CN111291216B - 一种基于人脸结构化数据的落脚点分析方法和*** - Google Patents

Abstract

本发明给出了一种基于人脸结构化数据的落脚点分析方法和***，包括将聚集圈内的所有监控设备合并至一个集合内，获取聚集圈的监控数据；基于人脸识别获取监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合；过滤第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合；遍历第二人脸轨迹数据集合，基于人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得聚集圈的综合分值，根据聚集圈的综合分值的排名获取待分析人员的落脚点。通过多维度的综合分析获得聚集圈数据可以更为准确的分析出人员的落脚点位置。

Description

一种基于人脸结构化数据的落脚点分析方法和***

技术领域

本发明涉及人员轨迹分析领域，尤其是一种基于人脸结构化数据的落脚点分析方法和***。

背景技术

随着监控设备安装的普及与人脸识别技术的不断发展，人脸数据已经成为人员轨迹数据的重要一部分。抓拍相机采集人脸后，通过识别引擎与人员的证件照进行比对，能大概率的命中其本人，并能记录此人在什么时间出现在什么地点。这样长期就能形成人员的人脸抓拍轨迹。基于人员的人脸抓拍轨迹，通过数据挖掘技术，能够分析出人员的活动规律。

为了了解特定人员在指定时间段内出现的位置情况，对特定人员进行落脚点分析，也即，对特定人员一定时间内时间没有离开的位置情况进行分析。目前，在进行落脚点分析时，用户输入要分析的时间范围和具体的时间段，比如，一天的出行时间段和回程时间段，因为人员出现的时间段可以随意设定，增加了预处理的难度。在大量数据的记录中，用户实时进行落脚点分析，需要处理的数据量较大，耗费时间长。另一方面，此种方法统计指定特定人员在一定时间范围的具体时间段内所经过的所有设有摄像头的区域，如果指定的具体时间段并非特定人员常规出行的时间段，那么最终统计的结果只是对途径的摄像头区域进行统计，输出的结果是按经过次数降序排列的孤立的摄像头位置的集合，虽然可以反映出经常经过的摄像头区域位置，但是会遗漏很多常规落脚点，不能很好地展示出落脚点的区域，因此，此种方法得出的结果不准确，达不到落脚点分析的目的。现有的人员轨迹分析，只是单纯的统计在每个设备出现的次数，然后进行排序，算出结果，这样分析数据不仅不准确而且容易产生错误的结果，从而误导用户。

发明内容

为了解决现有技术中存在的单纯的统计在每个设备出现的次数，然后进行排序，算出结果，本发明提出了一种基于人脸结构化数据的落脚点分析方法和***，解决了分析数据不准确且容易产生错误的结果的技术问题。

在一个方面，本发明提出了一种基于人脸结构化数据的落脚点分析方法，该方法包括以下步骤：

S1：将聚集圈内的所有监控设备合并至一个集合内，获取聚集圈的监控数据；

S2：基于人脸识别获取监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合；

S3：过滤第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合；

S4：遍历第二人脸轨迹数据集合，基于人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得聚集圈的综合分值，根据聚集圈的综合分值的排名获取待分析人员的落脚点。

在具体的实施例中，聚集圈包括车站、小区、路口和街道。通过聚集圈的设置，将一个区域的监控设备的数据进行统一规整，能够有效的获得人员的落脚轨迹。

在具体的实施例中，第一阈值为85％。凭借第一阈值的设置，能够将满足人脸相似度的人员筛选出来，确保分析人员的准确性。

在具体的实施例中，第二阈值为2小时。凭借第二阈值的设定，可以避免临时路过的人员轨迹信息被误认为是落脚点，保证数据的有效性同时还能够减少数据的分析量。

在具体的实施例中，步骤S3具体包括以下步骤：

过滤第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，将过滤后的人脸轨迹数据按天分组并将组内数据按时间排序；

响应于组内数据大于等于3个，保留首尾数据，中间数据基于预设的过滤规则进行过滤后获得第二人脸轨迹数据集合，其中，过滤规则具体为：后一条数据的抓拍时间依次减去前一条数据的抓拍时间，若小于预设的时长阈值，则过滤前一条数据，若大于预设的时长阈值，则保留前一条数据。按天对数据进行分组，可以将数据有序排列，通过组内数据的过滤能够进一步提高数据的有效性和准确性。

在具体的实施例中，步骤S4的综合分值的计算规则具体为：

以待分析人员在第二人脸轨迹数据集合中的出现次数为综合分值的基础分；

时效性分值＝时效性权重*基础分，时间段分值＝时间段权重*基础分，地点吻合性分值＝地点吻合性权重*基础分，连续性分值具体表示为聚集圈最大的连续出现天数，其中，时效性权重为0.5，时间段权重为0.2，地点吻合性权重为0.2；

综合分值＝时效性分值+时间段分值+地点吻合性分值+连续性分值。通过各个分值的运算和综合分值的统计，可以统计获得各落脚点的分值，为最终结果提供数据支持。

在优选的实施例中，时效性具体为待分析人员的数据记录时间为近一个月内，时间段包括工作日的上下班时间以及周末，地点吻合性具体包括第一次出现地点与最后出现地点是否为同一个聚集圈。将时效性、时间段、地点吻合性作为评分项目，使最终的结果更加有参考意义，更加能够反应出分析人员的落脚点和轨迹信息。

在优选的实施例中，步骤S4还包括过滤综合分值小于第三阈值的聚集圈，取综合分值前三的聚集圈确定为待分析人员的落脚点。取前三名的聚集圈为待分析人员的落脚点，通过综合的分析获得的结果更为准确合理。

根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时上述方法。

根据本发明的第三方面，提出了一种基于人脸结构化数据的落脚点分析***，该***包括：

聚集圈单元，配置用于将聚集圈内的所有监控设备合并至一个集合内，获取聚集圈的监控数据；

第一人脸轨迹数据集合生成单元，配置用于基于人脸识别获取监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合；

第二人脸轨迹数据集合筛选单元，配置用于过滤第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合；

落脚点分析单元，配置用于遍历第二人脸轨迹数据集合，基于人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得聚集圈的综合分值，根据聚集圈的综合分值的排名获取待分析人员的落脚点。

本发明通过聚集圈的划定，分析聚集圈内的人员的落脚点位置，通过时效性、时间段、地点吻合性等多维度的数据分析，并对各维度的数据进行加权，最终获得待分析人员对应各聚集圈的评分，进而获得其最准确的落脚点位置。该方法能够准确的根据人脸轨迹数据，获得待分析人员的可能落脚点，相较于传统的分析方法中单纯统计每个设备出现的次数，然后进行排序计算出的结果，获得的落脚点更加的准确。

附图说明

包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明的一个实施例的基于人脸结构化数据的落脚点分析方法的流程图；

图2是本发明的一个具体的实施例的组内数据的过滤规则的示意图；

图3是本发明的一个实施例的基于人脸结构化数据的落脚点分析***框架图；

图4是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

根据本发明的一个实施例的用于数据项的对标方法，图1示出了根据本发明的实施例的基于人脸结构化数据的落脚点分析方法。如图1所示，该方法包括以下步骤：

S101：将聚集圈内的所有监控设备合并至一个集合内，获取聚集圈的监控数据。聚集圈的设置，可以将某个区域的监控数据进行规整统一，方便于进行轨迹分析和落脚点的确定分析。

在具体的实施例中，可以将某个小区的所有监控设备合并在一个集合里，划分为一个聚集圈。同样可以将火车站、地铁站、BRT、某个路口的几个设备等，都划分成为一个聚集圈。通过对聚集圈内的监控设备的合并，可以将落脚点定义为某个聚集圈，可以极大的减少了数据的分析量，提高分析效率。其中监控设备可以为聚集圈内的监控摄像头、抓拍相机等所有的可以采集到人脸信息的监控装置，监控的数据作为后续分析的数据基础。

S102：基于人脸识别获取监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合。利用人脸识别技术可以有效的识别出需要分析的人员在各个聚集圈的出现情况，是数据分析的基础。

在具体的实施例中，可以获取待分析人员在某一时间段(例如近半年)内的数据作为落脚点的分析数据库，将于待分析人员的人脸相似度大于第一阈值的所有人脸抓拍轨迹数据集合归入第一人脸轨迹数据集合中，作为初始分析数据库。优选的，第一阈值设置为85％，通过第一阈值的设定，能够确保识别到的人脸轨迹抓拍数据的准确性，避免一些识别错误的情况出现，增加分析的噪音，应当认识到，第一阈值的取值除了85％之外，还可以根据实际的分析要求进行调整，在一些特别要求的分析场景下可以将第一阈值调整为大于85％的值例如90％等，在某些要求较小的分析场景下可以将第一阈值调整为小于85％的值例如75％等，满足不同场景下的分析数据要求，同样能够实现本发明的技术效果。

S103：过滤第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合。停留时长作为一个重要参数，可以反应人员在某个聚集圈的逗留情况，若该时长较短，表示在该聚集圈出现的情况可能只是路过，并非落脚点，作为筛选的数据条件可以进一步降低数据量，提高分析的效率。

在优选的实施例中，第二阈值设置为2小时，将停留时长大于第二阈值的人脸轨迹数据生成第二人脸轨迹数据集合。第二人脸轨迹数据集合中的数据更具有落脚点的分析价值。同样应该认识到，第二阈值的取值可以根据不同的分析要求进行调整，设置为大于2小时或小于2小时的数据，同样能够实现本发明的技术效果。

在具体的实施例中，对第二人脸轨迹数据集合中的所有轨迹数据按天进行分组，一天一组，并对组内的轨迹数据按时间进行正序排序。利用预设的过滤规则对组内的数据进行再次过滤。当组内的轨迹数据量大于等于3条，则需要对组内数据进行过滤，具体的过滤规则为：除了第一条轨迹数据和最后一条轨迹数据，中间的轨迹数据的抓拍时间依次减去它的前一条轨迹数据的抓拍时间，如果时长小于预定的值X，则将该轨迹数据过滤。

图2是根据本发明的一个具体的实施例的组内数据的过滤规则的示意图，如图2所示，假定某天中有抓拍数据A、B、C、D，并且他们的抓拍时间分别为T1、T2、T3、T4,并已按时间排好序。除去A、D两条数据不进行比对，如果C的抓拍时间T3减去B的抓拍时间T2的时长R1小于一定值X(例如1小时)，则过滤掉抓拍记录B；如果D的抓拍时间T4减去C的抓拍时间T3的时长R2大于一定值X(例如1小时)，则保留抓拍记录C。利用该过滤规则，能够进一步对第二人脸轨迹数据集合中的数据进行排除，过滤掉没有参考价值的轨迹数据，提升数据的有效性和分析的准确性。

S104：遍历第二人脸轨迹数据集合，基于人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得聚集圈的综合分值，根据聚集圈的综合分值的排名获取待分析人员的落脚点。综合出现次数、时效性、时间段、地点吻合性和连续性多个维度的评价分析，确定的落脚点更为准确，不会出现错误的情况。

在具体的实施例中，根据聚集圈的数据得到监控设备与聚集圈的映射关系，按照聚集圈的维度来分析，对所有聚集圈内的设备抓拍数据进行统计，若无聚集圈的数据，则一个设备按一个维度进行分析统计。统计获得聚集圈分值Y，聚集圈的分值的具体计算方式如下：以待分析人员在第二人脸轨迹数据集合中的出现次数为综合分值的基础分；时效性分值＝时效性权重*基础分，时间段分值＝时间段权重*基础分，地点吻合性分值＝地点吻合性权重*基础分，连续性分值具体表示为聚集圈最大的连续出现天数，其中，时效性权重为0.5，时间段权重为0.2，地点吻合性权重为0.2；综合分值＝时效性分值+时间段分值+地点吻合性分值+连续性分值。

在一个具体的实施例中，循环遍历统计过滤后的第二人脸轨迹数据集合中的所有抓拍数据，进行出现次数评分：每出现一条记录，计1分，出现M条记录计M分，M分为基础分作为后续评分的基础。

时效性分值评价：若记录的抓拍时间为近一个月，则此记录的分值计为0.5M分，此时聚集圈的分值Y＝M+0.5M。抓拍时间的时效性能够反应轨迹数据最近的出现情况，具有较强的分析价值。

时间段分值评价：若此记录的抓拍时间出现在周一到周五的早上7点到9点或者下午18点到20点之间，或者周六与周日，则此记录的分值计为0.2M分，此时聚集圈的分值Y＝M+0.5M+0.2M。时间段能够反映出该待分析人员的某种行为情况，例如上下班或者周末活动情况，通过该项目的评价能够推断出待分析人员后续可能出现的落脚点位置及时间情况。

地点吻合性分值评价：遍历到当天的最后一条数据时，若第一次出现的地点与最后一次出现的地点为同一聚集圈，且两次出现时间间隔的时长大于预定的时长值，则此记录的分值计为0.2M分，此时聚集圈的分值Y＝M+0.5M+0.2M+0.2M。通过第一次出现地点与最后出现地点的吻合情况可以获悉待分析人员的日常轨迹，例如从家里出发后最后回到家。

连续性分值评价：统计过滤后的第二人脸轨迹数据集合中的每个聚集圈出现天数，算出最大的连续出现天数，如果最大连续出现天数为P天，此时聚集圈的分值Y＝M+0.5M+0.2M+0.2M+PM分。例如某聚集圈E，出现的日期有10月1号、10月2号、10月5号、10月11号、10月12号、10月13号，则该聚集圈最大的连续出现天数为3，最后给该聚集圈E加上3M分。连续出现天数具有很强的代表性，能够反应待分析人员的连续出现情况，对于待分析人员的下一次出现的落脚点的位置可以提供更有价值的参考。

在具体的实施例中，通过上述各项目的综合评价，获得聚集圈的综合分值，并对聚集圈按分值进行排序，过滤分值小于预定分值(例如100分)的数据，取排名前三的聚集圈记录作为可能的落脚点。应当认识到，上述的评分过程中的各项目的加权因子可以根据实际的分析条件进行相应的调整，例如时效性评价中满足条件的分值可以计为0.6M，时间段分值评价中满足条件的分值可以计为0.3M等，具体根据不同分析要求中中各项目的重要程度进行调整，同样可以实现本发明的技术效果。

继续参考图3，图3示出了本发明的一个实施例的基于人脸结构化数据的落脚点分析***框架图。该***包括依次连接的聚集圈单元301、第一人脸轨迹数据集合生成单元302、第二人脸轨迹数据集合生成单元303和落脚点分析单元304。

在具体的实施例中，聚集圈单元301配置用于将聚集圈内的所有监控设备合并至一个集合内，获取聚集圈的监控数据；第一人脸轨迹数据集合生成单元302配置用于基于人脸识别获取监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合；第二人脸轨迹数据集合生成单元303配置用于过滤第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合；落脚点分析单元304配置用于遍历第二人脸轨迹数据集合，基于人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得聚集圈的综合分值，根据聚集圈的综合分值的排名获取待分析人员的落脚点。

下面参考图4，其示出了适于用来实现本申请实施例的电子设备的计算机***400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机***400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有***400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Sma l lta lk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将聚集圈内的所有监控设备合并至一个集合内，获取聚集圈的监控数据；基于人脸识别获取监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合；过滤第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合；遍历第二人脸轨迹数据集合，基于人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得聚集圈的综合分值，根据聚集圈的综合分值的排名获取待分析人员的落脚点。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种基于人脸结构化数据的落脚点分析方法，其特征在于，包括以下步骤：

S1：将聚集圈内的所有监控设备合并至一个集合内，获取所述聚集圈的监控数据；

S2：基于人脸识别获取所述监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合；

S3：过滤所述第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合；

S4：遍历所述第二人脸轨迹数据集合，基于所述第二人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得所述聚集圈的综合分值，根据所述聚集圈的所述综合分值的排名获取所述待分析人员的落脚点；

其中，综合分值的计算规则具体为：

以所述待分析人员在所述第二人脸轨迹数据集合中的出现次数为所述综合分值的基础分；

所述时效性分值=时效性权重*基础分，所述时间段分值=时间段权重*基础分，所述地点吻合性分值=地点吻合性权重*基础分，所述连续性分值具体表示为所述聚集圈最大的连续出现天数，其中，所述时效性权重为0.5，所述时间段权重为0.2，所述地点吻合性权重为0.2；

所述综合分值=所述时效性分值+所述时间段分值+所述地点吻合性分值+连续性分值；所述时效性具体为所述待分析人员的数据记录时间为近一个月内，所述时间段包括工作日的上下班时间以及周末，所述地点吻合性具体包括第一次出现地点与最后出现地点是否为同一个聚集圈。

2.根据权利要求1所述的基于人脸结构化数据的落脚点分析方法，其特征在于，所述聚集圈包括车站、小区、路口和街道。

3.根据权利要求1所述的基于人脸结构化数据的落脚点分析方法，其特征在于，所述第一阈值为85%。

4.根据权利要求1所述的基于人脸结构化数据的落脚点分析方法，其特征在于，所述第二阈值为2小时。

5.根据权利要求1所述的基于人脸结构化数据的落脚点分析方法，其特征在于，所述步骤S3具体包括以下步骤：

过滤所述第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，将过滤后的所述人脸轨迹数据按天分组并将组内数据按时间排序；

响应于组内数据大于等于3个，保留首尾数据，中间数据基于预设的过滤规则进行过滤后获得所述第二人脸轨迹数据集合，其中，所述过滤规则具体为：后一条数据的抓拍时间依次减去前一条数据的抓拍时间，若小于预设的时长阈值，则过滤前一条数据，若大于预设的时长阈值，则保留前一条数据。

6.根据权利要求1所述的基于人脸结构化数据的落脚点分析方法，其特征在于，所述步骤S4还包括过滤所述综合分值小于第三阈值的所述聚集圈，取所述综合分值前三的所述聚集圈确定为所述待分析人员的落脚点。

7.一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施权利要求1至6中任一项所述的方法。

8.一种基于人脸结构化数据的落脚点分析***，其特征在于，所述***包括：

聚集圈单元，配置用于将聚集圈内的所有监控设备合并至一个集合内，获取所述聚集圈的监控数据；

第一人脸轨迹数据集合生成单元，配置用于基于人脸识别获取所述监控数据中与待分析人员的人脸相似度大于第一阈值的第一人脸轨迹数据集合；

第二人脸轨迹数据集合筛选单元，配置用于过滤所述第一人脸轨迹数据集合中停留时长小于第二阈值的人脸轨迹数据，获得第二人脸轨迹数据集合；

落脚点分析单元，配置用于遍历所述第二人脸轨迹数据集合，基于所述第二人脸轨迹数据的出现次数分值、时效性分值、时间段分值、地点吻合性分值和连续性分值加权叠加获得所述聚集圈的综合分值，根据所述聚集圈的所述综合分值的排名获取所述待分析人员的落脚点；

其中，综合分值的计算规则具体为：

以所述待分析人员在所述第二人脸轨迹数据集合中的出现次数为所述综合分值的基础分；

所述时效性分值=时效性权重*基础分，所述时间段分值=时间段权重*基础分，所述地点吻合性分值=地点吻合性权重*基础分，所述连续性分值具体表示为所述聚集圈最大的连续出现天数，其中，所述时效性权重为0.5，所述时间段权重为0.2，所述地点吻合性权重为0.2；

所述综合分值=所述时效性分值+所述时间段分值+所述地点吻合性分值+连续性分值；所述时效性具体为所述待分析人员的数据记录时间为近一个月内，所述时间段包括工作日的上下班时间以及周末，所述地点吻合性具体包括第一次出现地点与最后出现地点是否为同一个聚集圈。

Images