CN112232424A - 身份识别方法及装置、电子设备和存储介质 - Google Patents
身份识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112232424A CN112232424A CN202011132611.3A CN202011132611A CN112232424A CN 112232424 A CN112232424 A CN 112232424A CN 202011132611 A CN202011132611 A CN 202011132611A CN 112232424 A CN112232424 A CN 112232424A
- Authority
- CN
- China
- Prior art keywords
- users
- target user
- user
- information
- similarity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 84
- 230000000007 visual effect Effects 0.000 claims abstract description 73
- 230000004927 fusion Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity 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
- G06V40/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种身份识别方法及装置、电子设备和存储介质,所述方法包括:基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,其中,所述历史时空分布信息表示用户在一对进出位置所经历的时长和概率的对应关系,所述进出位置包括进入位置和离开位置;根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度;根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户。本公开实施例可提高身份识别的准确率。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种身份识别方法及装置、电子设备和存储介质。
背景技术
城市公共设施发展日新月异,为人们的生活、出行、旅游提供了大量的便利。举例来说,在轨道交通场景中,地铁已成为乘客出行的主要运输工具。面对庞大的客运量,为了更好地应对客流高峰,一些技术可以与传统的身份验证方式相结合,提高身份验证的速度和质量。
近年来,人脸识别技术在各行各业中迅猛发展,一些城市运用了人脸识别技术与传统售票检票方式相结合,实现对乘客的身份进行验证。这种方式相较于传统售票检票方式可以较好地提升售票检票速度,减少高峰时段的拥堵情况。但是基于人脸识别的售票检票方式,在乘客的人脸数据达到百万级的情况下,对于面部信息相似的乘客易发生误判现象。
发明内容
本公开提出了一种身份识别技术方案。
根据本公开的一方面,提供了一种身份识别方法,包括:
基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,其中,所述历史时空分布信息表示用户在一对进出位置所经历的时长和概率的对应关系,所述进出位置包括进入位置和离开位置,所述进入信息包括进入位置、进入时间及进入图像,所述离开信息包括离开位置、离开时间及离开图像;根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度;根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户。
在一个或多个可能的实现方式中,所述基于目标区域的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,包括:针对每个所述第一用户,根据所述目标用户的离开信息以及所述第一用户的进入信息,确定所述目标用户的可进出位置和在所述可进出位置所经历的目标时长;在所述可进出位置的历史时空分布信息中确定所述目标时长对应的概率,并将所述目标时长对应的概率作为所述时空相似度。
在一个或多个可能的实现方式中,所述根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度,包括:针对每个所述第一用户,将所述第一用户的进入图像与所述目标用户的离开图像进行匹配,得到每个所述第一用户与所述目标用户的视觉相似度。
在一个或多个可能的实现方式中,所述根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户,包括:根据所述时空相似度和所述视觉相似度,确定所述多个第一用户与所述目标用户的融合相似度;根据所述融合相似度从所述多个第一用户中识别出所述目标用户。
在一个或多个可能的实现方式中,所述根据所述时空相似度和所述视觉相似度,确定所述多个第一用户与所述目标用户的融合相似度,包括:对所述时空相似度和所述视觉相似度进行加权融合,得到所述多个第一用户与所述目标用户的融合相似度。
在一个或多个可能的实现方式中,所述对所述时空相似度和所述视觉相似度进行加权融合,得到所述多个第一用户与所述目标用户的融合相似度,包括:在所述多个第一用户中,筛选出所述时空相似度大于第一阈值和/或所述视觉相似度大于第二阈值的至少一个第一用户;对筛选出的所述至少一个第一用户与所述目标用户的时空相似度和视觉相似度进行加权融合,确定所述至少一个第一用户与所述目标用户的融合相似度。
在一个或多个可能的实现方式中,所述方法还包括:针对所述目标区域内的一对所述进出位置,统计每个时间区间内的历史样本数量,其中,一个历史样本表示历史用户的一次进出记录;根据每个所述时间区间内的历史样本数量以及所述进出位置的历史样本总数量,生成所述进出位置的历史时空分布信息。
在一个或多个可能的实现方式中,所述方法还包括:对所述历史时空分布信息进行平滑处理,得到平滑处理后所述进出位置的历史时空分布信息。
在一个或多个可能的实现方式中,所述从所述多个第一用户中识别出所述目标用户之后,还包括:将所述目标用户的进入信息和离开信息保存为一次进出记录,和/或,根据所述目标用户的进入信息和离开信息生成所述目标用户的消费信息。
根据本公开的一方面,提供了一种身份识别装置,包括:
第一确定模块,用于基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,其中,所述历史时空分布信息表示用户在一对进出位置所经历的时长和概率的对应关系,所述进出位置包括进入位置和离开位置,所述进入信息包括进入位置、进入时间及进入图像,所述离开信息包括离开位置、离开时间及离开图像;
第二确定模块,用于根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度;
识别模块,用于根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户。
在一个或多个可能的实现方式中,所述第一确定模块,用于针对每个所述第一用户,根据所述目标用户的离开信息以及所述第一用户的进入信息,确定所述目标用户的可进出位置和在所述可进出位置所经历的目标时长;在所述可进出位置的历史时空分布信息中确定所述目标时长对应的概率,并将所述目标时长对应的概率作为所述时空相似度。
在一个或多个可能的实现方式中,所述第二确定模块,用于针对每个所述第一用户,将所述第一用户的进入图像与所述目标用户的离开图像进行匹配,得到每个所述第一用户与所述目标用户的视觉相似度。
在一个或多个可能的实现方式中,所述识别模块,用于根据所述时空相似度和所述视觉相似度,确定所述多个第一用户与所述目标用户的融合相似度;根据所述融合相似度从所述多个第一用户中识别出所述目标用户。
在一个或多个可能的实现方式中,所述识别模块,用于对所述时空相似度和所述视觉相似度进行加权融合,得到所述多个第一用户与所述目标用户的融合相似度。
在一个或多个可能的实现方式中,所述识别模块,用于在所述多个第一用户中,筛选出所述时空相似度大于第一阈值和/或所述视觉相似度大于第二阈值的至少一个第一用户;对筛选出的所述至少一个第一用户与所述目标用户的时空相似度和视觉相似度进行加权融合,确定所述至少一个第一用户与所述目标用户的融合相似度。
在一个或多个可能的实现方式中,所述装置还包括:统计模块,用于针对所述目标区域内的一对所述进出位置,统计每个时间区间内的历史样本数量,其中,一个历史样本表示历史用户的一次进出记录;根据每个所述时间区间内的历史样本数量以及所述进出位置的历史样本总数量,生成所述进出位置的历史时空分布信息。
在一个或多个可能的实现方式中,所述统计模块,还用于对所述历史时空分布信息进行平滑处理,得到平滑处理后所述进出位置的历史时空分布信息。
在一个或多个可能的实现方式中,还包括:生成模块,用于将所述目标用户的进入信息和离开信息保存为一次进出记录,和/或,根据所述目标用户的进入信息和离开信息生成所述目标用户的消费信息。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,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,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定多个第一用户与目标用户的时空相似度,再根据多个第一用户的进入信息以及目标用户的离开信息,分别确定多个第一用户与目标用户的视觉相似度,从而可以根据时空相似度和视觉相似度,从多个第一用户中识别出目标用户。这样,可以将第一用户与目标用户的时空相似度和视觉相似度相结合,共同用于用户的身份识别,提高身份识别的准确率,减少由于单纯使用人脸图像进行身份识别而导致的误检。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的身份识别方法的流程图。
图2示出根据本公开实施例的历史时空分布信息的分布图。
图3示出根据本公开实施例的身份识别方法一示例的流程图。
图4示出根据本公开实施例的身份识别装置的框图。
图5示出根据本公开实施例的一种电子设备一示例的框图。
图6示出根据本公开实施例的一种电子设备一示例的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例提供的身份识别方案,可以应用于轨道交通、城市地铁、景区、游览展馆等室内外场景。例如,在客流量较大的大中型城市轨道交通中,可以通过本公开实施例提供的身份识别方案,对于进出站的用户进行身份核验,除了利用传统的人脸识别技术对用户进行身份验证之外,还可以将用户进出站点的历史时空分布信息融合到人脸识别的流程中,可以通过历史时空分布信息辅助推测来自哪些站点的乘客更有可能在当前站点下车。再例如,在具有多个景点的景区中,通过本公开实施例提供的身份识别方案,可以对进出景区的用户进行身份核验,通过历史时空分布信息可以辅助推测由哪些景点进入景区的游客可能在当前景点离开景区。这样,可以在很大程度上减少由于用户流量增大而导致的单纯使用人脸图像进行匹配的误检现象,从而提高身份识别准确率。
本公开实施例提供的身份识别方法可以由终端设备、服务器或其它类型的电子设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该数据处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。下面以电子设备作为执行主体为例对本公开实施例的身份识别方法进行说明。
图1示出根据本公开实施例的身份识别方法的流程图,如图1所示,所述身份识别方法包括:
步骤S11,基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定多个第一用户与所述目标用户的时空相似度。
在本公开实施例中,电子设备可以获取目标区域内多个位置之间用户进入和离开的历史时空分布信息,以及,获取当前已进入目标区域内的多个第一用户的进入信息和当前离开目标区域的目标用户的离开信息。第一用户可以是在任意一个位置已经进入目标区域且尚未获取到离开信息的用户,对于第一用户而言,可获取到第一用户进入目标区域的进入信息。目标用户可以是当前在任意一个位置离开目标区域的用户,对于目标用户而言,可以获取到目标用户离开目标区域的离开信息。由于不确定目标用户进入目标区域的地点、时间等信息,从而不确定目标用户的进站信息。对于已经进入目标区域的多个第一用户而言,某个或某些第一用户可能在当前离开目标区域,即,目标用户是多个第一用户中的一员。目标区域可以包括多个位置,例如,目标区域可以为地跌站、轨道交通站、景区等,用户可以在任意一个位置进入目标区域,在任意一个位置离开目标区域,例如,用户可以在任意一个站点进站,在任意一个站点出站。历史时空分布信息可以表示任意一个用户在一对进出位置所经历的时长和概率的对应关系,一对进出位置可以包括进入位置和离开位置,从而根据历史时空分布信息、多个第一用户的进入信息和目标用户的离开信息,可以在多个第一用户中,确定至少一个第一用户为目标用户的可能性,即,确定至少一个第一用户与目标用户的时空相似度。
这里,历史时空分布信息可以是基于历史用户的进出记录生成的,相当于通过历史用户进出目标区域的历史时空分布信息对当前用户的时空分布提供指导,可以认为所有用户都符合历史时空分布信息提供的规律,即,历史时空分布信息可以表示任意一个用户在一对进出位置所经历的时长和概率的对应关系,从而可以认为第一用户和目标用户也满足历史时空分布信息。例如,历史时空分布信息可以表示用户在位置A进入目标区域在位置B离开目标区域所经历的时长为某个时长的概率,即,可以理解为,一个用户在位置A进入目标区域在位置B离开目标区域所经历的时长为某个时长的可能性。用户由位置A到位置B所经历的时长通常在一定的时间区间内,从而用户所经历的时长在该时间区间内的可能性较大,在其他时间区间的可能性较小,从而这种用户在一对进出位置所经历的时长是某个时长的概率的对应关系,可以通过历史时空分布信息进行表示。
这里,每一对进出位置可以对应一个历史时空分布信息。一对进出位置可以理解为在位置1进入目标区域在位置2离开目标区域,在进出位置的进入位置和离开位置的顺序颠倒的情况下,可以认为是不同的一对进出位置,即,一对进出位置与进入位置和离开位置的顺序相关,例如,在地铁的进出站场景中,由于一些原因,例如,地跌的进站地形和出站地形的差异、地铁移动速度的差异等原因,会引起用户在站点1进站在站点2出站所消耗的时长,与在站点2进站在站点1出站所消耗的时长有一定的差异,从而一对进出站点(进出位置)可以与进站出站的顺序相关。一些实现方式中,一对进出位置可以理解为在位置1进入目标区域在位置2离开目标区域,或者在位置2进入目标区域在位置1离开目标区域,即一对进出位置可以与进入位置和离开位置的顺序无关。
步骤S12,根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度。
在本公开实施例中,可以分别将多个第一用户的进入信息与目标用户的离开信息进行匹配,确定多个第一用户与目标用户的视觉相似度。这里,进入信息可以是与用户进入目标区域相关的信息,可以理解为到达信息、抵达信息等用户到达或抵达目标区域时获取的信息。进入信息可包括进入位置、进入时间及进入图像。离开信息可以是用户离开目标区域相关的信息,可以理解为在用户离开目标区域时获取的信息。离开信息可以包括离开位置、离开时间及离开图像。在用户进入目标区域或离开目标区域的情况下,可以对用户进入目标区域的位置或离开目标区域的位置和时间进行记录,分别得到的进入位置、进入时间、离开位置和离开时间。进一步地,还可以在用户进入目标区域或离开目标区域的情况下,针对用户进行图像采集,得到用户的进入图像和离开图像。
在一些实现方式中,针对多个第一用户中的每个第一用户,可以将第一用户的进入图像与目标用户的离开图像进行匹配,得到每个第一用户与目标用户的视觉相似度。在对第一用户进行图像采集时,通常可以针对用户的人脸进行图像采集,从而第一用户的进入图像或离开图像可以包括用户的人脸图像,在将第一用户的进入图像与目标用户的离开图像进行匹配的情况下,可以将第一用户的人脸图像与目标用户的人脸图像进行匹配,得到第一用户与目标用户的视觉相似度。
一些实现方式中,还可以将第一用户的进入图像与用户数据库中的图像进行匹配,确定用户数据库中与第一用户的进入图像匹配的历史图像,然后可以将目标用户的离开图像与第一用户的历史图像进行匹配,确定目标用户与第一用户的视觉相似度。一个第一用户的历史图像可以包括一个或多个,可以包括历史采集的用户人脸图像。将目标用户的离开图像与第一用户的历史图像进行匹配,可以提高图像匹配成功率,减少由于进入图像与离开图像差异较大而造成的误检情况。
这里,可以利用一些人脸匹配算法或者神经网络对第一用户的人脸图像与目标用户的人脸图像进行匹配,本公开不对具体的匹配方式进行限制。通过将第一用户的进入图像与目标用户的离开图像进行匹配,可以将目标用户的身份确定在一定的第一用户的范围内,从而为后续目标用户的身份识别提供基础。
需要说明的是,本公开不对步骤S11与步骤S12的先后顺序进行限制,可以先执行步骤S11后执行步骤S12,也可以先执行步骤S12后执行步骤S11,还可以同时执行步骤S11和步骤S12。
在一些实现方式中,为了减少图像的匹配量,还可以先根据时空相似度在多个第一用户中筛选出一些第一用户,即在执行上述步骤S11之后,可以根据步骤S11中得到的时空相似度对多个用户进行筛选,例如,可以在多个第一用户中,筛选出与目标用户的时空相似度大于一定相似度阈值的第一用户,然后再将筛选出的第一用户的进入图像与目标用户的离开图像进行匹配,得到第一用户与目标用户的视觉相似度,从而可以在一定程度上减少图像的匹配量,提高身份识别的效率。
在一些实现方式中,为了减少时空相似度的计算量,还可以先根据视觉相似度在多个第一用户中筛选出一些第一用户,即在执行上述步骤S12之后,可以根据步骤S12中得到的视觉相似度对多个用户进行筛选,例如,可以在多个第一用户中,筛选出与目标用户的视觉相似度大于一定相似度阈值的第一用户,然后再确定筛选出的第一用户与目标用户的时空相似度,从而可以在一定程度上减少时空相似度的计算量,提高身份识别的效率。
步骤S13,根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户。
在本公开实施例中,可以分别将多个第一用户与目标用户的时空相似度与视觉相似度相结合,从多个第一用户中识别出目标用户。例如,可以根据时空相似度与视觉相似度生成一个得分,得分越高表示目标用户是相应的第一用户的可能性越高。从而可以将多个第一用户与目标用户的得分进行由大到小排序,然后将排序序列中得分最高的第一用户判断为目标用户。
本公开实施例可以将第一用户与目标用户的时空相似度和视觉相似度相结合,从而可以提高身份识别的准确率,减少由于单纯使用人脸图像进行身份识别的误检。在客流量大、人脸图像数量较大的轨道交通、景区等场景中,单纯利用人脸识别技术在百万级别的人脸图像中查找最相似的人脸是个不小的挑战,从而可以通过用户的历史时空分布信息辅助单一的人脸识别任务对用户的身份进行验证,提高身份识别的准确率。
在从多个第一用户中识别出目标用户之后,还可以将目标用户的进入信息和离开信息保存为一次进出记录,从而目标用户的进入信息和离开信息可以作为后续历史时空分布信息更新的历史样本,方便后续的信息量化统计与计算。
在一些应用场景中,例如,在地跌、高铁的进出站或景区景点游览等场景中,可以在从多个第一用户中识别出目标用户之后,根据目标用户的进入信息和离开信息生成目标用户的消费信息,从而可以自动根据目标用户的消费信息实现扣费,提高售票或检票效率,提高自动售票或检票的安全性和准确性。
在上述步骤S11中,可以基于多个位置之间用户进出位置的历史时空分布信息、多个第一用户的进入信息以及目标用户的离开信息,分别确定多个第一用户与目标用户的时空相似度,从而可以将时空相似度作为用户身份识别的依据。下面通过一个或多个实现方式对确定时空相似度的过程进行说明。
在一些实现方式中,针对多个第一用户中的每个第一用户,可以根据目标用户的离开信息以及第一用户的进入信息查找历史时空分布信息,得到第一用户与目标用户的时空相似度。
这里,当前目标区域内的第一用户可以理解为当前存在进入信息不存在离开信息的用户。对于多个第一用户中的一个第一用户而言,该第一用户的已知信息可以是该第一用户的进入信息。对于目标用户而言,目标用户的已知信息可以是目标用户的离开信息,从而可以根据目标用户的离开信息以及第一用户的进入信息查找历史时空分布信息,判断该第一用户与目标用户为同一人的可能性,即,确定第一用户与目标用户的时空相似度。历史时空分布信息可以提供不同时间段内一个位置与另一个位置之间的用户流向分布,从而可以通过查找历史时空分布信息推测该第一用户在目标用户的离开位置离开目标区域的可能性,为用户的身份识别提供有效的依据。
在一些示例中,针对每个第一用于,可以根据目标用户的离开信息以及第一用户的进入信息,确定目标用户的可进出位置和在可进出位置所经历的目标时长,即,可以根据第一用户的进站位置和目标用户的出站位置确定目标用户的可进出位置,根据第一用户的进站时间和目标用户的出站时间确定目标用户在可进出位置所经历的时长。可进出位置可以理解为目标用户可能进出目标区域的一对位置。然后在可进出位置的历史时空分布信息中确定目标时长对应的概率,即,可以在确定的可进出位置对应的历史时空分布信息中,查找目标时长对应的概率,然后可以将查找到的目标时长对应的概率作为第一用户与目标用户的时空相似度,从而可以快速确定第一用户与目标用户的时空相似度。
这里,历史时空分布信息可以通过分布图或者表格等方式进行表示,本公开不对具体的表示方式进行限制。图2示出根据本公开实施例的历史时空分布信息的分布图,分布图的横坐标可以表示用户在一对进出位置所经历的时长,纵坐标可以表示概率。为了减少横坐标标注的时间刻度,可以以一个固定的时间区间对时长进行量化,例如,以10分钟的时间区间作为时间刻度的量化单位,即,可以理解为,将横坐标标注的时间刻度乘以10分钟得到的时间长度,可以等于实际的时间长度。
举例来说,在地铁进出站场景中,一个第一用户在甲进站站点上车,经过n个时间区间后,到达目标用户的出站站点下车的概率非常大,则对于目标用户当前的出站行为,在n个时间区间前从甲进站站点上车的第一用户和目标用户为同一人的可能性很大,从而可以通过历史时空分布信息来表示这种可能性,通过历史时空分布信息的分布图可以查询目标用户是该第一用户的概率,并将查询到的概率可以作为目标用户与该第一用户的时空相似度。其中,n可以为整数。
在本公开实施例中,可以根据一对进出位置的历史时空分布信息,确定第一用户与目标用户的时空相似度,从而可以为用户识别提供有效的参考信息。其中,历史时空分布信息可以是基于历史用户进入目标区域和离开目标区域的进出记录生成的,历史用户的进出记录可以为当前的用户识别提供参考,下面通过一个或多个实现方式对得到历史时空分布信息的过程进行说明。
在一些实现方式中,可以针对一对进出位置,即,针对一对进入目标区域的进入位置和离开目标区域的离开位置,统计每个时间区间内的历史样本数量,然后根据每个时间区间内的历史样本数量以及该对进出位置的历史样本总数量,可以生成该对进出位置的历史时空分布信息。
本实现方式中,一个历史样本表示历史用户进入目标区域和离开目标区域的一次进出记录,为了使得到历史时空分布信息具有可信度,可以获取最近一段时间(不少于一定时间)内的历史样本,例如,获取最近两周的历史样本。历史样本可以包括历史用户的进入位置、离开位置和在一对进出位置所经历的时长。为了便于区分不同位置,可以对进入位置和离开位置分配唯一编号进行标识。在一对进出位置所经历的时长可以由出站时间减去进站时间确定,为了便于统计,可以将进出位置所经历的时长以一定时间区间进行量化,例如,以十分钟为一个时间区间对进出位置所经历的时长进行量化。然后可以统计在一对进出位置和每个时间区间内的历史样本数量,从而得到一个基于进出位置和时间区间的统计模型(如统计表、统计矩阵等),该统计模型的大小可以为:位置总数×位置总数×总时间间隔数。统计模型内的一个元素可以从进入位置x到离开位置y经历时长在第z个时间区间内的历史样本数量。其中,z为整数。对于每个时间区间内的历史样本数量,可以除以从进入位置x到离开位置y的历史样本总数量,这样可以得到从进入位置x到离开位置y的历史时空分布信息。
这里,可以通过数据建模和数据模拟各个位置间的用户流向得到上述统计模型,通过历史用户的进入信息和离开信息,可以得出各个位置之间用户进出目标区域的历史时空分布信息,即,可以利用历史用户的进入信息和离开信息对当前用户的进入目标区域或离开目标区域的行为进行预测。
为了进一步提高历史时空分布信息的可靠性,可以对历史时空分布信息进行平滑处理,得到平滑处理后一对进出位置的历史时空分布信息,例如,可以对历史时空分布信息进行高斯平滑处理,从而使平滑处理后的历史时空分布信息的可靠性更高。图2所示的历史时空分布信息的分布图是经过平滑处理后的分布图,可以看到,平滑处理后从位置x到y位置经过n个时间区间对应的概率曲线较为平滑,从而分布图提供的历史时空分布信息可以更加满足实际场景的需求。
在上述步骤S13中,可以根据时空相似度和视觉相似度,从多个第一用户中识别出目标用户,从而可以将时空相似度和视觉相似度相结合,提高身份识别的准确率。在一些可能的实现方式中,还可以根据时空相似度和视觉相似度,确定多个第一用户与目标用户的融合相似度,例如,针对多个第一用户中的一个第一用户,可以该第一用户与目标用户的时空相似度和视觉相似度进行相加,得到该第一用户与目标用户的融合相似度。然后可以根据融合相似度从多个第一用户中识别出目标用户,例如,可以将融合相似度大于一定相似度阈值对应的第一用户确定为目标用户,或者,可以对多个第一用户分别与目标用户的融合相似度进行由大到小排序,然后可以将融合相似度最大的第一用户确定为目标用户,从而可以通过时空相似度和视觉相似度相融合的融合相似度对目标用户进行身份识别,在已进入目标区域的多个用户中识别出目标用户。
在一些示例中,在确定多个第一用户与目标用户的融合相似度的情况下,可以对每个第一用户与目标用户的时空相似度和视觉相似度进行加权融合,例如,可以根据预先设置的权重对时空相似度和视觉相似度进行加权求和,分别得到多个第一用户与目标用户的融合相似度。这里,时空相似度的权重和视觉相似度的权重可以根据实际需求进行设置,在一些示例中,时空相似度的权重可以小于视觉相似度的权重,从而历史时空分布信息可以作为人脸识别的辅助判断信息,利用历史时空分布信息矫正因单一的人脸图像判断用户身份而造成的误识别,提高用户身份识别的准确率。
为了减少识别目标用户的处理量,可以先在多个第一用户中,筛选出时空相似度大于第一阈值和/或视觉相似度大于第二阈值的至少一个第一用户,然后再将筛选出的至少一个第一用户与目标用户的时空相似度和视觉相似度进行加权融合,确定至少一个第一用户与所述目标用户的融合相似度。进一步可以根据筛选出的至少一个第一用户与目标用户的融合相似度,从筛选出的至少一个第一用户中识别出目标用户。举例来说,可以将多个第一用户与目标用户的时空相似度分别与第一阈值进行比较,在多个第一用户中筛选出时空相似度大于第一阈值的一个或多个第一用户,或者,可以将多个第一用户与目标用户的视觉相似度分别与第二阈值进行比较,在多个第一用户中筛选出视觉相似度大于第二阈值的一个或多个第一用户,再或者,可以将多个第一用户与目标用户的时空相似度与第一阈值进行比较,同时,将多个第一用户与目标用户的视觉相似度分别与第二阈值进行比较,然后在多个第一用户中筛选出时空相似度大于第一阈值,并且,视觉相似度大于第二阈值的至少一个第一用户。然后再确定筛选出的一个或多个第一用户分别与目标用户的融合相似度,从而可以将筛选出的一个或多个第一用户中融合相似度最大的第一用户确定为目标用户,这样可以在一定程度上减少身份识别的处理量,提高身份识别的效率。
这里,第一阈值和第二阈值可以根据实际应用需求进行设置,第一阈值和第二阈值可以相同也可以不同。
下面通过一个示例对本公开实施例提供的身份识别方法进行示例性的说明。图3示出根据本公开实施例的身份识别方法一示例的流程图,在本示例中,目标区域可以是地跌站,进入位置可以是进站站点,进入信息可以是进站信息(包括进站时间、进站站点、进站图像),离开位置可以是出站站点,离开信息可以是出站信息(包括出站时间、出站站点、出站图像),目标用户可以是当前的出站用户,第一用户可以是当前的已进站用户。如图3所示,该示例提供的身份识别流程可以包括以下步骤:
步骤S301,获取到目标用户的出站信息;
步骤S302,根据当前已进站的多个第一用户的进站信息以及目标用户的出站信息,查找用户进出站点的历史时空分布信息,计算当前已进站的多个第一用户中每个第一用户与目标用户的时空相似度;
步骤S303,将每个第一用户的进站图像与目标用户的出站图像进行匹配,计算每个第一用户与目标用户的视觉相似度;
步骤S304,将每个第一用户与目标用户的时空相似度和视觉相似度进行加权融合,得到每个第一用户与目标用户的融合相似度;
步骤S305,将当前已进站的多个第一用户与目标用户的融合相似度从大到小排序,得出融合相似度最大的第一用户,并将融合相似度最大的第一用户判断为目标用户。
步骤S306,根据目标用户的出站站点和进站站点,生成目标用户的消费信息。
本公开提供的身份识别方案,在用户身份识别的过程中,融合了用户进入目标区域的时空信息(进入时间和进入地点)和人脸图像,从而对用户身份的判断更为准确。相比于单一利用人脸识别进行身份识别,本公开更适用于具有大规模数据的轨道交通场景,可以有效减少因采集图像的数量级增大而引起的相似用户误报的情况。此外,随着时间推移,由于历史大数据的不断积累,本公开提供的身份识别的准确率可以逐步迭代增强。同时,对于单一的人脸识别可能发生的由于数据库中图像和现场图片不够相似而造成的误检情况,融合历史进出站信息后也可提高身份识别的鲁棒性。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了身份识别装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种身份识别方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出根据本公开实施例的身份识别装置的框图,如图4所示,所述装置包括:
第一确定模块41,用于基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,其中,所述历史时空分布信息表示用户在一对进出位置所经历的时长和概率的对应关系,所述进出位置包括进入位置和离开位置,所述进入信息包括进入位置、进入时间及进入图像,所述离开信息包括离开位置、离开时间及离开图像;
第二确定模块42,用于根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度;
识别模块43,用于根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户。
在一个或多个可能的实现方式中,所述第一确定模块41,用于针对每个所述第一用户,根据所述目标用户的离开信息以及所述第一用户的进入信息,确定所述目标用户的可进出位置和在所述可进出位置所经历的目标时长;在所述可进出位置的历史时空分布信息中确定所述目标时长对应的概率,并将所述目标时长对应的概率作为所述时空相似度。
在一个或多个可能的实现方式中,所述第二确定模块42,用于针对每个所述第一用户,将所述第一用户的进入图像与所述目标用户的离开图像进行匹配,得到每个所述第一用户与所述目标用户的视觉相似度。
在一个或多个可能的实现方式中,所述识别模块43,用于根据所述时空相似度和所述视觉相似度,确定所述多个第一用户与所述目标用户的融合相似度;根据所述融合相似度从所述多个第一用户中识别出所述目标用户。
在一个或多个可能的实现方式中,所述识别模块43,用于对所述时空相似度和所述视觉相似度进行加权融合,得到所述多个第一用户与所述目标用户的融合相似度。
在一个或多个可能的实现方式中,所述识别模块43,用于在所述多个第一用户中,筛选出所述时空相似度大于第一阈值和/或所述视觉相似度大于第二阈值的至少一个第一用户;对筛选出的所述至少一个第一用户与所述目标用户的时空相似度和视觉相似度进行加权融合,确定所述至少一个第一用户与所述目标用户的融合相似度。
在一个或多个可能的实现方式中,所述装置还包括:统计模块,用于针对所述目标区域内的一对所述进出位置,统计每个时间区间内的历史样本数量,其中,一个历史样本表示历史用户的一次进出记录;根据每个所述时间区间内的历史样本数量以及所述进出位置的历史样本总数量,生成所述进出位置的历史时空分布信息。
在一个或多个可能的实现方式中,所述统计模块,还用于对所述历史时空分布信息进行平滑处理,得到平滑处理后所述进出位置的历史时空分布信息。
在一个或多个可能的实现方式中,还包括:生成模块,用于将所述目标用户的进入信息和离开信息保存为一次进出记录,和/或,根据所述目标用户的进入信息和离开信息生成所述目标用户的消费信息。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的身份识别方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的身份识别方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如微软服务器操作***(Windows ServerTM),苹果公司推出的基于图形用户界面操作***(Mac OSXTM),多用户多进程的计算机操作***(UnixTM),自由和开放原代码的类Unix操作***(LinuxTM),开放原代码的类Unix操作***(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种身份识别方法,其特征在于,包括:
基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,其中,所述历史时空分布信息表示用户在一对进出位置所经历的时长和概率的对应关系,所述进出位置包括进入位置和离开位置,所述进入信息包括进入位置、进入时间及进入图像,所述离开信息包括离开位置、离开时间及离开图像;
根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度;
根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户。
2.根据权利要求1所述的方法,其特征在于,所述基于目标区域的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,包括:
针对每个所述第一用户,根据所述目标用户的离开信息以及所述第一用户的进入信息,确定所述目标用户的可进出位置和在所述可进出位置所经历的目标时长;
在所述可进出位置的历史时空分布信息中确定所述目标时长对应的概率,并将所述目标时长对应的概率作为所述时空相似度。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度,包括:
针对每个所述第一用户,将所述第一用户的进入图像与所述目标用户的离开图像进行匹配,得到每个所述第一用户与所述目标用户的视觉相似度。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户,包括:
根据所述时空相似度和所述视觉相似度,确定所述多个第一用户与所述目标用户的融合相似度;
根据所述融合相似度从所述多个第一用户中识别出所述目标用户。
5.根据权利要求4所述的方法,其特征在于,所述根据所述时空相似度和所述视觉相似度,确定所述多个第一用户与所述目标用户的融合相似度,包括:
对所述时空相似度和所述视觉相似度进行加权融合,得到所述多个第一用户与所述目标用户的融合相似度。
6.根据权利要求5所述的方法,其特征在于,所述对所述时空相似度和所述视觉相似度进行加权融合,得到所述多个第一用户与所述目标用户的融合相似度,包括:
在所述多个第一用户中,筛选出所述时空相似度大于第一阈值和/或所述视觉相似度大于第二阈值的至少一个第一用户;
对筛选出的所述至少一个第一用户与所述目标用户的时空相似度和视觉相似度进行加权融合,确定所述至少一个第一用户与所述目标用户的融合相似度。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述方法还包括:
针对所述目标区域内的一对所述进出位置,统计每个时间区间内的历史样本数量,其中,一个历史样本表示历史用户的一次进出记录;
根据每个所述时间区间内的历史样本数量以及所述进出位置的历史样本总数量,生成所述进出位置的历史时空分布信息。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
对所述历史时空分布信息进行平滑处理,得到平滑处理后所述进出位置的历史时空分布信息。
9.根据权利要求1至8任意一项所述的方法,其特征在于,所述从所述多个第一用户中识别出所述目标用户之后,还包括:
将所述目标用户的进入信息和离开信息保存为一次进出记录,和/或,根据所述目标用户的进入信息和离开信息生成所述目标用户的消费信息。
10.一种身份识别装置,其特征在于,包括:
第一确定模块,用于基于目标区域内的多个位置之间用户的历史时空分布信息、当前已进入所述目标区域内的多个第一用户的进入信息以及目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的时空相似度,其中,所述历史时空分布信息表示用户在一对进出位置所经历的时长和概率的对应关系,所述进出位置包括进入位置和离开位置,所述进入信息包括进入位置、进入时间及进入图像,所述离开信息包括离开位置、离开时间及离开图像;
第二确定模块,用于根据所述多个第一用户的进入信息以及所述目标用户的离开信息,分别确定所述多个第一用户与所述目标用户的视觉相似度;
识别模块,用于根据所述时空相似度和所述视觉相似度,从所述多个第一用户中识别出所述目标用户。
11.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的方法。
12.一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,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132611.3A CN112232424A (zh) | 2020-10-21 | 2020-10-21 | 身份识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132611.3A CN112232424A (zh) | 2020-10-21 | 2020-10-21 | 身份识别方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232424A true CN112232424A (zh) | 2021-01-15 |
Family
ID=74108916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011132611.3A Pending CN112232424A (zh) | 2020-10-21 | 2020-10-21 | 身份识别方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232424A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269129A (zh) * | 2021-06-11 | 2021-08-17 | 成都商汤科技有限公司 | 身份识别方法及装置、电子设备和存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680046A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 一种用户活动识别方法及装置 |
US20170286845A1 (en) * | 2016-04-01 | 2017-10-05 | International Business Machines Corporation | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data |
US20180060684A1 (en) * | 2016-08-31 | 2018-03-01 | Beijing University Of Posts And Telecommunications | Progressive vehicle searching method and device |
CN108427911A (zh) * | 2018-01-30 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 一种身份验证方法、***、装置及设备 |
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
CN110110598A (zh) * | 2019-04-01 | 2019-08-09 | 桂林电子科技大学 | 一种基于视觉特征与时空约束的行人再识别方法及*** |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN110348379A (zh) * | 2019-07-10 | 2019-10-18 | 北京旷视科技有限公司 | 一种公共交通工具中目标对象确定方法、装置、***及存储介质 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110619268A (zh) * | 2019-08-07 | 2019-12-27 | 北京市新技术应用研究所 | 基于时空分析与深度特征的行人再识别方法及装置 |
CN110706377A (zh) * | 2019-08-19 | 2020-01-17 | 厦门路桥信息股份有限公司 | 基于人脸识别与乘车码互通的通行方法、介质及*** |
CN110765863A (zh) * | 2019-09-17 | 2020-02-07 | 清华大学 | 一种基于时空约束的目标聚类方法及*** |
CN110942036A (zh) * | 2019-11-29 | 2020-03-31 | 深圳市商汤科技有限公司 | 人员识别方法及装置、电子设备和存储介质 |
CN111369727A (zh) * | 2020-02-20 | 2020-07-03 | 上海商汤智能科技有限公司 | 通行控制方法和装置 |
CN111522995A (zh) * | 2020-04-26 | 2020-08-11 | 重庆紫光华山智安科技有限公司 | 目标对象分析方法、装置及电子设备 |
CN111738221A (zh) * | 2020-07-28 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 人脸聚类的方法、装置和计算机可读存储介质 |
-
2020
- 2020-10-21 CN CN202011132611.3A patent/CN112232424A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680046A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 一种用户活动识别方法及装置 |
US20170286845A1 (en) * | 2016-04-01 | 2017-10-05 | International Business Machines Corporation | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data |
US20180060684A1 (en) * | 2016-08-31 | 2018-03-01 | Beijing University Of Posts And Telecommunications | Progressive vehicle searching method and device |
CN108427911A (zh) * | 2018-01-30 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 一种身份验证方法、***、装置及设备 |
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
CN110110598A (zh) * | 2019-04-01 | 2019-08-09 | 桂林电子科技大学 | 一种基于视觉特征与时空约束的行人再识别方法及*** |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN110348379A (zh) * | 2019-07-10 | 2019-10-18 | 北京旷视科技有限公司 | 一种公共交通工具中目标对象确定方法、装置、***及存储介质 |
CN110428448A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 目标检测跟踪方法、装置、设备及存储介质 |
CN110619268A (zh) * | 2019-08-07 | 2019-12-27 | 北京市新技术应用研究所 | 基于时空分析与深度特征的行人再识别方法及装置 |
CN110706377A (zh) * | 2019-08-19 | 2020-01-17 | 厦门路桥信息股份有限公司 | 基于人脸识别与乘车码互通的通行方法、介质及*** |
CN110765863A (zh) * | 2019-09-17 | 2020-02-07 | 清华大学 | 一种基于时空约束的目标聚类方法及*** |
CN110942036A (zh) * | 2019-11-29 | 2020-03-31 | 深圳市商汤科技有限公司 | 人员识别方法及装置、电子设备和存储介质 |
CN111369727A (zh) * | 2020-02-20 | 2020-07-03 | 上海商汤智能科技有限公司 | 通行控制方法和装置 |
CN111522995A (zh) * | 2020-04-26 | 2020-08-11 | 重庆紫光华山智安科技有限公司 | 目标对象分析方法、装置及电子设备 |
CN111738221A (zh) * | 2020-07-28 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 人脸聚类的方法、装置和计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269129A (zh) * | 2021-06-11 | 2021-08-17 | 成都商汤科技有限公司 | 身份识别方法及装置、电子设备和存储介质 |
WO2022257306A1 (zh) * | 2021-06-11 | 2022-12-15 | 成都商汤科技有限公司 | 身份识别方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
CN113228124B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210166040A1 (en) | Method and system for detecting companions, electronic device and storage medium | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
US20220084056A1 (en) | Methods and apparatuses for managing visitor information, electronic devices and storage media | |
CN111274426A (zh) | 类别标注方法及装置、电子设备和存储介质 | |
CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN111435422B (zh) | 动作识别方法、控制方法及装置、电子设备和存储介质 | |
WO2022227562A1 (zh) | 身份识别方法及装置、电子设备、存储介质和计算机程序产品 | |
CN113688729B (zh) | 一种行为识别方法及装置、电子设备和存储介质 | |
CN112597886A (zh) | 乘车逃票检测方法及装置、电子设备和存储介质 | |
CN110781813A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN114648796A (zh) | 用户识别方法、装置、存储介质及电子设备 | |
CN112837454A (zh) | 通行检测方法及装置、电子设备和存储介质 | |
CN113792622A (zh) | 帧率调整方法及装置、电子设备和存储介质 | |
CN113762169A (zh) | 人流量统计方法及装置、电子设备和存储介质 | |
CN113011291A (zh) | 事件检测方法及装置、电子设备和存储介质 | |
CN111753611A (zh) | 图像检测方法及装置和***、电子设备和存储介质 | |
CN111062401A (zh) | 堆叠物体的识别方法及装置、电子设备和存储介质 | |
CN112232424A (zh) | 身份识别方法及装置、电子设备和存储介质 | |
CN111339964B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110781975B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2022257306A1 (zh) | 身份识别方法及装置、电子设备和存储介质 | |
CN110543928B (zh) | 检测无轨胶轮车载人人数的方法及装置 |
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 |