CN114078277A - 一人一档的人脸聚类方法、装置、计算机设备及存储介质 - Google Patents
一人一档的人脸聚类方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114078277A CN114078277A CN202210057377.5A CN202210057377A CN114078277A CN 114078277 A CN114078277 A CN 114078277A CN 202210057377 A CN202210057377 A CN 202210057377A CN 114078277 A CN114078277 A CN 114078277A
- Authority
- CN
- China
- Prior art keywords
- face
- person
- clustering
- coding
- file
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种一人一档的人脸聚类方法、装置、计算机设备及存储介质。该方法包括:实时采集人脸相片和移动终端的IMSI记录,并分别获取每张人脸相片和每条IMSI记录的采集时空参数;对每张人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征;根据采集时空参数确定与每张人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征;将每个第一编码特征与对应的第二编码特征进行融合,并构造特征矩阵;对特征矩阵进行聚类,形成人脸簇作为一人一档数据。基于人脸相片和IMSI记录的异构时空轨迹进行聚类,对千万级甚至亿级的底库量级,不会因两人长得像而聚类为一人,真正做到一人一档,显著提升一人一档聚类效果。
Description
技术领域
本发明实施例涉及公安安防技术领域,尤其涉及一种一人一档的人脸聚类方法、装置、计算机设备及存储介质。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别技术综合了计算机、通信、光学、电子、机械等多学科技术,它使用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术。人脸聚类是对于给定的大量待聚类人脸相片,利用人脸特征抽取组件进行人脸特征抽取,并用抽取的人脸特征对人脸进行聚类归档的算法。
传统的人脸聚类一般采用LBP(局部二值模式)、HOG(方向梯度直方图)之类的手动设计的特征,而深度学习时代的人脸聚类,一般采用卷积神经网络(CNN)中提取出来的特征。它们都是基于单独的人脸特征进行聚类,这种一人一档人脸的聚类方式,存在两个主要问题:一是一个人的不同人脸相片,会因为年龄跨度大、角度、光线等情况,造成相似度较低,无法聚类成一个簇,比如一个人自己的正脸与侧脸的相似度可能就比较低;二是一人一档库的数量级问题,传统的一人一档库通常适用于百万级及其以下的城市,不适合千万级以及其以上的大城市应用,因为,在一个小城市中,两个长相非常相近的人概率非常少,几乎没有,而放大到一个省亿级别的人口库中,长相相近的人员就有很多。
发明内容
本发明实施例提供一种一人一档的人脸聚类方法、装置、计算机设备及存储介质,以解决同一人的不同人脸相片无法聚类的问题,并提高聚类结果的准确性。
第一方面,本发明实施例提供了一种一人一档的人脸聚类方法,该方法包括:
实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数;
对每张所述人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征;
根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征;
将每个所述第一编码特征与对应的所述第二编码特征进行融合,并构造特征矩阵;
对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据。
可选的,在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,还包括:
对所述人脸簇进行合并,并选出所述人脸簇的代表点;
使用所述代表点与一人一档库进行比对,并获取与所述人脸簇之间的相似度超过预设相似度阈值的档案集合;
统计所述人脸簇的时空特征,形成人脸簇特征画像;
根据所述人脸簇的聚合点、特征画像要素以及与所述档案集合的相似度确定所述人脸簇与所述档案集合之间的置信度;
根据所述置信度和预设置信度阈值,对所述人脸簇进行归档,并更新一人一档档案画像。
可选的,所述采集时空参数包括采集时间;所述根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录,包括:
根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录。
可选的,所述实时采集人脸相片和移动终端的IMSI记录,包括:
通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;
相应的,在所述根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录之前,还包括:
根据所述人脸摄像机与所述多运营商特征采集设备之间的距离,以及人的行走速度动态计算所述预设时长。
可选的,在所述实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数之后,还包括:
根据所述人脸相片的质量对所述人脸相片进行分组,以得到优质人脸库和劣质人脸库。
可选的,在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,还包括:
对所述人脸簇进行质量及数量校验。
可选的,所述对所述特征矩阵进行聚类,包括:
使用深度图卷积神经网络对所述特征矩阵进行聚类。
第二方面,本发明实施例还提供了一种一人一档的人脸聚类装置,该装置包括:
数据采集模块,用于实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数;
第一编码模块,用于对每张所述人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征;
第二编码模块,用于根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征;
特征融合模块,用于将每个所述第一编码特征与对应的所述第二编码特征进行融合,并构造特征矩阵;
聚类模块,用于对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的一人一档的人脸聚类方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的一人一档的人脸聚类方法。
本发明实施例提供了一种一人一档的人脸聚类方法,首先采集人脸相片和移动终端的IMSI记录,并分别获取每张人脸相片和每条IMSI记录的采集时空参数,然后对每张人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征,再根据采集时空参数确定与每张人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征,接着将每个第一编码特征与对应的第二编码特征进行融合,并构造特征矩阵,最后即可对特征矩阵进行聚类,以形成人脸簇作为一人一档数据。本发明实施例所提供的一人一档的人脸聚类方法,通过基于人脸相片和IMSI记录的异构时空轨迹进行聚类,对千万级甚至亿级别的底库量级,不会因为两个人长得像而聚类为一人,真正做到了一人一档,显著提升了一人一档的聚类效果。
附图说明
图1为本发明实施例一提供的一人一档的人脸聚类方法的流程图;
图2为本发明实施例二提供的一人一档的人脸聚类装置的结构示意图;
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一人一档的人脸聚类方法的流程图。本实施例可适用于通过人脸识别并归档以为公安机关掌握重点人员信息提供数据依据的情况,该方法可以由本发明实施例所提供的一人一档的人脸聚类装置来执行,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中。如图1所示,具体包括如下步骤:
S11、实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数。
具体的,可以在城区的重要路口及人口流动密集的区域安装摄像机等设备实时抓拍采集人脸相片,并安装多运营商特征采集设备实时采集移动终端的IMSI记录,在采集数据的同时,还可以记录每次的采集时空参数,以便后续将两种数据对应起来。其中,IMSI(国际移动用户识别码,International Mobile Subscriber Identity)是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码,移动终端可以包括手机、平板电脑以及智能手表等等,以手机为例,IMSI可以存储在手机的SIM卡中,其总长度不超过15位,手机作为人们工作、生活、社交中必不可少的日常工具,也是重点人员的主要通讯手段。采集时空参数可以包括采集时间和采集经纬度,还可以包括设备编号等可以确定采集地理位置的参数。
S12、对每张所述人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征。
具体的,在采集到人脸相片之后,可以从每张人脸相片中提取到人脸原始特征并进行特征编码,从而得到每张人脸相片对应的第一编码特征。
可选的,在所述实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数之后,还包括:根据所述人脸相片的质量对所述人脸相片进行分组,以得到优质人脸库和劣质人脸库。
具体的,可以在获取第一编码特征的同时,根据人脸相片的质量进行分组,将质量较好的人脸相片归于优质人脸库,将存在遮挡、偏转、模糊等质量稍差的人脸相片归于劣质人脸库,以便于后续对质量稍差的及离群点人脸相片进行分组聚类,从而进一步提升一人一档的人脸簇的聚类效果。
S13、根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征。
具体的,在确定每张人脸相片的第一编码特征之后,可以首先根据所记录的采集时空参数在采集到的IMSI记录中分别确定与每张人脸相片相关联的目标IMSI记录,从而分别对每条目标IMSI记录进行特征编码,以得到每张人脸相片对应的第二编码特征。
可选的,所述采集时空参数包括采集时间;所述根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录,包括:根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录。具体的,可以将每张人脸相片采集时间的前后预设时长内关联出现的IMSI记录确定为对应的目标IMSI记录,其中,关联出现的IMSI记录可以是与采集人脸相片的摄像头距离一定范围内的多运营商特征采集设备所采集到的IMSI记录,即在时空上确定的可与相应的人脸相片属于同一人的IMSI记录,预设时长可以为3分钟等。
进一步可选的,所述实时采集人脸相片和移动终端的IMSI记录,包括:通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;相应的,在所述根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录之前,还包括:根据所述人脸摄像机与所述多运营商特征采集设备之间的距离,以及人的行走速度动态计算所述预设时长。具体的,上述用于确定关联性的预设时长可以预先通过人脸摄像机与多运营商特征采集设备之间的距离以及人的行走速度动态计算得到,从而保证所确定的目标IMSI记录与相应的人脸相片之间的关联性,具体可以当距离较短时,缩短预设时长,以及在人的行走速度较慢时,延长预设时长。
S14、将每个所述第一编码特征与对应的所述第二编码特征进行融合,并构造特征矩阵。
具体的,在确定了每张人脸相片对应的第一编码特征和第二编码特征之后,即可将每个第一编码特征与对应的第二编码特征进行融合,并构造特征矩阵,即得到了每张人脸相片对应的特征矩阵。由于IMSI记录的唯一性并与人脸之间具备强伴随关系,因此通过特征融合,可以实现在千万级甚至亿级别的底库量级上,也不会因为两个人长相相像而聚类成一人,从而真正做到一人一档。
S15、对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据。
具体的,在得到每张人脸相片对应的特征矩阵之后,即可对所有特征矩阵,即所有人脸相片与IMSI记录的融合特征进行聚类,以形成人脸簇,则可以将得到的人脸簇作为用于归档的一人一档数据。其中,可选的,所述对所述特征矩阵进行聚类,包括:使用深度图卷积神经网络(GCN)对所述特征矩阵进行聚类。
在上述技术方案的基础上,可选的,在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,还包括:对所述人脸簇进行合并,并选出所述人脸簇的代表点;使用所述代表点与一人一档库进行比对,并获取与所述人脸簇之间的相似度超过预设相似度阈值的档案集合;统计所述人脸簇的时空特征,形成人脸簇特征画像;根据所述人脸簇的聚合点、特征画像要素以及与所述档案集合的相似度确定所述人脸簇与所述档案集合之间的置信度;根据所述置信度和预设置信度阈值,对所述人脸簇进行归档,并更新一人一档档案画像。
具体的,在形成人脸簇之后,即可使用人脸簇进行归档。首先可以对人脸簇进行合并,并优选出簇的代表点,然后使用代表点与一人一档库进行比对,从而获取代表点与库中每个档案之间的相似度,再从中确定相似度超过预设相似度阈值的档案集合。另一方面,可以根据人脸簇的轨迹,统计出人脸簇的时间、行为、场所、频次等时空特征,从而形成人脸簇特征画像,然后即可根据人脸簇的聚合点、特征画像要素以及与档案集合的相似度综合计算人脸簇与该档案集合之间的置信度,从而可以将该置信度与预设置信度阈值进行比较,以确定人脸簇对应的档案,进而对人脸簇进行建档或挂档,并更新一人一档档案画像。通过在归档的过程中,不仅利用了人脸相片特征,同时也利用了人脸和IMSI记录的时间、地点、场所、行为规律等时空特征,提升了一人一档的精准率,并降低了混档和重复建档的概率。另外,在人脸相片寻档比对时,也加入了人脸关联出现的IMSI记录信息,也提升了寻档比对的精准率,并对遮挡、偏转、模糊等质量稍差、相似度较低的人脸相片具有较强的鲁棒性。
可选的,在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,还包括:对所述人脸簇进行质量及数量校验。具体的,可以在对人脸簇进行合并之前,首先对人脸簇的质量及数量进行校验,以进一步提高一人一档的人脸簇的聚类效果,以及归档的精准率。
本发明实施例所提供的技术方案,首先采集人脸相片和移动终端的IMSI记录,并分别获取每张人脸相片和每条IMSI记录的采集时空参数,然后对每张人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征,再根据采集时空参数确定与每张人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征,接着将每个第一编码特征与对应的第二编码特征进行融合,并构造特征矩阵,最后即可对特征矩阵进行聚类,以形成人脸簇作为一人一档数据。通过基于人脸相片和IMSI记录的异构时空轨迹进行聚类,对千万级甚至亿级别的底库量级,不会因为两个人长得像而聚类为一人,真正做到了一人一档,显著提升了一人一档的聚类效果。
实施例二
图2为本发明实施例二提供的一人一档的人脸聚类装置的结构示意图,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中,用于执行本发明任意实施例所提供的一人一档的人脸聚类方法,该装置可以对外提供数据接口服务,以便用户查询使用。如图2所示,该装置包括:
数据采集模块21,用于实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数;
第一编码模块22,用于对每张所述人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征;
第二编码模块23,用于根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征;
特征融合模块24,用于将每个所述第一编码特征与对应的所述第二编码特征进行融合,并构造特征矩阵;
聚类模块25,用于对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据。
本发明实施例所提供的技术方案,首先采集人脸相片和移动终端的IMSI记录,并分别获取每张人脸相片和每条IMSI记录的采集时空参数,然后对每张人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征,再根据采集时空参数确定与每张人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征,接着将每个第一编码特征与对应的第二编码特征进行融合,并构造特征矩阵,最后即可对特征矩阵进行聚类,以形成人脸簇作为一人一档数据。通过基于人脸相片和IMSI记录的异构时空轨迹进行聚类,对千万级甚至亿级别的底库量级,不会因为两个人长得像而聚类为一人,真正做到了一人一档,显著提升了一人一档的聚类效果。
在上述技术方案的基础上,可选的,该一人一档的人脸聚类装置,还包括:
代表点选取模块,用于在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,对所述人脸簇进行合并,并选出所述人脸簇的代表点;
代表点比对模块,用于使用所述代表点与一人一档库进行比对,并获取与所述人脸簇之间的相似度超过预设相似度阈值的档案集合;
特征画像形成模块,用于统计所述人脸簇的时空特征,形成人脸簇特征画像;
置信度确定模块,用于根据所述人脸簇的聚合点、特征画像要素以及与所述档案集合的相似度确定所述人脸簇与所述档案集合之间的置信度;
归档模块,用于根据所述置信度和预设置信度阈值,对所述人脸簇进行归档,并更新一人一档档案画像。
在上述技术方案的基础上,可选的,所述采集时空参数包括采集时间;所述第二编码模块23具体用于:
根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录。
在上述技术方案的基础上,可选的,数据采集模块21具体用于:
通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;
相应的,该一人一档的人脸聚类装置,还包括:
预设时长确定模块,用于在所述根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录之前,根据所述人脸摄像机与所述多运营商特征采集设备之间的距离,以及人的行走速度动态计算所述预设时长。
在上述技术方案的基础上,可选的,该一人一档的人脸聚类装置,还包括:
相片分组模块,用于在所述实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数之后,根据所述人脸相片的质量对所述人脸相片进行分组,以得到优质人脸库和劣质人脸库。
在上述技术方案的基础上,可选的,该一人一档的人脸聚类装置,还包括:
人脸簇校验模块,用于在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,对所述人脸簇进行质量及数量校验。
在上述技术方案的基础上,可选的,聚类模块25具体用于:
使用深度图卷积神经网络对所述特征矩阵进行聚类。
本发明实施例所提供的一人一档的人脸聚类装置可执行本发明任意实施例所提供的一人一档的人脸聚类方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,在上述一人一档的人脸聚类装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图,示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图3所示,该计算机设备包括处理器31、存储器32、输入装置33及输出装置34;计算机设备中处理器31的数量可以是一个或多个,图3中以一个处理器31为例,计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一人一档的人脸聚类方法对应的程序指令/模块(例如,一人一档的人脸聚类装置中的数据采集模块21、第一编码模块22、第二编码模块23、特征融合模块24及聚类模块25)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的一人一档的人脸聚类方法。
存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器32可进一步包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于实时采集人脸相片和移动终端的IMSI记录,以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等设备,可用于向用户展示查询内容等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种一人一档的人脸聚类方法,该方法包括:
实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数;
对每张所述人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征;
根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征;
将每个所述第一编码特征与对应的所述第二编码特征进行融合,并构造特征矩阵;
对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机***存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机***中,或者可以位于不同的第二计算机***中,第二计算机***通过网络(诸如因特网)连接到计算机***。第二计算机***可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的一人一档的人脸聚类方法中的相关操作。
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介质,该计算机可读介质可以发送、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。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种一人一档的人脸聚类方法,其特征在于,包括:
实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数;
对每张所述人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征;
根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征;
将每个所述第一编码特征与对应的所述第二编码特征进行融合,并构造特征矩阵;
对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据。
2.根据权利要求1所述的一人一档的人脸聚类方法,其特征在于,在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,还包括:
对所述人脸簇进行合并,并选出所述人脸簇的代表点;
使用所述代表点与一人一档库进行比对,并获取与所述人脸簇之间的相似度超过预设相似度阈值的档案集合;
统计所述人脸簇的时空特征,形成人脸簇特征画像;
根据所述人脸簇的聚合点、特征画像要素以及与所述档案集合的相似度确定所述人脸簇与所述档案集合之间的置信度;
根据所述置信度和预设置信度阈值,对所述人脸簇进行归档,并更新一人一档档案画像。
3.根据权利要求1所述的一人一档的人脸聚类方法,其特征在于,所述采集时空参数包括采集时间;所述根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录,包括:
根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录。
4.根据权利要求3所述的一人一档的人脸聚类方法,其特征在于,所述实时采集人脸相片和移动终端的IMSI记录,包括:
通过人脸摄像机实时采集所述人脸相片,以及通过多运营商特征采集设备实时采集所述IMSI记录;
相应的,在所述根据所述采集时空参数确定在所述人脸相片的采集时间的前后预设时长内关联出现的所述目标IMSI记录之前,还包括:
根据所述人脸摄像机与所述多运营商特征采集设备之间的距离,以及人的行走速度动态计算所述预设时长。
5.根据权利要求1所述的一人一档的人脸聚类方法,其特征在于,在所述实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数之后,还包括:
根据所述人脸相片的质量对所述人脸相片进行分组,以得到优质人脸库和劣质人脸库。
6.根据权利要求5所述的一人一档的人脸聚类方法,其特征在于,在所述对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据之后,还包括:
对所述人脸簇进行质量及数量校验。
7.根据权利要求1所述的一人一档的人脸聚类方法,其特征在于,所述对所述特征矩阵进行聚类,包括:
使用深度图卷积神经网络对所述特征矩阵进行聚类。
8.一种一人一档的人脸聚类装置,其特征在于,包括:
数据采集模块,用于实时采集人脸相片和移动终端的IMSI记录,并分别获取每张所述人脸相片和每条所述IMSI记录的采集时空参数;
第一编码模块,用于对每张所述人脸相片进行人脸原始特征提取并进行编码,获得第一编码特征;
第二编码模块,用于根据所述采集时空参数确定与每张所述人脸相片关联的目标IMSI记录并进行编码,获得第二编码特征;
特征融合模块,用于将每个所述第一编码特征与对应的所述第二编码特征进行融合,并构造特征矩阵;
聚类模块,用于对所述特征矩阵进行聚类,形成人脸簇作为一人一档数据。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的一人一档的人脸聚类方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的一人一档的人脸聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210057377.5A CN114078277A (zh) | 2022-01-19 | 2022-01-19 | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210057377.5A CN114078277A (zh) | 2022-01-19 | 2022-01-19 | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114078277A true CN114078277A (zh) | 2022-02-22 |
Family
ID=80284556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210057377.5A Pending CN114078277A (zh) | 2022-01-19 | 2022-01-19 | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114078277A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359611A (zh) * | 2022-03-18 | 2022-04-15 | 浙江大华技术股份有限公司 | 目标聚档方法、计算机设备及存储装置 |
CN114639143A (zh) * | 2022-03-07 | 2022-06-17 | 北京百度网讯科技有限公司 | 基于人工智能的人像归档方法、设备及存储介质 |
CN115953650A (zh) * | 2023-03-01 | 2023-04-11 | 杭州海康威视数字技术股份有限公司 | 特征融合模型的训练方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727809A (zh) * | 2019-09-27 | 2020-01-24 | 上海依图网络科技有限公司 | 人脸与移动用户识别码关联查询方法、装置及电子设备 |
CN110751042A (zh) * | 2019-09-19 | 2020-02-04 | 任子行网络技术股份有限公司 | 一种基于时间分区的人像与imsi信息关联方法及*** |
CN110781336A (zh) * | 2019-09-30 | 2020-02-11 | 任子行网络技术股份有限公司 | 基于全局建档的人像数据与手机特征数据融合方法及*** |
CN111063436A (zh) * | 2019-11-25 | 2020-04-24 | 泰康保险集团股份有限公司 | 数据处理方法及装置、存储介质及电子终端 |
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN112308001A (zh) * | 2020-11-06 | 2021-02-02 | 江西高创保安服务技术有限公司 | 一种智慧社区的数据分析方法及人员追踪方法、*** |
CN112632354A (zh) * | 2020-12-23 | 2021-04-09 | 东方网力科技股份有限公司 | 一种imsi和人脸深度拟合方法、装置、设备及*** |
CN112770265A (zh) * | 2020-12-31 | 2021-05-07 | 深圳前海中电慧安科技有限公司 | 一种行人身份信息获取方法、***、服务器和存储介质 |
CN113255714A (zh) * | 2020-02-11 | 2021-08-13 | 北京三星通信技术研究有限公司 | 图像聚类方法、装置、电子设备及计算机可读存储介质 |
CN113723166A (zh) * | 2021-03-26 | 2021-11-30 | 腾讯科技(北京)有限公司 | 内容识别方法、装置、计算机设备和存储介质 |
CN113742464A (zh) * | 2021-07-28 | 2021-12-03 | 北京智谱华章科技有限公司 | 一种基于异构信息网络的新闻事件发现算法及装置 |
-
2022
- 2022-01-19 CN CN202210057377.5A patent/CN114078277A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751042A (zh) * | 2019-09-19 | 2020-02-04 | 任子行网络技术股份有限公司 | 一种基于时间分区的人像与imsi信息关联方法及*** |
CN110727809A (zh) * | 2019-09-27 | 2020-01-24 | 上海依图网络科技有限公司 | 人脸与移动用户识别码关联查询方法、装置及电子设备 |
CN110781336A (zh) * | 2019-09-30 | 2020-02-11 | 任子行网络技术股份有限公司 | 基于全局建档的人像数据与手机特征数据融合方法及*** |
CN111063436A (zh) * | 2019-11-25 | 2020-04-24 | 泰康保险集团股份有限公司 | 数据处理方法及装置、存储介质及电子终端 |
CN113255714A (zh) * | 2020-02-11 | 2021-08-13 | 北京三星通信技术研究有限公司 | 图像聚类方法、装置、电子设备及计算机可读存储介质 |
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN112308001A (zh) * | 2020-11-06 | 2021-02-02 | 江西高创保安服务技术有限公司 | 一种智慧社区的数据分析方法及人员追踪方法、*** |
CN112632354A (zh) * | 2020-12-23 | 2021-04-09 | 东方网力科技股份有限公司 | 一种imsi和人脸深度拟合方法、装置、设备及*** |
CN112770265A (zh) * | 2020-12-31 | 2021-05-07 | 深圳前海中电慧安科技有限公司 | 一种行人身份信息获取方法、***、服务器和存储介质 |
CN113723166A (zh) * | 2021-03-26 | 2021-11-30 | 腾讯科技(北京)有限公司 | 内容识别方法、装置、计算机设备和存储介质 |
CN113742464A (zh) * | 2021-07-28 | 2021-12-03 | 北京智谱华章科技有限公司 | 一种基于异构信息网络的新闻事件发现算法及装置 |
Non-Patent Citations (1)
Title |
---|
肖轶涛等: "基于人像识别技术在"一人一档"***中的应用与探索", 《数字技术与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114639143A (zh) * | 2022-03-07 | 2022-06-17 | 北京百度网讯科技有限公司 | 基于人工智能的人像归档方法、设备及存储介质 |
CN114639143B (zh) * | 2022-03-07 | 2024-04-16 | 北京百度网讯科技有限公司 | 基于人工智能的人像归档方法、设备及存储介质 |
CN114359611A (zh) * | 2022-03-18 | 2022-04-15 | 浙江大华技术股份有限公司 | 目标聚档方法、计算机设备及存储装置 |
CN115953650A (zh) * | 2023-03-01 | 2023-04-11 | 杭州海康威视数字技术股份有限公司 | 特征融合模型的训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114078277A (zh) | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 | |
US20220092881A1 (en) | Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program | |
CN112183353B (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN107665289B (zh) | 一种运营商数据的处理方法及*** | |
CN112308001A (zh) | 一种智慧社区的数据分析方法及人员追踪方法、*** | |
US20130343618A1 (en) | Searching for Events by Attendants | |
CN109492604A (zh) | 人脸模型特征统计分析*** | |
US20220301317A1 (en) | Method and device for constructing object motion trajectory, and computer storage medium | |
CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN112770265B (zh) | 一种行人身份信息获取方法、***、服务器和存储介质 | |
CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
CN111522974A (zh) | 一种实时归档的方法及装置 | |
CN114120428A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN111445442B (zh) | 基于神经网络的人群计数方法、装置、服务器及存储介质 | |
Jung et al. | Real-time car tracking system based on surveillance videos | |
CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
RU2660599C1 (ru) | Способ индексирования видеоданных для фасетной классификации | |
CN112052280B (zh) | 一种基于时空数据的实有人口分析方法及*** | |
CN116205726B (zh) | 一种贷款风险预测方法、装置、电子设备及存储介质 | |
WO2023124134A1 (zh) | 档案处理方法、装置、电子设备、计算机存储介质和程序 | |
CN110457998B (zh) | 影像数据关联方法和设备、数据处理设备及介质 | |
CN114078269A (zh) | 一种人脸图像聚类方法、装置、服务器和存储介质 | |
CN103093213A (zh) | 视频文件分类方法及终端 | |
CN114090909A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN115880754A (zh) | 一种多档合并的方法、装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220222 |