CN109784199A - 同行分析方法及相关产品 - Google Patents
同行分析方法及相关产品 Download PDFInfo
- Publication number
- CN109784199A CN109784199A CN201811572443.2A CN201811572443A CN109784199A CN 109784199 A CN109784199 A CN 109784199A CN 201811572443 A CN201811572443 A CN 201811572443A CN 109784199 A CN109784199 A CN 109784199A
- Authority
- CN
- China
- Prior art keywords
- user
- colleague
- target
- camera
- images
- 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
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种同行分析方法及相关产品，其中，所述方法包括：在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像；通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户，因此，能够提高确定同行用户时的准确性。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种同行分析方法及相关产品。
背景技术
随着城市建设的不断发展，城市中的人口的数目也逐渐增加。随着人口数目的增加，会给社区带来较多的安全隐患，例如，在同行方面，用户在户外行走时，其身边经常会有同行的用户，同行的用户可能是该用户认识的用户，也可能是不法分子，企图对该用户做出抢劫，抢夺等违法犯罪行为，上述犯罪行为严重的威胁到用户的人身财产安全。现有方案中，对用户的同行用户进行分析时，对采集的图像进行分析时，样本的全面性较低，导致确定同行用户时的准确性较低。
发明内容
本申请实施例提供一种同行分析方法及相关产品，能够提高确定同行用户时的准确性。
本申请实施例的第一方面提供了一种同行分析方法，所述方法包括：
在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户；
通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
可选的，结合本申请实施例的第一方面，在第一方面的第一种可能的实现方式中，所述通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，包括：
通过所述多张第一图像确定出所述目标用户的第一活动轨迹，多张第一图像确定出所述目标用户预设范围内的多个参考同行用户中每个参考同行用户的动作信息和第二活动轨迹；
根据所述第一活动轨迹和所述第二活动轨迹，确定出所述每个参考同行用户与所述目标用户之间的最大距离值和最小距离值，以及所述最大距离值的个数和所述最小距离值的个数；
通过所述最大距离值、最小距离值、最大距离值的个数、最小距离值的个数，确定出所述每个参考同行用户的参考同行数值；
获取所述目标用户的动作信息，以及获取所述每个参考同行用户的动作信息；
通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值；
根据所述每个参考同行用户的参考同行数值和所述每个参考同行用户的同行校正值，确定出所述目标用户的至少一个第一同行用户。
可选的，结合本申请实施例的第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述动作信息包括面部朝向、头部动作和脚部动作，所述通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值，包括：
通过所述每个参考同行用户的面部朝向与所述目标用户的面部朝向，确定出所述每个参考同行用户的面部朝向与所述目标用户的面部朝向之间的夹角，得到多个目标夹角；
获取所述每个参考同行用户的头部动作与预设的头部动作之间的相似度，得到多个第一相似度，以及获取所述每个参考同行用户的脚步动作与所述目标用户的脚步动作之间的相似度，得到多个第二相似度；
获取所述多个目标夹角的第一权值、所述多个第一相似度的第二权值、所述多个第二相似度的第三权值，所述第一权值、第二权值、第三权值之和为1；
通过所述第一权值、第二权值、第三权值对所述多个目标夹角、多个第一相似度、多个第二相似度进行权值运算，得到所述每个参考同行用户的同行校正值。
本申请实施例的第二方面提供了种同行分析装置，所述装置包括采集单元、第一确定单元和第二确定单元，其中，
所述采集单元，用于在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户；
所述第一确定单元，用于通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
所述第二确定单元，用于根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
可选的，结合本申请实施例的第二方面，在第二方面的第一种可能的实现方式中，在所述通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户方面，所述第一确定单元具体用于：
通过所述多张第一图像确定出所述目标用户的第一活动轨迹，多张第一图像确定出所述目标用户预设范围内的多个参考同行用户中每个参考同行用户的动作信息和第二活动轨迹；
根据所述第一活动轨迹和所述第二活动轨迹，确定出所述每个参考同行用户与所述目标用户之间的最大距离值和最小距离值，以及所述最大距离值的个数和所述最小距离值的个数；
通过所述最大距离值、最小距离值、最大距离值的个数、最小距离值的个数，确定出所述每个参考同行用户的参考同行数值；
获取所述目标用户的动作信息，以及获取所述每个参考同行用户的动作信息；
通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值；
根据所述每个参考同行用户的参考同行数值和所述每个参考同行用户的同行校正值，确定出所述目标用户的至少一个第一同行用户。
结合本申请实施例的第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述动作信息包括面部朝向、头部动作和脚部动作，在所述通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值方面，所述第一确定单元具体用于：
通过所述每个参考同行用户的面部朝向与所述目标用户的面部朝向，确定出所述每个参考同行用户的面部朝向与所述目标用户的面部朝向之间的夹角，得到多个目标夹角；
获取所述每个参考同行用户的头部动作与预设的头部动作之间的相似度，得到多个第一相似度，以及获取所述每个参考同行用户的脚步动作与所述目标用户的脚步动作之间的相似度，得到多个第二相似度；
获取所述多个目标夹角的第一权值、所述多个第一相似度的第二权值、所述多个第二相似度的第三权值，所述第一权值、第二权值、第三权值之和为1；
通过所述第一权值、第二权值、第三权值对所述多个目标夹角、多个第一相似度、多个第二相似度进行权值运算，得到所述每个参考同行用户的同行校正值。
本申请实施例的第三方面提供一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本申请实施例第一方面中的步骤指令。
本申请实施例的第四方面提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
本申请实施例的第五方面提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例，至少具有如下有益效果：
通过本申请实施例，在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户，通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户，根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户，因此，相对于现有方案中，分析的样本全面性较低，本方案中，通过具有第一摄像头标识的摄像头先采集到多张第一图像，同时通过多个第二摄像头标识的摄像头采集到多张第二图像，对第一图像和第二图像进行分析，得到至少一个目标同行用户，多张第一图像和多张第二图像能够提升样本的全面性，从而在一定程度上提升了目标同行用户确定时的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供了一种同行分析***的结构示意图；
图2A为本申请实施例提供了一种同行分析方法的流程示意图；
图2B为本申请实施例提供了一种特征点的示意图；
图3为本申请实施例提供了另一种同行分析方法的流程示意图；
图4为本申请实施例提供了另一种同行分析方法的流程示意图；
图5为本申请实施例提供了另一种同行分析方法的流程示意图；
图6为本申请实施例提供的一种终端的结构示意图；
图7为本申请实施例提供了一种同行分析装置的结构示意图。
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，所描述的实施例仅仅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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子装置可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(user equipment，UE)，移动台(mobile station，MS)，终端设备(terminaldevice)等等。为方便描述，上面提到的设备统称为电子装置。
为了更好的理解本申请实施例提供的一种同行分析方法，下面首先对应用同行分析方法的同行分析***进行简要介绍。如图1所示，同行分析***包括具有第一摄像头标识的摄像头101、具有第二摄像头标识的摄像头102和分析装置103，其中，在预设时间段内通过具有第一摄像头标识的摄像头101进行采集，得到多张第一图像，同时，在预设时间段内通过多个具有第二摄像头标识的摄像头102中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，也可以是每个摄像头均采集多张第二图像，具有第二摄像头标识的摄像头102为所述具有第一摄像头标识的摄像头101的子节点摄像头，第一图像和第二图像中包括目标用户，具有第一摄像头标识的摄像头101将多张第一图像发送到分析装置103，多个具有第二摄像头标识的摄像头102将多张第二图像发送到分析装置103，分析装置103通过多张第一图像确定出目标用户的至少一个第一同行用户，分析装置103通过多张第二图像确定出目标用户的至少一个第二同行用户，分析装置103根据至少一个第一同行用户和至少一个第二同行用户，确定出目标用户的至少一个目标同行用户，因此，相对于现有方案中，分析的样本全面性较低，本方案中，通过具有第一摄像头标识的摄像头先采集到多张第一图像，同时通过多个第二摄像头标识的摄像头采集到多张第二图像，对第一图像和第二图像进行分析，得到至少一个目标同行用户，多张第一图像和多张第二图像能够提升样本的全面性，从而在一定程度上提升了目标同行用户确定时的准确性。
请参阅图2A，图2A为本申请实施例提供了一种同行分析方法的流程示意图。如图2A所示，同行分析方法包括步骤201-203，具体如下：
201、在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户。
其中，预设时间段可以为具有第一摄像头标识的摄像头采集到目标用户时开始，直至目标用户离开具有第一摄像头标识的摄像头采集范围为止的时间段。预设时间段也可以为由经验值或历史数据进行设定的时间段。在采集第一图像时，按照预设的时间间隔进行采集，预设时间段可以为由经验值或历史数据进行设定。
可选的，子节点摄像头以理解为：其为具有第一摄像头标识的摄像头的辅助摄像头，使得能够全方位的对目标用户及同行用户进行图像采集，例如，在目标用户进入某小区时，具有第一摄像头标识的摄像头可以为设置于小区大门处的摄像头，具有第二摄像头标识的摄像头可以为设置于其余各个不同方位的摄像头(侧左面、侧右面等)，则可将具有第二摄像头标识的摄像头表述为子节点摄像头，在位置上与具有第一摄像头标识的摄像头不同，为一种逻辑上的划分。
可选的，具有第二摄像头标识的摄像头中的每个摄像头可以采集一张第二图像，也可以采集多张第二图像，也可以是，部分摄像头采集一张第二图像，部分摄像头采集多张第二图像，以及其他的方式，此处不做具体限定。
可选的，在进行第一图像采集之前，第一摄像头会持续采集图像，然后对采集的图像进行分析，当确定出图像中存在目标用户的人脸图像时，则进行多张第一图像的采集。
其中，一种可能的对采集的图像进行分析，确定出图像中存在目标用户的人脸图像的方法包括步骤A1-A3，具体如下：
A1、对采集的图像进行人脸识别，得到多张人脸图像；
可选的，当人脸图像出现被遮挡时，可以采用如下方法进行识别，具体包括步骤A10-A19，具体如下：
A10、依据人脸的对称性原理对目标人脸图像进行修复，得到第一人脸图像以及目标修复系数，所述目标修复系数用于表述人脸图像对修复的完整度；
其中，目标人脸图像为从采集的图像中提取出的仅包括部分人脸的人脸图像。
A11、对所述第一人脸图像进行特征提取，得到第一人脸特征集；
A12、对所述目标人脸图像进行特征提取，得到第二人脸特征集；
A13、依据所述第一人脸特征集在所述数据库中进行搜索，得到与所述第一人脸特征集匹配成功的多个对象的人脸图像；
A14、将所述第二人脸特征集与所述多个对象的人脸图像的特征集进行匹配，得到多个第一匹配值；
A15、获取所述多个对象中每一对象的人体特征数据，得到多个人体特征数据；
A16、将所述目标人脸对应的人体特征数据与所述多个人体特征数据中每一人体特征数据进行匹配，得到多个第二匹配值；
A17、按照预设的修复系数与权值之间的映射关系，确定所述目标修复系数对应的第一权值，并依据所述第一权值确定第二权值；
A18、根据所述第一权值、所述第二权值、所述多个第一匹配值、所述多个第二匹配值进行加权运算，得到多个目标匹配值；
A19、从所述多个目标匹配值中选取最大值，并将所述最大值对应的对象作为所述目标人脸图像对应的完整人脸图像。
可选的，可根据人脸的对称性原理对目标人脸图像进行镜像变换处理，在进行镜像变换处理以后，可将处理以后的目标人脸图像基于生成对抗网络的模型进行人脸修复，得到第一人脸图像以及目标修复系数，其中，目标修复系数可为修复完成的人脸部位的像素占整个人脸的像素总数的比例值，生成对抗网络的模型可包括以下组成部分：鉴别器、语义正则化网络等等，在此不作限定。
可选地，对第一人脸图像进行特征提取的方法可包括以下至少一种：LBP(LocalBinary Patterns，局部二值模式)特征提取算法、HOG(Histogram of Oriented Gradient,方向梯度直方图)特征提取算法、LoG(Laplacian of Gaussian，二阶拉普拉斯-高斯)特征提取算法等等，在此不做限定。
其中，预设的修复系数与权值之间的映射关系可为每一个预设的修复系数均对应一个权值，且每一个预设的修复系数的权值之间的和为1，预设的修复系数的权值可由用户自行设置或者***默认，具体地，根据预设的修复系数与权值之间的映射关系，确定目标修复系数对应的第一权值，并依据所述第一权值确定第二权值，第二权值可为第二匹配值对应的权值，第一权值与第二权值之间的和为1，将第一权值分别与多个第一匹配值加权，并将第二权值分别与多个第二匹配值进行加权运算，得到多个对象分别对应的多个目标匹配值，选取多个匹配值中最大的匹配值对应的对象为目标人脸图像对应的完整人脸图像。
本示例中，通过对不完整人脸图像进行修复，在通过修复后的人脸图像，进行匹配，得到多个对象的人脸图像，在通过人体特征的比对，来确定出目标人脸图像对应的完整人脸图像，从而通过对人脸进行修复，在对修复后匹配的图像进行筛选，得到最后的完整人脸图像，能够一定程度上提升人脸图像获取时的准确性。
A2、将所述多张人脸图像与数据库中的目标用户的人脸图像进行比对，得到每张人脸图像与目标用户的人脸图像之间的相似度；
其中，将多张人脸图像与目标用户的人脸图像进行比对时，可以将每张图片进行拆分，拆分为多个子图像，然后同时进行比对，得到每个子图像的相似度，再将子图像的相似度均值作为人脸图像与目标用户人脸图像之间的相似度，当然，在确定出相似度之后，还可以判别其中的一些特殊的子图像的相似度，当该相似度低于预设值时，则直接判定该人脸图像与目标用户的人脸图像不相似，特殊的子图像可以为包括嘴部、眼部、鼻子的子图像，预设值为通过经验值设定或者历史数据进行设定。
A3、若存在相似度大于预设相似度值的人脸图像，则确定出图像中存在目标用户的人脸图像。
本示例中，通过上述方式来确定图像中是否存在目标用户的人脸图像中，通过对被遮挡的人脸图像进行识别，以及比对时采用分块比对的方式，能够一定程度提升目标用户的人脸图像进行判别时的准确性，以及提升目标用户的人脸图像进行判别时的效率。
202、通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户。
可选的，一种可能的通过多张第一图像确定出目标用户的至少一个同行用户的方法包括步骤B1-B6，具体如下：
B1、通过所述多张第一图像确定出所述目标用户的第一活动轨迹，多张第一图像确定出所述目标用户预设范围内的多个参考同行用户中每个参考同行用户的动作信息和第二活动轨迹；
可选的，一种可能的根据多张第一图像确定目标用户的第一活动轨迹的方法包括步骤B10-B13，具体如下：
B10、通过所述多张第一图像确定出，目标用户在每张第一图像中的位置点，得到多个位置点，所述多个位置点之间包括至少一条路径；
B11、获取目标用户的初始运动速度，以及获取所述目标用户在每个位置点的运动速度，以及根据目标用户的人脸图像，获取所述目标用户的年龄和面部表情；
其中，初始运动速度可以理解为判断出出现目标用户时，目标用户所具有的运动速度。
可选的，一种可能的根据目标用户的人脸图像获取目标用户的面部表情的方法包括步骤B110-B112，具体如下：
B110、提取人脸图像的特征位置处的图像；
其中，特征位置可包括嘴等。
B111、对特征位置处的图像进行分析，得到表情元素；
其中，对特征位置进行分析的方法可以为：以嘴为例进行说明，嘴包括嘴角、嘴唇等，其中，若嘴唇张开较大，则表情元素可以为惊讶；嘴角凹陷、嘴唇合闭，则表情元素为微笑，嘴唇微张、嘴角微凹陷，则表情元素为笑，等。其中，嘴唇张开较大可以理解为，张开程度大于嘴唇最大张开直径的一般，嘴唇微张可以理解为，张开程度为嘴唇最大张开直径的20％左右等。
B112、根据表情元素，得到目标用户的面部表情。
可选的，面部表情与表情元素之间的关系来确定出，表情元素的面部表情，例如，表情元素为笑，则面部表情为笑脸，表情为微笑，则面部表情为微笑，表情元素为惊讶，则面部表情为惊讶表情。用户的面部表情还可包括：疲惫等。
可选的，一种可能的根据人脸图像获取目标用户的年龄的方法可以为：可以通过人脸图像，判别用户人脸的皱纹比例，根据皱纹比例与年龄之间的映射关系，确定出目标用户的年龄，也可以通过人脸图像中人脸皮肤的色素来确定出目标用户的年龄，皱纹比例与年龄之间的映射关系为通过历史数据得到。
B12、根据所述目标用户的初始运动速度、每个位置点的运动速度、年龄和面部表情，从所述多个位置点中的相邻两个位置点之间的至少一条路径中确定出目标路径，得到多条目标路径；
其中，根据初始运动速度、每个位置的运动速度、年龄和面部表情，确定出目标路径的方法包括步骤B121-B123，具体如下：
B121、根据运动速度和时间间隔，确定出用户在两个位置点之间的运动路程；
其中，时间间隔为采集第一图像时的时间间隔。
B122、将该运动路程与每条路径的长度进行匹配，将与路径长度与运动路程之差L的绝对值小于预设长度的路径作为参考路径；
其中，每条路径的长度为至少一条路径中每条路径的长度。
B123、根据预设的年龄、面部表情与路径之间的映射关系，确定出目标路径。
可选的，年龄、面部表情与路径之间的映射关系如表1所示：
表1
| 年龄 | 面部表情 | 路径 |
| 5-10岁 | 疲惫 | B<L<＝C |
| 10-20岁 | 疲惫 | A<L<＝B |
| 20-40岁 | 疲惫 | C<L<＝D |
| 40岁以上 | 疲惫 | D<L<＝E |
如表1所示，面部表情为疲惫时的，年龄、面部表情和路径之间的映射关系，A、B、C、D为低于预设长度的长度点，E为预设长度。将路程之差L对应的路径作为目标路径。
B13、将所述多条目标路径进行连接，得到所述目标用户的第一活动轨迹。
其中，将多条目标路径进行连接时，按照时间的先后顺序进行连接，从而得到目标用户的活动轨迹图，时间的先后顺序可以理解为采集图像时的先后顺序。
本示例中，通过面部表情、年龄、以及运动速度来确定，两个位置点之间的目标路径，能够更为具体的反映出用户运动状态，因此可以提升确定路径确定时的准确性。
可选的，在获取参考同行用户的第二活动轨迹时，可以参照第一活动轨迹的确定方法进行获取，从而得到第二活动轨迹。
B2、根据所述第一活动轨迹和所述第二活动轨迹，确定出所述每个参考同行用户与所述目标用户之间的最大距离值和最小距离值，以及所述最大距离值的个数和所述最小距离值的个数；
其中，最大距离值和最小距离值为相同的时刻时，第一活动轨迹和第二活动轨迹之间的最大距离值和最小距离值。
B3、通过所述最大距离值、最小距离值、最大距离值的个数、最小距离值的个数，确定出所述每个参考同行用户的参考同行数值；
可选的，一种可能的确定参考同行用户参考同行数值的方法包括步骤B30-B31，具体如下：
B30、获取最大距离值和最小距离值之间的距离差值，以及获取最大距离值的个数与最小距离值的个数之间的个数差值；
其中，最大距离值的个数与最小距离值的个数之间的个数差值可以为整数、负数或0，被减数为最大距离值的个数，减数为最小距离值的个数。
B31、根据所述个数差值和所述距离差值，确定出参考同行数值；
可选的，可以根据预设的个数差值、距离差值与同行数值之间的映射关系，确定出参考同行数值。其中，所述参考同行数值用于反映参考同行用户为目标用户的同行用户的概率。该映射关系可以通过神经网络模型训练得到，其中，对神经网络模型进行训练时可以包括正向训练和反向训练，神经网络模型可以包括N层神经网络，在训练时，可以将样本数据输入到该N层神经网络的第一层，通过第一层进行正向运算后得到第一运算结果，然后将第一运算结果输入到第二层进行正向运算，得到第二结果，以此，直至第N-1结果输入到第N层进行正向运算，得到第N运算结果，在对第N运算结果执行反向训练，以此重复执行正向训练和反向训练，直至神经网络模型训练完成。样本数据为个数差值、距离差值和同行概率。
B4、获取所述目标用户的动作信息，以及获取所述每个参考同行用户的动作信息；
可选的，获取目标用户的动作信息的方法可以为：从多张第一图像中提取特征点的位置参数，根据特征点的位置参数确定出目标用户的动作信息。其中，特征点可以为：手部特征点和脚部特征点，手部特征点可以包括手臂的特征点，脚部特征点可以为小腿的特征点和大腿的特征点，如图2B所示。动作信息可包括面部朝向、头部动作、脚部动作、手部动作等，头部动作可以包括正常头部动作、左侧偏头、右侧偏头，其中，左侧偏头可以理解为头部中线与竖直方向的夹角大于10度，且在面部朝向的左边，右侧偏头可以理解为头部竖直中线与竖直方向的夹角大于10度，且在面部朝向的右边，正常头部动作可以理解位于左侧偏头和右侧偏头之间偏离角度范围内的头部动作，即左侧10度与右侧10度之间的范围。
B5、通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值；
可选的，动作信息可包括面部朝向、头部动作和脚部动作，则一种可能的确定同行校正值的方法包括步骤B50-B53，具体如下：
B50、通过所述每个参考同行用户的面部朝向与所述目标用户的面部朝向，确定出所述每个参考同行用户的面部朝向与所述目标用户的面部朝向之间的夹角，得到多个目标夹角；
其中，参考同行用户的面部朝向与目标用户的面部朝向之间的夹角可以理解为将面部抽象为一个平面，该平面的垂线的方向为面部朝向，垂线的方向为面部所对的方向，因此，参考同行用户的面部朝向与目标用户的面部朝向之间的夹角即为垂线之间的夹角。
B51、获取所述每个参考同行用户的头部动作与预设的头部动作之间的相似度，得到多个第一相似度，以及获取所述每个参考同行用户的脚步动作与所述目标用户的脚步动作之间的相似度，得到多个第二相似度；
其中，头部动作的相似度可以根据偏离角度进行确定，偏离角度和偏离方向相同越接近，则相似度越大，偏离角度和偏离方向越远，则相似度越小。脚部动作之间的相似度，可以为步伐之间的相似度，步伐可以理解为，步行时每一步的跨度，即每一步的距离，以及哪一只脚在迈出，跨度之间的差值越小，相似度越大，跨度之间的差值越大，相似度越小，若相同的脚迈出，则相似度越大，迈出的脚不同，则相似度越小。
B52、获取所述多个目标夹角的第一权值、所述多个第一相似度的第二权值、所述多个第二相似度的第三权值，所述第一权值、第二权值、第三权值之和为1；
其中，第一权值、第二权值、第三权值可以根据经验值设定或者根据历史数据进行设定。
B53、通过所述第一权值、第二权值、第三权值对所述多个目标夹角、多个第一相似度、多个第二相似度进行权值运算，得到所述每个参考同行用户的同行校正值。
其中，校正值可以为大于1的数值，也可以为小于1的数值。
本示例中，通过面部朝向、头部动作和脚部动作，来确定出同行校正值，面部朝向可以反映出用户之间的关联性，头部动作和脚部动作能够反映出用户之间的行走数据，因此，通过上述参数进行校正值确定，能够提升校正值获取时的准确性。
B6、根据所述每个参考同行用户的参考同行数值和所述每个参考同行用户的同行校正值，确定出所述目标用户的至少一个第一同行用户。
可选的，将参考同行数值乘以同行校正值，得到目标同行数值。当目标同行数值处于预设的同行数值，则确定出与该目标同行数值对应的参考同行用户为第一同行用户。预设的同行数值可以通过经验值设定或历史数据设定。
本示例中，通过活动轨迹，确定出参考同行用户的参考同行数值，然后在根据参考用户的同行校正值，来从至少参考第一同行用户中确定出第一同行用户，因此，通过活动轨迹和参考校正值来确定出第一同行用户，能够一定程度上提升第一同行用户确定时的准确性。
可选的，确定第二同行用户的方法与确定第一同行用户的方法相同，此处不再赘述。
203、根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
可选的，将所述至少一个第一同行用户和所述至少一个第二同行用户中，具有相同的人脸图像的用户，作为目标同行用户。若不存在相同人脸图像的用户，则将第一同行用户中的目标同行数值最高值的用户作为，目标同行用户，以及将第二同行用户中目标同行数值最高值的用户作为，目标同行用户。
一个可能的示例中，在确定出至少一个目标同行用户后，可以对目标同行用户的危险等级进行判定，并根据判定结果向目标用户推送信息，因此，可以在危险等级较高时向目标用户发送告警信息，从而可以提醒目标用户，目标用户在接收到告警信息后，可以采取相应的行动，以此，可以减少危险事件的发生概率。该方法，具体包括步骤C1-C4，具体如下：
C1、获取所述至少一个目标同行用户中每个目标同行用户的用户信息；
C2、根据所述每个目标同行用户的用户信息，通过预设的用户关系谱确定出所述至少一个目标同行用户之间的用户关系；
其中，预设的用户关系谱中包括同行用户的用户关系信息，即可以确定出与目标同行用户相关联的用户。例如，目标同行用户的同伙信息、好友信息等，同伙信息可以理解为，目标同行用户为具有犯罪行为时，与该目标同行用户一起犯罪的其它用户的用户信息。
C3、通过所述用户关系确定出所述至少一个目标同行用户的危险等级；
可选的，若从至少一个目标同行用户中确定出存在危险用户，且存在危险用户的关联用户，则确定出该目标同行用户的危险等级为第四危险等级，若从至少一个目标同行用户中确定出危险用户，则该目标同行用户的危险等级为最高危险等级为低一级的危险等级，若从至少一个目标同行用户中，不存在危险用户，但存在该目标用户的关联用户，则危险等级为最高危险等级低二级的危险等级，若至少一个目标同行用户中不存在危险用户，且不存在与目标用户的关联用户，则危险等级为最高危险等级低三级的危险等级，以此类推，进行危险等级划分，危险等级越低，危险越小，危险等级越高，危险越高。
C4、若所述至少一个目标同行用户中存在第一同行用户，则向所述目标用户发出告警信息，所述第一同行用户为至少一个目标同行用户中危险等级高于第一预设危险等级的目标同行用户。
其中，第一预设危险等级为至少一个目标同行用户中，不存在危险用户，但存在该目标用户的关联用户所对应的危险等级。
一个可能的示例中，同行分析方法还包括如下方法，具体包括步骤D1-D3，具体如下：
D1、若所述至少一个目标同行用户中存在第三同行用户，则获取所述第三同行用户在预设时间间隔内的活动区域，以及获取所述目标用户在所述预设时间间隔内的活动区域，所述第三同行用户为所述至少一个目标同行用户中的危险等级低于第二预设危险等级的同行用户，所述第二预设危险等级低于所述第一预设危险等级；
其中，第二预设危险等级可以为至少一个目标同行用户中不存在危险用户，且不存在与目标用户的关联用户所对应的危险等级。活动区域可以理解为用户所经过的区域。
D2、若所述第三同行用户在预设时间间隔内活动区域与所述目标用户在所述预设时间间隔内的活动区域之间的相似度大于预设相似度，则获取所述第三同行用户的兴趣信息，以及获取所述目标用户的兴趣信息；
其中，活动区域之间的相似度可以理解为，用户经过的所有区域中相同区域的个数越大，相似度越大，相同区域的个数越小，相似度越小。预设时间间隔、预设相似度可以通过经验值设定或历史数据设定。兴趣信息，可以理解为，用户的爱好，例如，体育运动、日常活动、看书、玩游戏等。
D3、若所述第三同行用户的兴趣信息与所述目标用户的兴趣信息相同，则将所述第三同行用户的用户信息推送给所述目标用户。
本示例中，在目标同行用户中确定出第三同行用户，第三同行用户的兴趣爱好和目标同行用户的兴趣爱好相同，则将该第三同行用户推送给目标用户，因此，可以智能的从目标同行用户中为目标用户进行好友推荐，从而能够一定程度的提升目标用户交友的方式，从而提升用户体验。
请参阅图3，图3为本申请实施例提供了另一种同行分析方法的流程示意图。如图3所示，同行分析方法可包括步骤301-308，具体如下：
301、在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像；
其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户。
302、通过所述多张第一图像确定出所述目标用户的第一活动轨迹，多张第一图像确定出所述目标用户预设范围内的多个参考同行用户中每个参考同行用户的动作信息和第二活动轨迹；
303、根据所述第一活动轨迹和所述第二活动轨迹，确定出所述每个参考同行用户与所述目标用户之间的最大距离值和最小距离值，以及所述最大距离值的个数和所述最小距离值的个数；
304、通过所述最大距离值、最小距离值、最大距离值的个数、最小距离值的个数，确定出所述每个参考同行用户的参考同行数值；
305、获取所述目标用户的动作信息，以及获取所述每个参考同行用户的动作信息；
306、通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值；
307、根据所述每个参考同行用户的参考同行数值和所述每个参考同行用户的同行校正值，确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
308、根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
本示例中，通过活动轨迹，确定出参考同行用户的参考同行数值，然后在根据参考用户的同行校正值，来从至少参考第一同行用户中确定出第一同行用户，因此，通过活动轨迹和参考校正值来确定出第一同行用户，能够一定程度上提升第一同行用户确定时的准确性。
请参阅图4，图4为本申请实施例提供了另一种同行分析方法的流程示意图。如图4所示，同行分析方法可包括步骤401-407，具体如下：
401、在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像；
其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户。
402、通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
403、根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户；
404、获取所述至少一个目标同行用户中每个目标同行用户的用户信息；
405、根据所述每个目标同行用户的用户信息，通过预设的用户关系谱确定出所述至少一个目标同行用户之间的用户关系；
406、通过所述用户关系确定出所述至少一个目标同行用户的危险等级；
407、若所述至少一个目标同行用户中存在第一同行用户，则向所述目标用户发出告警信息，所述第一同行用户为至少一个目标同行用户中危险等级高于第一预设危险等级的目标同行用户。
本示例中，在确定出至少一个目标同行用户后，可以对目标同行用户的危险等级进行判定，并根据判定结果向目标用户推送信息，因此，可以在危险等级较高时向目标用户发送告警信息，从而可以提醒目标用户，目标用户在接收到告警信息后，可以采取相应的行动，以此，可以减少危险事件的发生概率
参阅图5，图5为本申请实施例提供了另一种同行分析方法的流程示意图。如图5所示，同行分析方法包括步骤501-506，具体如下：
501、在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像；
其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户。
502、通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
503、根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户；
504、若所述至少一个目标同行用户中存在第三同行用户，则获取所述第三同行用户在预设时间间隔内的活动区域，以及获取所述目标用户在所述预设时间间隔内的活动区域；
其中，所述第三同行用户为所述至少一个目标同行用户中的危险等级低于第二预设危险等级的同行用户，所述第二预设危险等级低于所述第一预设危险等级。
505、若所述第三同行用户在预设时间间隔内活动区域与所述目标用户在所述预设时间间隔内的活动区域之间的相似度大于预设相似度，则获取所述第三同行用户的兴趣信息，以及获取所述目标用户的兴趣信息；
506、若所述第三同行用户的兴趣信息与所述目标用户的兴趣信息相同，则将所述第三同行用户的用户信息推送给所述目标用户。
本示例中，在目标同行用户中确定出第三同行用户，第三同行用户的兴趣爱好和目标同行用户的兴趣爱好相同，则将该第三同行用户推送给目标用户，因此，可以智能的从目标同行用户中为目标用户进行好友推荐，从而能够一定程度的提升目标用户交友的方式，从而提升用户体验。
与上述实施例一致的，请参阅图6，图6为本申请实施例提供的一种终端的结构示意图，如图所示，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，上述程序包括用于执行以下步骤的指令；
在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户；
通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
本示例中，在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户，根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户，因此，相对于现有方案中，分析的样本全面性较低，本方案中，通过具有第一摄像头标识的摄像头先采集到多张第一图像，同时通过多个第二摄像头标识的摄像头采集到多张第二图像，对第一图像和第二图像进行分析，得到至少一个目标同行用户，多张第一图像和多张第二图像能够提升样本的全面性，从而在一定程度上提升了目标同行用户确定时的准确性。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，终端为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对终端进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
与上述一致的，请参阅图7，图7为本申请实施例提供了一种同行分析装置的结构示意图，所述装置包括采集单元701、第一确定单元702和第二确定单元703，其中，
所述采集单元701，用于在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户；
所述第一确定单元702，用于通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
所述第二确定单元703，用于根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
可选的，在所述通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户方面，所述第一确定单元702具体用于：
通过所述多张第一图像确定出所述目标用户的第一活动轨迹，多张第一图像确定出所述目标用户预设范围内的多个参考同行用户中每个参考同行用户的动作信息和第二活动轨迹；
根据所述第一活动轨迹和所述第二活动轨迹，确定出所述每个参考同行用户与所述目标用户之间的最大距离值和最小距离值，以及所述最大距离值的个数和所述最小距离值的个数；
通过所述最大距离值、最小距离值、最大距离值的个数、最小距离值的个数，确定出所述每个参考同行用户的参考同行数值；
获取所述目标用户的动作信息，以及获取所述每个参考同行用户的动作信息；
通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值；
根据所述每个参考同行用户的参考同行数值和所述每个参考同行用户的同行校正值，确定出所述目标用户的至少一个第一同行用户。
可选的，所述动作信息包括面部朝向、头部动作和脚部动作，在所述通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值方面，所述第一确定单元702具体用于：
通过所述每个参考同行用户的面部朝向与所述目标用户的面部朝向，确定出所述每个参考同行用户的面部朝向与所述目标用户的面部朝向之间的夹角，得到多个目标夹角；
获取所述每个参考同行用户的头部动作与预设的头部动作之间的相似度，得到多个第一相似度，以及获取所述每个参考同行用户的脚步动作与所述目标用户的脚步动作之间的相似度，得到多个第二相似度；
获取所述多个目标夹角的第一权值、所述多个第一相似度的第二权值、所述多个第二相似度的第三权值，所述第一权值、第二权值、第三权值之和为1；
通过所述第一权值、第二权值、第三权值对所述多个目标夹角、多个第一相似度、多个第二相似度进行权值运算，得到所述每个参考同行用户的同行校正值。
可选的，所述同行分析装置还具体用于：
获取所述至少一个目标同行用户中每个目标同行用户的用户信息；
根据所述每个目标同行用户的用户信息，通过预设的用户关系谱确定出所述至少一个目标同行用户之间的用户关系；
通过所述用户关系确定出所述至少一个目标同行用户的危险等级；
若所述至少一个目标同行用户中存在第一同行用户，则向所述目标用户发出告警信息，所述第一同行用户为至少一个目标同行用户中危险等级高于第一预设危险等级的目标同行用户。
可选的，所述同行分析装置还具体用于：
若所述至少一个目标同行用户中存在第三同行用户，则获取所述第三同行用户在预设时间间隔内的活动区域，以及获取所述目标用户在所述预设时间间隔内的活动区域，所述第三同行用户为所述至少一个目标同行用户中的危险等级低于第二预设危险等级的同行用户，所述第二预设危险等级低于所述第一预设危险等级；
若所述第三同行用户在预设时间间隔内活动区域与所述目标用户在所述预设时间间隔内的活动区域之间的相似度大于预设相似度，则获取所述第三同行用户的兴趣信息，以及获取所述目标用户的兴趣信息；
若所述第三同行用户的兴趣信息与所述目标用户的兴趣信息相同，则将所述第三同行用户的用户信息推送给所述目标用户。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种同行分析方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种同行分析方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在申请明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。
Claims (10)
1.一种同行分析方法，其特征在于，所述方法包括：
在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户；
通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
2.根据权利要求1所述的方法，其特征在于，所述通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，包括：
通过所述多张第一图像确定出所述目标用户的第一活动轨迹，多张第一图像确定出所述目标用户预设范围内的多个参考同行用户中每个参考同行用户的动作信息和第二活动轨迹；
根据所述第一活动轨迹和所述第二活动轨迹，确定出所述每个参考同行用户与所述目标用户之间的最大距离值和最小距离值，以及所述最大距离值的个数和所述最小距离值的个数；
通过所述最大距离值、最小距离值、最大距离值的个数、最小距离值的个数，确定出所述每个参考同行用户的参考同行数值；
获取所述目标用户的动作信息，以及获取所述每个参考同行用户的动作信息；
通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值；
根据所述每个参考同行用户的参考同行数值和所述每个参考同行用户的同行校正值，确定出所述目标用户的至少一个第一同行用户。
3.根据权利要求2所述的方法，其特征在于，所述动作信息包括面部朝向、头部动作和脚部动作，所述通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值，包括：
通过所述每个参考同行用户的面部朝向与所述目标用户的面部朝向，确定出所述每个参考同行用户的面部朝向与所述目标用户的面部朝向之间的夹角，得到多个目标夹角；
获取所述每个参考同行用户的头部动作与预设的头部动作之间的相似度，得到多个第一相似度，以及获取所述每个参考同行用户的脚步动作与所述目标用户的脚步动作之间的相似度，得到多个第二相似度；
获取所述多个目标夹角的第一权值、所述多个第一相似度的第二权值、所述多个第二相似度的第三权值，所述第一权值、第二权值、第三权值之和为1；
通过所述第一权值、第二权值、第三权值对所述多个目标夹角、多个第一相似度、多个第二相似度进行权值运算，得到所述每个参考同行用户的同行校正值。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
获取所述至少一个目标同行用户中每个目标同行用户的用户信息；
根据所述每个目标同行用户的用户信息，通过预设的用户关系谱确定出所述至少一个目标同行用户之间的用户关系；
通过所述用户关系确定出所述至少一个目标同行用户的危险等级；
若所述至少一个目标同行用户中存在第一同行用户，则向所述目标用户发出告警信息，所述第一同行用户为至少一个目标同行用户中危险等级高于第一预设危险等级的目标同行用户。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若所述至少一个目标同行用户中存在第三同行用户，则获取所述第三同行用户在预设时间间隔内的活动区域，以及获取所述目标用户在所述预设时间间隔内的活动区域，所述第三同行用户为所述至少一个目标同行用户中的危险等级低于第二预设危险等级的同行用户，所述第二预设危险等级低于所述第一预设危险等级；
若所述第三同行用户在预设时间间隔内活动区域与所述目标用户在所述预设时间间隔内的活动区域之间的相似度大于预设相似度，则获取所述第三同行用户的兴趣信息，以及获取所述目标用户的兴趣信息；
若所述第三同行用户的兴趣信息与所述目标用户的兴趣信息相同，则将所述第三同行用户的用户信息推送给所述目标用户。
6.一种同行分析装置，其特征在于，所述装置包括采集单元、第一确定单元和第二确定单元，其中，
所述采集单元，用于在预设时间段内通过具有第一摄像头标识的摄像头进行采集，得到多张第一图像，以及在所述预设时间段内通过多个具有第二摄像头标识的摄像头中的每个摄像头进行采集，得到多张第二图像，其中，所述多个摄像头中的每个摄像头采集到至少一张第二图像，所述多个具有第二摄像头标识的摄像头为所述具有第一摄像头标识的摄像头的子节点摄像头，所述第一图像、所述第二图像中包括目标用户；
所述第一确定单元，用于通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户，以及通过所述多张第二图像确定出所述目标用户的至少一个第二同行用户；
所述第二确定单元，用于根据所述至少一个第一同行用户和所述至少一个第二同行用户，确定出所述目标用户的至少一个目标同行用户。
7.根据权利要求6所述的装置，其特征在于，在所述通过所述多张第一图像确定出所述目标用户的至少一个第一同行用户方面，所述第一确定单元具体用于：
通过所述多张第一图像确定出所述目标用户的第一活动轨迹，多张第一图像确定出所述目标用户预设范围内的多个参考同行用户中每个参考同行用户的动作信息和第二活动轨迹；
根据所述第一活动轨迹和所述第二活动轨迹，确定出所述每个参考同行用户与所述目标用户之间的最大距离值和最小距离值，以及所述最大距离值的个数和所述最小距离值的个数；
通过所述最大距离值、最小距离值、最大距离值的个数、最小距离值的个数，确定出所述每个参考同行用户的参考同行数值；
获取所述目标用户的动作信息，以及获取所述每个参考同行用户的动作信息；
通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值；
根据所述每个参考同行用户的参考同行数值和所述每个参考同行用户的同行校正值，确定出所述目标用户的至少一个第一同行用户。
8.根据权利要求7所述的装置，其特征在于，所述动作信息包括面部朝向、头部动作和脚部动作，在所述通过所述目标用户的动作信息和所述每个参考同行用户的动作信息，确定出所述每个参考同行用户的同行校正值方面，所述第一确定单元具体用于：
通过所述每个参考同行用户的面部朝向与所述目标用户的面部朝向，确定出所述每个参考同行用户的面部朝向与所述目标用户的面部朝向之间的夹角，得到多个目标夹角；
获取所述每个参考同行用户的头部动作与预设的头部动作之间的相似度，得到多个第一相似度，以及获取所述每个参考同行用户的脚步动作与所述目标用户的脚步动作之间的相似度，得到多个第二相似度；
获取所述多个目标夹角的第一权值、所述多个第一相似度的第二权值、所述多个第二相似度的第三权值，所述第一权值、第二权值、第三权值之和为1；
通过所述第一权值、第二权值、第三权值对所述多个目标夹角、多个第一相似度、多个第二相似度进行权值运算，得到所述每个参考同行用户的同行校正值。
9.一种终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572443.2A CN109784199B (zh) | 2018-12-21 | 2018-12-21 | 同行分析方法及相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811572443.2A CN109784199B (zh) | 2018-12-21 | 2018-12-21 | 同行分析方法及相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109784199A true CN109784199A (zh) | 2019-05-21 |
| CN109784199B CN109784199B (zh) | 2020-11-24 |
Family
ID=66497957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811572443.2A Active CN109784199B (zh) | 2018-12-21 | 2018-12-21 | 同行分析方法及相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784199B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532931A (zh) * | 2019-08-23 | 2019-12-03 | 深圳市驱动新媒体有限公司 | 一种客流分析方法和装置以及设备 |
| CN110532930A (zh) * | 2019-08-23 | 2019-12-03 | 深圳市驱动新媒体有限公司 | 一种客流管理方法和装置以及设备 |
| CN110532929A (zh) * | 2019-08-23 | 2019-12-03 | 深圳市驱动新媒体有限公司 | 一种同行人分析方法和装置以及设备 |
| CN110837512A (zh) * | 2019-11-15 | 2020-02-25 | 北京市商汤科技开发有限公司 | 访客信息管理方法及装置、电子设备和存储介质 |
| CN111104915A (zh) * | 2019-12-23 | 2020-05-05 | 云粒智慧科技有限公司 | 一种同行分析方法、装置、设备和介质 |
| CN111191601A (zh) * | 2019-12-31 | 2020-05-22 | 深圳云天励飞技术有限公司 | 同行用户识别方法、装置、服务器及存储介质 |
| CN111488835A (zh) * | 2020-04-13 | 2020-08-04 | 北京爱笔科技有限公司 | 一种同行人员的识别方法及装置 |
| CN112016443A (zh) * | 2020-08-26 | 2020-12-01 | 深圳市商汤科技有限公司 | 同行识别方法及装置、电子设备和存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070092245A1 (en) * | 2005-10-20 | 2007-04-26 | Honeywell International Inc. | Face detection and tracking in a wide field of view |
| CN102254169A (zh) * | 2011-08-23 | 2011-11-23 | 东北大学秦皇岛分校 | 基于多摄像机的人脸识别方法及*** |
| CN103839049A (zh) * | 2014-02-26 | 2014-06-04 | 中国计量学院 | 一种双人交互行为识别和主动角色确定方法 |
| CN105931429A (zh) * | 2016-07-18 | 2016-09-07 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别夜间接近报警方法和装置 |
| CN106203260A (zh) * | 2016-06-27 | 2016-12-07 | 南京邮电大学 | 基于多摄像机监控网络的行人识别与跟踪方法 |
| CN107016322A (zh) * | 2016-01-28 | 2017-08-04 | 浙江宇视科技有限公司 | 一种尾随人员分析的方法及装置 |
| CN107153824A (zh) * | 2017-05-22 | 2017-09-12 | 中国人民解放军国防科学技术大学 | 基于图聚类的跨视频行人重识别方法 |
| CN107481154A (zh) * | 2017-07-17 | 2017-12-15 | 广州特道信息科技有限公司 | 社交网络人际关系的分析方法及装置 |
| CN108280435A (zh) * | 2018-01-25 | 2018-07-13 | 盛视科技股份有限公司 | 一种基于人体姿态估计的旅客异常行为识别方法 |
| CN108629791A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 行人跟踪方法和装置及跨摄像头行人跟踪方法和装置 |
| CN108830974A (zh) * | 2017-04-27 | 2018-11-16 | 胡渐佳 | 识别进出门电子端*** |
| CN108924507A (zh) * | 2018-08-02 | 2018-11-30 | 高新兴科技集团股份有限公司 | 一种基于多摄像头场景的人员轨迹生成***及方法 |
-
2018
- 2018-12-21 CN CN201811572443.2A patent/CN109784199B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070092245A1 (en) * | 2005-10-20 | 2007-04-26 | Honeywell International Inc. | Face detection and tracking in a wide field of view |
| CN102254169A (zh) * | 2011-08-23 | 2011-11-23 | 东北大学秦皇岛分校 | 基于多摄像机的人脸识别方法及*** |
| CN103839049A (zh) * | 2014-02-26 | 2014-06-04 | 中国计量学院 | 一种双人交互行为识别和主动角色确定方法 |
| CN107016322A (zh) * | 2016-01-28 | 2017-08-04 | 浙江宇视科技有限公司 | 一种尾随人员分析的方法及装置 |
| CN106203260A (zh) * | 2016-06-27 | 2016-12-07 | 南京邮电大学 | 基于多摄像机监控网络的行人识别与跟踪方法 |
| CN105931429A (zh) * | 2016-07-18 | 2016-09-07 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别夜间接近报警方法和装置 |
| CN108629791A (zh) * | 2017-03-17 | 2018-10-09 | 北京旷视科技有限公司 | 行人跟踪方法和装置及跨摄像头行人跟踪方法和装置 |
| CN108830974A (zh) * | 2017-04-27 | 2018-11-16 | 胡渐佳 | 识别进出门电子端*** |
| CN107153824A (zh) * | 2017-05-22 | 2017-09-12 | 中国人民解放军国防科学技术大学 | 基于图聚类的跨视频行人重识别方法 |
| CN107481154A (zh) * | 2017-07-17 | 2017-12-15 | 广州特道信息科技有限公司 | 社交网络人际关系的分析方法及装置 |
| CN108280435A (zh) * | 2018-01-25 | 2018-07-13 | 盛视科技股份有限公司 | 一种基于人体姿态估计的旅客异常行为识别方法 |
| CN108924507A (zh) * | 2018-08-02 | 2018-11-30 | 高新兴科技集团股份有限公司 | 一种基于多摄像头场景的人员轨迹生成***及方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532931A (zh) * | 2019-08-23 | 2019-12-03 | 深圳市驱动新媒体有限公司 | 一种客流分析方法和装置以及设备 |
| CN110532930A (zh) * | 2019-08-23 | 2019-12-03 | 深圳市驱动新媒体有限公司 | 一种客流管理方法和装置以及设备 |
| CN110532929A (zh) * | 2019-08-23 | 2019-12-03 | 深圳市驱动新媒体有限公司 | 一种同行人分析方法和装置以及设备 |
| CN110532930B (zh) * | 2019-08-23 | 2023-08-29 | 深圳市驱动新媒体有限公司 | 一种客流管理方法和装置以及设备 |
| CN110837512A (zh) * | 2019-11-15 | 2020-02-25 | 北京市商汤科技开发有限公司 | 访客信息管理方法及装置、电子设备和存储介质 |
| CN111104915A (zh) * | 2019-12-23 | 2020-05-05 | 云粒智慧科技有限公司 | 一种同行分析方法、装置、设备和介质 |
| CN111104915B (zh) * | 2019-12-23 | 2023-05-16 | 云粒智慧科技有限公司 | 一种同行分析方法、装置、设备和介质 |
| CN111191601A (zh) * | 2019-12-31 | 2020-05-22 | 深圳云天励飞技术有限公司 | 同行用户识别方法、装置、服务器及存储介质 |
| CN111488835A (zh) * | 2020-04-13 | 2020-08-04 | 北京爱笔科技有限公司 | 一种同行人员的识别方法及装置 |
| CN111488835B (zh) * | 2020-04-13 | 2023-10-10 | 北京爱笔科技有限公司 | 一种同行人员的识别方法及装置 |
| CN112016443A (zh) * | 2020-08-26 | 2020-12-01 | 深圳市商汤科技有限公司 | 同行识别方法及装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109784199B (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784199A (zh) | 同行分析方法及相关产品 | |
| Wang et al. | Hybrid transfer learning and broad learning system for wearing mask detection in the COVID-19 era | |
| Li et al. | Person search with natural language description | |
| Bhattacharya et al. | Recognition of complex events: Exploiting temporal dynamics between underlying concepts | |
| Ouyang et al. | Multi-source deep learning for human pose estimation | |
| Wu et al. | The machine knows what you are hiding: an automatic micro-expression recognition system | |
| KR100886557B1 (ko) | 적응형 학습에 기반한 얼굴 인식 시스템 및 방법 | |
| CN106548164A (zh) | 人脸图像与移动设备的关联性识别方法 | |
| Bertoni et al. | Perceiving humans: from monocular 3d localization to social distancing | |
| Wrobel et al. | Using a probabilistic neural network for lip-based biometric verification | |
| Shengtao et al. | Facial expression recognition based on global and local feature fusion with CNNs | |
| CN116311400A (zh) | 掌纹图像的处理方法、电子设备及存储介质 | |
| CN115187910A (zh) | 视频分类模型训练方法、装置、电子设备及存储介质 | |
| Hirzi et al. | Literature study of face recognition using the viola-jones algorithm | |
| Kviatkovsky et al. | Person identification from action styles | |
| Goud et al. | Smart attendance notification system using SMTP with face recognition | |
| Vo et al. | VQASTO: Visual question answering system for action surveillance based on task ontology | |
| Amjad et al. | A technique and architectural design for criminal detection based on lombroso theory using deep learning | |
| CN115188031A (zh) | 指纹识别方法、计算机程序产品、存储介质及电子设备 | |
| Li et al. | Pedestrian detection based on clustered poselet models and hierarchical and–or grammar | |
| Jameel et al. | Human gait recognition using preprocessing and classification techniques | |
| Santosh et al. | Recent Trends in Image Processing and Pattern Recognition: Third International Conference, RTIP2R 2020, Aurangabad, India, January 3–4, 2020, Revised Selected Papers, Part I | |
| CN114359646A (zh) | 一种视频分析方法、装置、***、电子设备和介质 | |
| Brenner et al. | Joint people recognition across photo collections using sparse markov random fields | |
| Hashem et al. | Human gait identification system based on transfer learning |
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 |