轨迹线中确定目标人脸轨迹线;在该候选人脸轨迹线为目标人脸轨迹线的情况下,构建该候选人脸轨迹线与目标识别码轨迹线之间的关联关系。
在一种实施方式中,将所有关联概率值大于概率值阈值的第二人脸轨迹线以及第二识别码轨迹线,分别作为候选人脸轨迹线以及候选识别码轨迹线。
针对任一候选人脸轨迹线,对与其具有关联概率值的所有候选识别码轨迹线进行排序,将与该候选人脸轨迹线之间关联概率值最大的候选识别码轨迹线,作为目标识别码轨迹线。
针对该目标识别码轨迹线,对与其具有关联概率值的所有候选人脸轨迹线进行排序,将与该目标识别码轨迹线之间关联概率值最大的候选人脸轨迹线,作为目标人脸轨迹线。
将该目标人脸轨迹线与该候选人脸轨迹线进行比对,若目标人脸轨迹线正是该候选人脸轨迹线,则构建该候选人脸轨迹线与该目标识别码轨迹线之间的关联关系。
示例性的,假设设置概率值阈值为80%,则将所有关联概率值大于80%的第二人脸轨迹线以及第二识别码轨迹线,分别作为候选人脸轨迹线以及候选识别码轨迹线。
假设第二人脸轨迹线A1与第二识别码轨迹线B1、第二识别码轨迹线B2、和第二识别码轨迹线B3之间的关联概率值大于80%,则将第二人脸轨迹线A1作为一个候选人脸轨迹线,且将第二识别码轨迹线B1、第二识别码轨迹线B2、和第二识别码轨迹线B3分别作为第二人脸轨迹线A1对应的候选识别码轨迹线。
假设第二人脸轨迹线A1与第二识别码轨迹线B1、第二识别码轨迹线B2、和第二识别码轨迹线B3之间的关联概率值分别为85%、90%和95%。即第二识别码轨迹线B3与第二人脸轨迹线A1之间的关联概率值最高,则将第二识别码轨迹线B3作为第二人脸轨迹线A1对应的目标识别码轨迹线。
假设第二识别码轨迹线B3分别与第二人脸轨迹线A1、第二人脸轨迹线A2、和第二人脸轨迹线A3之间的关联概率值分别为95%、90%和85%。即第二人脸轨迹线A1与第二识别码轨迹线B3之间的关联概率值最高,则将第二人脸轨迹线A1作为第二识别码轨迹线B3对应的目标人脸轨迹线。
由于可以确定第二识别码轨迹线B3对应的目标人脸轨迹线,正是第二人脸轨迹线A1,因此构建第二人脸轨迹线A1和第二识别码轨迹线B3之间的关联关系。
通过将关联概率值大于概率值阈值的第二人脸轨迹线以及第二识别码轨迹线,分别作为候选人脸轨迹线以及候选识别码轨迹线;根据与任一候选人脸轨迹线之间关联概率值,对候选识别码轨迹线进行排序,并根据排序结果从候选识别码轨迹线中确定目标识别码轨迹线;根据与目标识别码轨迹线之间关联概率值,对候选人脸轨迹线进行排序,并根据排序结果从候选人脸轨迹线中确定目标人脸轨迹线;在该候选人脸轨迹线为目标人脸轨迹线的情况下,构建该候选人脸轨迹线与目标识别码轨迹线之间的关联关系,使得构建关联关系的人脸轨迹线和识别码轨迹线之间关联概率值足够高,并且还分别是与各自关联概率值最高的轨迹线,从而保证轨迹线关联的准确性和可靠性。
S207、采用已关联轨迹线样本和新增轨迹线样本,进行模型训练生成轨迹线关联模型。
可选的,S207包括:
采用已关联轨迹线样本和新增轨迹线样本,对初始关联模型进行模型训练,生成轨迹线关联模型。
在一种实施方式中,将已关联轨迹线样本和新增轨迹线样本合并为优化轨迹线样本,并将优化轨迹线样本包括的人脸轨迹线样本作为第三人脸轨迹线,包括的识别码轨迹线样本作为第三识别码轨迹线。相应的将第一人脸轨迹点数量和第二人脸轨迹点数量,合并为第三人脸轨迹点数量;将第一识别码轨迹点数量和第二识别码轨迹点数量,合并为第三识别码轨迹点数量;将第一轨迹点对数量和第二轨迹点对数量,合并为第三轨迹点对数量;将第一数量比值和第三数量比值,合并为第五数量比值;将第二数量比值和第四数量比值,合并为第六数量比值。
进一步地,将第三人脸轨迹点数量、第三识别码轨迹点数量、第三轨迹点对数量、第五数量比值、以及第六数量比值作为训练数据,输入至待训练模型中,供待训练模型基于第三人脸轨迹点数量、第三识别码轨迹点数量、第三轨迹点对数量、第五数量比值、以及第六数量比值,预测第三人脸轨迹线和第三识别码轨迹线之间的预测关联标签,进而根据已关联轨迹线样本和新增轨迹线样本的关联标签,以及待训练模型输出的预测关联标签,采用损失函数计算损失值,并根据损失值对待训练模型的模型参数进行优化,直至损失值满足预设标准为准,生成轨迹线关联模型。
通过采用已关联轨迹线样本和新增轨迹线样本,对初始关联模型进行模型训练,生成轨迹线关联模型,实现了对初始关联模型进行迭代训练的效果,保证最终生成的轨迹线关联模型的质量。
图2B为本发明实施例二提供的一种轨迹线关联模型训练的场景示意图,如图2B所示,包括:
1、数据获取。
具体的,获取人脸智能相机采集的人脸图像数据,以及侦码设备检测的识别码信号数据。并且,分别对人脸图像数据和识别码信号数据进行数据清洗。
2、轨迹线生成。
具体的,对剩余的人脸图像数据进行人脸识别,并根据人脸识别结果生成人脸轨迹点,并将同一人的人脸轨迹点进行融合生成人脸轨迹线,作为第一人脸轨迹线。
对剩余的识别码信号数据进行统计分析,并根据统计分析结果生成识别码轨迹点,并将同一设备的识别码轨迹点进行融合生成识别码轨迹线,作为第一识别码轨迹线。
3、人工标注。
4、生成已关联轨迹线样本。
具体的,响应于人工对于轨迹线样本中第一人脸轨迹线和第一识别码轨迹线的关联操作,构建第一人脸轨迹线和第一识别码轨迹线之间的关联关系,生成已关联轨迹线样本
5、生成初始关联模型。
具体的,将关联标签、第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、以及第二数量比值作为训练数据,并采用训练数据对待训练模型进行训练,生成初始关联模型。
6、生成新增轨迹线样本。
具体的,从待关联轨迹线样本中确定第二人脸轨迹线以及第二识别码轨迹线。确定第二人脸轨迹点数量、第二识别码轨迹点数量、第二轨迹点对数量、第三数量比值、和第四数量比值。将第二人脸轨迹点数量、第二识别码轨迹点数量、第二轨迹点对数量、第三数量比值、和第四数量比值,输入至初始关联模型中进行预测,并根据初始关联模型的输出结果确定第二人脸轨迹线和第二识别码轨迹线之间的关联概率值。根据关联概率值对第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本。
7、采用已关联轨迹线样本和新增轨迹线样本,对初始关联模型进行模型训练,生成轨迹线关联模型。
上述各步骤的具体实现方式可参考上述方法实施例的相关记载内容,本处不再赘述。
实施例三
图3为本发明实施例三提供的一种模型的训练装置的结构示意图。如图3所示,该装置包括:
轨迹点确定模块31,用于从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定第一人脸轨迹线包括的第一人脸轨迹点,以及第一识别码轨迹线包括的第一识别码轨迹点;
匹配轨迹点对确定模块32,用于根据第一人脸轨迹点的第一采集属性,以及第一识别码轨迹点的第二采集属性,从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对;
匹配轨迹线对确定模块33,用于根据包含第一匹配轨迹点对的轨迹点对数量,从第一人脸轨迹线和第一识别码轨迹线中确定第一匹配轨迹线对,并将第一匹配轨迹线对包含的第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量;
轨迹线样本生成模块34,用于根据第一人脸轨迹点的第一人脸轨迹点数量、第一识别码轨迹点的第一识别码轨迹点数量、以及第一轨迹点对数量,对待关联轨迹线样本中的第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本;
模型训练模块35,用于采用已关联轨迹线样本和新增轨迹线样本,进行模型训练生成轨迹线关联模型。
可选的,第一采集属性包括第一采集位置和第一采集时间,第二采集属性包括第二采集位置和第二采集时间;
匹配轨迹点对确定模块32,具体用于:
根据第一采集位置和第二采集位置,确定第一人脸轨迹点和第一识别码轨迹点之间的采集位置差值,且根据第一采集时间和第二采集时间,确定第一人脸轨迹点和第一识别码轨迹点之间的采集时间差值;
根据采集位置差值和采集时间差值,从第一人脸轨迹点和第一识别码轨迹点中确定第一匹配轨迹点对。
可选的,匹配轨迹点对确定模块32,具体还用于:
将采集位置差值小于位置差值阈值,且采集时间差值小于时间差值阈值的第一人脸轨迹点和第一识别码轨迹点,作为第一匹配轨迹点对。
可选的,匹配轨迹线对确定模块33,具体用于:
将轨迹点对数量大于数量阈值的第一人脸轨迹线和第一识别码轨迹线,作为第一匹配轨迹线对。
可选的,轨迹线样本生成模块34,具体用于:
根据第一人脸轨迹点数量和第一轨迹点对数量,确定第一数量比值,且根据第一识别码轨迹点数量和第一轨迹点对数量,确定第二数量比值;
根据第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、和第二数量比值,对第二人脸轨迹线以及第二识别码轨迹线进行关联。
可选的,轨迹线样本生成模块34,具体还用于:
获取已关联轨迹线样本中第一人脸轨迹线和第一识别码轨迹线之间的关联标签;
将关联标签作为第一训练数据,且将第一人脸轨迹点数量、第一识别码轨迹点数量、第一轨迹点对数量、第一数量比值、和第二数量比值,作为第二训练数据;
根据第一训练数据和第二训练数据对待训练模型进行训练,生成初始关联模型,并采用初始关联模型对第二人脸轨迹线以及第二识别码轨迹线进行关联。
可选的,轨迹线样本生成模块34,具体还用于:
确定第二人脸轨迹线包括的第二人脸轨迹点,以及第二识别码轨迹线包括的第二识别码轨迹点;
根据第二人脸轨迹点的第三采集属性,以及第二识别码轨迹点的第四采集属性,从第二人脸轨迹点和第二识别码轨迹点中确定第二匹配轨迹点对;
根据包含第二匹配轨迹点对的轨迹点对数量,从第二人脸轨迹线和第二识别码轨迹线中确定第二匹配轨迹线对,并将第二匹配轨迹线对包含的第二匹配轨迹点对的轨迹点对数量,作为第二轨迹点对数量;
根据第二人脸轨迹点的第二人脸轨迹点数量,和第二轨迹点对数量,确定第三数量比值,且根据第二识别码轨迹点的第二识别码轨迹点数量,和第二轨迹点对数量,确定第四数量比值;
将第二人脸轨迹点数量、第二识别码轨迹点数量、第二轨迹点对数量、第三数量比值、和第四数量比值,共同输入至初始关联模型中,并根据初始关联模型的输出结果确定第二人脸轨迹线和第二识别码轨迹线之间的关联概率值;
根据关联概率值对第二人脸轨迹线以及第二识别码轨迹线进行关联。
可选的,轨迹线样本生成模块34,具体还用于:
将关联概率值大于概率值阈值的第二人脸轨迹线以及第二识别码轨迹线,分别作为候选人脸轨迹线以及候选识别码轨迹线;
根据与任一候选人脸轨迹线之间关联概率值,对候选识别码轨迹线进行排序,并根据排序结果从候选识别码轨迹线中确定目标识别码轨迹线;
根据与目标识别码轨迹线之间关联概率值,对候选人脸轨迹线进行排序,并根据排序结果从候选人脸轨迹线中确定目标人脸轨迹线;
在该候选人脸轨迹线为目标人脸轨迹线的情况下,构建该候选人脸轨迹线与目标识别码轨迹线之间的关联关系。
可选的,模型训练模块35,具体用于:
采用已关联轨迹线样本和新增轨迹线样本,对初始关联模型进行模型训练,生成轨迹线关联模型。
本发明实施例所提供的模型的训练装置可执行本发明任意实施例所提供的模型的训练方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如模型的训练方法。
在一些实施例中,模型的训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM43并由处理器41执行时,可以执行上文描述的模型的训练方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种模型的训练方法,其特征在于,包括:
从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定所述第一人脸轨迹线包括的第一人脸轨迹点,以及所述第一识别码轨迹线包括的第一识别码轨迹点;
根据所述第一人脸轨迹点的第一采集属性,以及所述第一识别码轨迹点的第二采集属性,从所述第一人脸轨迹点和所述第一识别码轨迹点中确定第一匹配轨迹点对;
根据包含所述第一匹配轨迹点对的轨迹点对数量,从所述第一人脸轨迹线和所述第一识别码轨迹线中确定第一匹配轨迹线对,并将所述第一匹配轨迹线对包含的所述第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量;
根据第一人脸轨迹点数量和所述第一轨迹点对数量,确定第一数量比值,且根据第一识别码轨迹点数量和所述第一轨迹点对数量,确定第二数量比值;
根据所述第一人脸轨迹点数量、所述第一识别码轨迹点数量、所述第一轨迹点对数量、所述第一数量比值、和所述第二数量比值,对第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本;
采用所述已关联轨迹线样本和所述新增轨迹线样本,进行模型训练生成轨迹线关联模型;
其中,所述根据所述第一人脸轨迹点数量、所述第一识别码轨迹点数量、所述第一轨迹点对数量、所述第一数量比值、和所述第二数量比值,对第二人脸轨迹线以及第二识别码轨迹线进行关联,包括:
获取所述已关联轨迹线样本中所述第一人脸轨迹线和所述第一识别码轨迹线之间的关联标签;
将所述关联标签作为第一训练数据,且将所述第一人脸轨迹点数量、所述第一识别码轨迹点数量、所述第一轨迹点对数量、所述第一数量比值、和所述第二数量比值,作为第二训练数据;
根据所述第一训练数据和所述第二训练数据对待训练模型进行训练,生成初始关联模型,并采用所述初始关联模型对所述第二人脸轨迹线以及所述第二识别码轨迹线进行关联。
2.根据权利要求1所述的方法,其特征在于,所述第一采集属性包括第一采集位置和第一采集时间,所述第二采集属性包括第二采集位置和第二采集时间;
所述根据所述第一人脸轨迹点的第一采集属性,以及所述第一识别码轨迹点的第二采集属性,从所述第一人脸轨迹点和所述第一识别码轨迹点中确定第一匹配轨迹点对,包括:
根据所述第一采集位置和所述第二采集位置,确定所述第一人脸轨迹点和所述第一识别码轨迹点之间的采集位置差值,且根据所述第一采集时间和所述第二采集时间,确定所述第一人脸轨迹点和所述第一识别码轨迹点之间的采集时间差值;
根据所述采集位置差值和所述采集时间差值,从所述第一人脸轨迹点和所述第一识别码轨迹点中确定第一匹配轨迹点对。
3.根据权利要求2所述的方法,其特征在于,所述根据所述采集位置差值和所述采集时间差值,从所述第一人脸轨迹点和所述第一识别码轨迹点中确定第一匹配轨迹点对,包括:
将所述采集位置差值小于位置差值阈值,且所述采集时间差值小于时间差值阈值的所述第一人脸轨迹点和所述第一识别码轨迹点,作为所述第一匹配轨迹点对。
4.根据权利要求1所述的方法,其特征在于,所述根据包含所述第一匹配轨迹点对的轨迹点对数量,从所述第一人脸轨迹线和所述第一识别码轨迹线中确定第一匹配轨迹线对,包括:
将所述轨迹点对数量大于数量阈值的所述第一人脸轨迹线和所述第一识别码轨迹线,作为所述第一匹配轨迹线对。
5.根据权利要求1所述的方法,其特征在于,所述采用所述初始关联模型对所述第二人脸轨迹线以及所述第二识别码轨迹线进行关联,包括:
确定所述第二人脸轨迹线包括的第二人脸轨迹点,以及所述第二识别码轨迹线包括的第二识别码轨迹点;
根据所述第二人脸轨迹点的第三采集属性,以及所述第二识别码轨迹点的第四采集属性,从所述第二人脸轨迹点和所述第二识别码轨迹点中确定第二匹配轨迹点对;
根据包含所述第二匹配轨迹点对的轨迹点对数量,从所述第二人脸轨迹线和所述第二识别码轨迹线中确定第二匹配轨迹线对,并将所述第二匹配轨迹线对包含的所述第二匹配轨迹点对的轨迹点对数量,作为第二轨迹点对数量;
根据所述第二人脸轨迹点的第二人脸轨迹点数量,和所述第二轨迹点对数量,确定第三数量比值,且根据所述第二识别码轨迹点的第二识别码轨迹点数量,和所述第二轨迹点对数量,确定第四数量比值;
将所述第二人脸轨迹点数量、所述第二识别码轨迹点数量、所述第二轨迹点对数量、所述第三数量比值、和所述第四数量比值,共同输入至所述初始关联模型中,并根据所述初始关联模型的输出结果确定所述第二人脸轨迹线和所述第二识别码轨迹线之间的关联概率值;
根据所述关联概率值对所述第二人脸轨迹线以及所述第二识别码轨迹线进行关联。
6.根据权利要求5所述的方法,其特征在于,所述根据所述关联概率值对所述第二人脸轨迹线以及所述第二识别码轨迹线进行关联,包括:
将所述关联概率值大于概率值阈值的所述第二人脸轨迹线以及所述第二识别码轨迹线,分别作为候选人脸轨迹线以及候选识别码轨迹线;
根据与任一候选人脸轨迹线之间关联概率值,对所述候选识别码轨迹线进行排序,并根据排序结果从所述候选识别码轨迹线中确定目标识别码轨迹线;
根据与所述目标识别码轨迹线之间关联概率值,对所述候选人脸轨迹线进行排序,并根据排序结果从所述候选人脸轨迹线中确定目标人脸轨迹线;
在该候选人脸轨迹线为所述目标人脸轨迹线的情况下,构建该候选人脸轨迹线与所述目标识别码轨迹线之间的关联关系。
7.根据权利要求1所述的方法,其特征在于,所述采用所述已关联轨迹线样本和所述新增轨迹线样本,进行模型训练生成轨迹线关联模型,包括:
采用所述已关联轨迹线样本和所述新增轨迹线样本,对所述初始关联模型进行模型训练,生成所述轨迹线关联模型。
8.一种模型的训练装置,其特征在于,包括:
轨迹点确定模块,用于从已关联轨迹线样本中确定第一人脸轨迹线以及第一识别码轨迹线,并确定所述第一人脸轨迹线包括的第一人脸轨迹点,以及所述第一识别码轨迹线包括的第一识别码轨迹点;
匹配轨迹点对确定模块,用于根据所述第一人脸轨迹点的第一采集属性,以及所述第一识别码轨迹点的第二采集属性,从所述第一人脸轨迹点和所述第一识别码轨迹点中确定第一匹配轨迹点对;
匹配轨迹线对确定模块,用于根据包含所述第一匹配轨迹点对的轨迹点对数量,从所述第一人脸轨迹线和所述第一识别码轨迹线中确定第一匹配轨迹线对,并将所述第一匹配轨迹线对包含的所述第一匹配轨迹点对的轨迹点对数量,作为第一轨迹点对数量;
轨迹线样本生成模块,用于根据第一人脸轨迹点数量和所述第一轨迹点对数量,确定第一数量比值,且根据第一识别码轨迹点数量和所述第一轨迹点对数量,确定第二数量比值;
根据所述第一人脸轨迹点数量、所述第一识别码轨迹点数量、所述第一轨迹点对数量、所述第一数量比值、和所述第二数量比值,对第二人脸轨迹线以及第二识别码轨迹线进行关联,生成新增轨迹线样本;
模型训练模块,用于采用所述已关联轨迹线样本和所述新增轨迹线样本,进行模型训练生成轨迹线关联模型;
其中,所述轨迹线样本生成模块,具体还用于:
获取所述已关联轨迹线样本中所述第一人脸轨迹线和所述第一识别码轨迹线之间的关联标签;
将所述关联标签作为第一训练数据,且将所述第一人脸轨迹点数量、所述第一识别码轨迹点数量、所述第一轨迹点对数量、所述第一数量比值、和所述第二数量比值,作为第二训练数据;
根据所述第一训练数据和所述第二训练数据对待训练模型进行训练,生成初始关联模型,并采用所述初始关联模型对所述第二人脸轨迹线以及所述第二识别码轨迹线进行关联。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的轨迹线的关联方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的轨迹线的关联方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483699.0A CN116186549B (zh) | 2023-05-04 | 2023-05-04 | 模型的训练方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483699.0A CN116186549B (zh) | 2023-05-04 | 2023-05-04 | 模型的训练方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186549A CN116186549A (zh) | 2023-05-30 |
CN116186549B true CN116186549B (zh) | 2023-08-08 |
Family
ID=86446644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483699.0A Active CN116186549B (zh) | 2023-05-04 | 2023-05-04 | 模型的训练方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186549B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210604A (zh) * | 2019-05-21 | 2019-09-06 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
CN110944296A (zh) * | 2019-11-27 | 2020-03-31 | 智慧足迹数据科技有限公司 | 运动轨迹的伴随确定方法、装置和服务器 |
CN111898592A (zh) * | 2020-09-29 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种轨迹数据处理方法、装置以及计算机可读存储介质 |
CN113902830A (zh) * | 2021-12-08 | 2022-01-07 | 腾讯科技(深圳)有限公司 | 轨迹路网生成方法 |
CN113963413A (zh) * | 2021-10-27 | 2022-01-21 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情排查方法、装置、电子设备及介质 |
CN115422479A (zh) * | 2022-09-28 | 2022-12-02 | 杭州海康威视系统技术有限公司 | 轨迹关联方法、装置、电子设备及机器可读存储介质 |
-
2023
- 2023-05-04 CN CN202310483699.0A patent/CN116186549B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210604A (zh) * | 2019-05-21 | 2019-09-06 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
CN110944296A (zh) * | 2019-11-27 | 2020-03-31 | 智慧足迹数据科技有限公司 | 运动轨迹的伴随确定方法、装置和服务器 |
CN111898592A (zh) * | 2020-09-29 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种轨迹数据处理方法、装置以及计算机可读存储介质 |
CN113963413A (zh) * | 2021-10-27 | 2022-01-21 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疫情排查方法、装置、电子设备及介质 |
CN113902830A (zh) * | 2021-12-08 | 2022-01-07 | 腾讯科技(深圳)有限公司 | 轨迹路网生成方法 |
CN115422479A (zh) * | 2022-09-28 | 2022-12-02 | 杭州海康威视系统技术有限公司 | 轨迹关联方法、装置、电子设备及机器可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116186549A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581463A (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN110751224A (zh) | 视频分类模型的训练方法、视频分类方法、装置及设备 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN114428677B (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
CN116186549B (zh) | 模型的训练方法、装置、设备和介质 | |
CN115033732B (zh) | 一种时空轨迹关联方法、装置、电子设备及存储介质 | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN114120180A (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
CN114444514A (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
CN112560992B (zh) | 优化图片分类模型的方法、装置、电子设备及存储介质 | |
CN113360688B (zh) | 信息库的构建方法、装置及系统 | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
CN115205555B (zh) | 确定相似图像的方法、训练方法、信息确定方法及设备 | |
CN115719465B (zh) | 车辆检测方法、装置、设备、存储介质以及程序产品 | |
CN112989083B (zh) | 人员身份分析方法、装置、设备及存储介质 | |
CN116167978A (zh) | 一种模型更新方法、装置、电子设备及存储介质 | |
CN115327497A (zh) | 雷达检测范围确定方法、装置、电子设备及可读介质 | |
CN117726973A (zh) | 一种视频中对象关系的检测方法、装置、设备及存储介质 | |
CN117671400A (zh) | 样本收集方法、装置、电子设备及存储介质 | |
CN113221920A (zh) | 图像识别方法、装置、设备、存储介质以及计算机程序产品 |
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 |