CN117522454B - 一种工作人员识别方法及*** - Google Patents
一种工作人员识别方法及*** Download PDFInfo
- Publication number
- CN117522454B CN117522454B CN202410018772.1A CN202410018772A CN117522454B CN 117522454 B CN117522454 B CN 117522454B CN 202410018772 A CN202410018772 A CN 202410018772A CN 117522454 B CN117522454 B CN 117522454B
- Authority
- CN
- China
- Prior art keywords
- staff
- reid feature
- feature vector
- reid
- worker
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 228
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000007935 neutral effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种工作人员识别方法及***，所述方法的步骤包括：基于监测区域中多个监测点的监测图像确定每个监测图像中人员，利用ReID模型以人员人体外接框区域为输入提取相应的ReID特征向量，对所述ReID特征向量进行聚类，将同一人员的ReID特征向量聚类为一个类别集合；计算每个类别集合与工作人员库中每个工作人员的ReID特征向量组的相似度，工作人员库中存储有工作人员的ReID特征向量组；基于每个类别集合与每个工作人员的ReID特征向量组的相似度确定对应的人员是否为工作人员；获取基于相似度判定的不为工作人员的人员的类别集合，基于每个类别集合对应的监测图像构建时空向量，基于预训练的第一神经网络模型判定所述时空向量对应的人员是否为工作人员。
Description
技术领域
本发明涉及视觉分析技术领域，尤其涉及一种工作人员识别方法及***。
背景技术
客流分析是一种通过收集和分析商场、景区、车站等场所的客流数据，以了解顾客的行为、偏好和需求的方法。这种分析可以帮助企业更好地了解市场趋势，并优化产品和服务。为了统计有效的客流信息，需要对顾客的走动轨迹、关注的热门区域以及商品热度进行统计和分析，并且识别其中的工作人员，以帮助零售店优化陈列和商品布局，提供良好的服务。
然而，由于商店中人员混杂，顾客来往较为复杂，工作人员往往混杂在顾客之间，难以进行准确的识别。
发明内容
鉴于此，本发明的实施例提供了一种工作人员识别方法，以消除或改善现有技术中存在的一个或更多个缺陷。
本发明的一个方面提供了一种工作人员识别方法，所述方法的步骤包括：
基于监测区域中多个监测点的监测图像确定每个监测图像中人员的ReID特征向量，对所述ReID特征向量进行聚类，将同一人员的ReID特征向量聚类为一个类别集合；
计算每个所述类别集合与预构建的工作人员库中每个工作人员的ReID特征向量组的相似度，所述工作人员库中存储有对应每个工作人员的ReID特征向量组，每个ReID特征向量组中存储有对应每个工作人员的多个的ReID特征向量；
基于每个所述类别集合与每个工作人员的ReID特征向量组的相似度确定该类别集合对应的人员是否为工作人员；
获取基于相似度判定的不为工作人员的人员的类别集合，基于每个类别集合对应的监测图像构建时空向量，基于预训练的第一神经网络模型判定所述时空向量对应的人员是否为工作人员。
采用上述方案，本方案首先通过人员的类别集合和预构建的工作人员库判定该人员是否为工作人员，由于预构建的工作人员库存在一定的局限性，本方案进一步对判定不为工作人员的人员的类别集合构建时空向量，通过工作人员与顾客所在时空的区别进一步判定该人员是否为工作人员，综上，本方案能够准确判定混杂在顾客中的工作人员。
在本发明的一些实施方式中，在计算每个所述类别集合与预构建的工作人员库中每个工作人员的ReID特征向量组的相似度的步骤中，分别计算所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量的相似度。
在本发明的一些实施方式中，在基于每个所述类别集合与每个工作人员的ReID特征向量组的相似度确定该类别集合对应的人员是否为工作人员的步骤中，基于求出的多个相似度与预设的第一判定阈值和第二判定阈值相比较，判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员，若否，则采用相同步骤进一步判定下一个工作人员的ReID特征向量组。
在本发明的一些实施方式中，在分别计算所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量的相似度的步骤中，基于如下公式计算相似度：
；
其中，S表示相似度，表示所述类别集合中任一个ReID特征向量构成的向量的转置，/>表示工作人员的ReID特征向量组中任一个ReID特征向量构成的向量，/>表示所述类别集合中ReID特征向量构成的向量与工作人员的ReID特征向量组中任一个ReID特征向量构成的向量的内积。
在本发明的一些实施方式中，在基于求出的多个相似度与预设的第一判定阈值和第二判定阈值相比较，判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员的步骤中，若所述相似度大于或等于预设的第一判定阈值，则计一个赞同票；若所述相似度小于或等于预设的第二判定阈值，则计一个反对票；若所述相似度小于预设的第一判定阈值且大于第二判定阈值，则计一个中立票；若所述赞同票在赞同票、反对票和中立票的票数之和所占的比例大于或等于预设的第一比例阈值，且反对票在赞同票、反对票和中立票的票数之和所占的比例小于或等于预设的第二比例阈值，则判定该类别集合对应的人员与该ReID特征向量组对应同一工作人员。
在本发明的一些实施方式中，获取基于相似度判定的不为工作人员的人员的类别集合，基于每个类别集合对应的监测图像构建时空向量，基于预训练的第一神经网络模型判定所述时空向量对应的人员是否为工作人员的步骤包括：
基于所述监测图像判定人员在设定的时间和空间位置是否出现，若出现，则在该时间和空间位置对应的维度计为1，若未出现，则在该时间和空间位置对应的维度计为0，组合各个维度的数值构建时空向量；
将所述时空向量输入到预训练的第一神经网络模型，判定该人员是否为工作人员。
在本发明的一些实施方式中，若基于所述时空向量判定该类别集合对应的人员为工作人员，则所述方法的步骤包括：
判定当前工作人员库中存储的ReID特征向量组是否小于预设数量；
若是，则将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组，添加到工作人员库中；
若否，则基于工作人员库中存储的ReID特征向量组的置信度进行排序，将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组替换工作人员库中置信度排名最低的ReID特征向量组。
在本发明的一些实施方式中，在将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组，添加到工作人员库中的步骤中，两两计算通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量的相似度，统计每个ReID特征向量与其他ReID特征向量的相似度，并基于每个ReID特征向量计算出的相似度中大于预设的第三判定阈值的次数从高到低对各个ReID特征向量进行排序，将排序排名较高的预设个数ReID特征向量组合为新的ReID特征向量组，添加到工作人员库中。
在本发明的一些实施方式中，基于工作人员库中存储的ReID特征向量组的置信度进行排序的步骤为，统计前预设时间段内工作人员库中存储的各个ReID特征向量组的被匹配次数，作为置信度。
本发明的第二方面还提供一种工作人员识别***，该***包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该***实现如前所述方法所实现的步骤。
本发明的第三方面还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述工作人员识别方法所实现的步骤。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1为本发明工作人员识别方法一种实施方式的示意图；
图2为本发明工作人员识别方法通过工作人员库判定工作人员的步骤示意图；
图3为本发明工作人员识别方法另一种实施方式的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
本发明的步骤具体包括：
如图1所示，本发明提出一种工作人员识别方法，所述方法的步骤包括：
步骤S100，基于监测区域中多个监测点的监测图像确定每个监测图像中人员的ReID特征向量，对所述ReID特征向量进行聚类，将同一人员的ReID特征向量聚类为一个类别集合；
在具体实施过程中，所述监测区域可以为商场、门店或者酒店等区域，每个所述监测点可以通过监控摄像头采集监测图像。
在具体实施过程中，ReID（行人重识别）是一种计算机视觉技术，旨在识别不同摄像头视角下的同一个行人。其本质就是利用算法在图像库中找到目标，通过行人目标的衣着、配饰、体态等进行特征提取匹配，属于图像检索问题。ReID技术广泛应用于视频监控、智能交通、人脸识别等领域，可以有效地提高监控***的智能化水平，提高公共安全和交通效率。
在具体实施过程中，计算ReID特征向量可以采用包括深度学习模型的方式进行计算。
在具体实施过程中，在对所述ReID特征向量进行聚类，将同一人员的ReID特征向量聚类为一个类别集合的步骤可以利用传统聚类算法，也可以辅助神经网络模型二次特征优化再结合传统聚类算法等方式进行聚类。
在具体实施过程中，客流量分析中通过基于视觉的目标检测跟踪技术，生成目标对象在单个相机下的完整轨迹和图像抓拍，利用对象图像抓拍提取ReID特征向量用于聚类，进而生成目标对象的更完整画像。
在具体实施过程中，摄像机生成当前视频中经过对象的轨迹、对象特征向量，整合全天所有终端设备的目标对象信息进行聚类处理，得到同一对象的所有抓拍信息聚类集合。
步骤S200，计算每个所述类别集合与预构建的工作人员库中每个工作人员的ReID特征向量组的相似度，所述工作人员库中存储有对应每个工作人员的ReID特征向量组，每个ReID特征向量组中存储有对应每个工作人员的多个的ReID特征向量；
在具体实施过程中，利用工作人员会有制式服装的特性，建立工作人员库，具体的，可以人工将之前的聚类结果进行分类，同时利用算法推荐建立工作人员库，利用建立的工作人员库，通过计算相似度的方式识别聚类结果中哪些为工作人员。
步骤S300，基于每个所述类别集合与每个工作人员的ReID特征向量组的相似度确定该类别集合对应的人员是否为工作人员；
步骤S400，获取基于相似度判定的不为工作人员的人员的类别集合，基于每个类别集合对应的监测图像构建时空向量，基于预训练的第一神经网络模型判定所述时空向量对应的人员是否为工作人员。
在具体实施过程中，在基于每个类别集合对应的监测图像构建时空向量的步骤中，所述时空向量的每个维度均对应一个时间和空间的位置，监控点设置有不同的分类属性，具体的，每个分类属性对应至少一个监控点，所述分类属性对应门店大门、收银台（服务台）和工作区等，若所述监测点包括A、B和C，监控时间范围为每天1:00到24:00，则将每1小时的时间划分为1个时间片，将整个监控时间范围划分为24个时间片，则所述时空向量包括72个维度，每个维度对应一个监测点的1个时间片，具体的第1个维度对应A监测点的第1个时间片。
采用上述方案，本方案首先通过人员的类别集合和预构建的工作人员库判定该人员是否为工作人员，由于预构建的工作人员库存在一定的局限性，本方案进一步对判定不为工作人员的人员的类别集合构建时空向量，通过工作人员与顾客所在时空的区别进一步判定该人员是否为工作人员，综上，本方案能够准确判定混杂在顾客中的工作人员。
在本发明的一些实施方式中，在计算每个所述类别集合与预构建的工作人员库中每个工作人员的ReID特征向量组的相似度的步骤中，分别计算所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量的相似度。
在本发明的一些实施方式中，在基于每个所述类别集合与每个工作人员的ReID特征向量组的相似度确定该类别集合对应的人员是否为工作人员的步骤中，基于求出的多个相似度与预设的第一判定阈值和第二判定阈值相比较，判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员，若否，则采用相同步骤进一步判定下一个工作人员的ReID特征向量组。
在具体实施过程中，所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量均能计算出一个相似度，基于计算出的全部相似度判定所述类别集合对应的人员是否与该工作人员匹配。
在具体实施过程中，若所述类别集合对应的人员与任一工作人员匹配成功，则停止与其他工作人员的ReID特征向量组的计算，并在匹配成功的工作人员对应的ReID特征向量组的置信度增加1。
在本发明的一些实施方式中，在分别计算所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量的相似度的步骤中，基于如下公式计算相似度：
；
其中，S表示相似度，表示所述类别集合中任一个ReID特征向量构成的向量的转置，/>表示工作人员的ReID特征向量组中任一个ReID特征向量构成的向量，/>表示所述类别集合中ReID特征向量构成的向量与工作人员的ReID特征向量组中任一个ReID特征向量构成的向量的内积。
如图2所示，在本发明的一些实施方式中，在基于求出的多个相似度与预设的第一判定阈值和第二判定阈值相比较，判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员的步骤中包括，步骤S311，若所述相似度大于或等于预设的第一判定阈值，则计一个赞同票；步骤S312，若所述相似度小于或等于预设的第二判定阈值，则计一个反对票；步骤S313，若所述相似度小于预设的第一判定阈值且大于第二判定阈值，则计一个中立票；步骤S320，若所述赞同票在赞同票、反对票和中立票的票数之和所占的比例大于或等于预设的第一比例阈值，且反对票在赞同票、反对票和中立票的票数之和所占的比例小于或等于预设的第二比例阈值，则判定该类别集合对应的人员与该ReID特征向量组对应同一工作人员，步骤S330，采用相同步骤进一步判定下一个工作人员的ReID特征向量组。
具体的，所述第一判定阈值可以为0.81，第二判定阈值可以为0.74，第一比例阈值可以为0.5，第二比例阈值可以为0.2。
在具体实施过程中，若所述类别集合计算出的相似度不满足所述赞同票在赞同票、反对票和中立票的票数之和所占的比例大于或等于预设的第一比例阈值，且反对票在赞同票、反对票和中立票的票数之和所占的比例是否小于或等于预设的第二比例阈值，则判定该类别集合对应的人员与该ReID特征向量组不对应同一工作人员，并进一步判定下一个工作人员的ReID特征向量组，若在全部工作人员的ReID特征向量组计算完成后均没有得到对应的工作人员，则匹配失败。
如图2所示，在具体实施过程中，所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量均能计算出一个相似度，将计算出的每个相似度进行上述步骤S311-S313的判定确定该相似度对应的赞同票、反对票或中立票，统计全部相似度对应的赞同票、反对票和中立票，通过步骤S320判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员。
采用上述方案，本方案通过类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量计算出多个相似度，通过多个相似度的数值判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员，并通过每个相似度对应的赞同票、反对票或中立票进行综合判定，能够结合类别集合和ReID特征向量组中全部的ReID特征向量进行判定，提高判定准确度。
在本发明的一些实施方式中，获取基于相似度判定的不为工作人员的人员的类别集合，基于每个类别集合对应的监测图像构建时空向量，基于预训练的第一神经网络模型判定所述时空向量对应的人员是否为工作人员的步骤包括：
基于所述监测图像判定人员在设定的时间和空间位置是否出现，若出现，则在该时间和空间位置对应的维度计为1，若未出现，则在该时间和空间位置对应的维度计为0，组合各个维度的数值构建时空向量；
将所述时空向量输入到预训练的第一神经网络模型，判定该人员是否为工作人员。
在具体实施过程中，在基于所述监测图像判定人员在设定的时间和空间位置是否出现，若出现，则在该时间和空间位置对应的维度计为1，若未出现，则在该时间和空间位置对应的维度计为0，组合各个维度的数值构建时空向量的步骤中，若所述监测点包括A、B和C，监控时间范围为每天1:00到24:00，则将每1小时的时间划分为1个时间片，将整个监控时间范围划分为24个时间片，则所述时空向量包括72个维度，每个维度对应一个监测点的1个时间片，具体的第1个维度对应A监测点的第1个时间片，若在A监测点的第1个时间片出现该人员，则构建的时空向量的第1个维度的数值为1；若在A监测点的第1个时间片未出现该人员，则构建的时空向量的第1个维度的数值为0。
采用上述方案，由于工作人员和顾客的活动区域往往存在区别，比如工作人员会出现在柜台内，而顾客不会；工作人员往往会更多的出现在库房附近区域，而顾客不会，因此，本方案通过时空向量统计人员的活动区域，基于顾客和工作人员的活动区域的区别，并根据预训练的第一神经网络模型判定该人员是否为工作人员，能够自动化识别并未统计在预构建的工作人员库中的工作人员，降低对于工作人员库依赖，并保证对于工作人员的准确识别。
如图3所示，在本发明的一些实施方式中，若基于所述时空向量判定该类别集合对应的人员为工作人员，则所述方法的步骤包括：
步骤S510，判定当前工作人员库中存储的ReID特征向量组是否小于预设数量；
步骤S520，若是，则将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组，添加到工作人员库中；
步骤S530，若否，则基于工作人员库中存储的ReID特征向量组的置信度进行排序，将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组替换工作人员库中置信度排名最低的ReID特征向量组。
采用上述方案，本方案通过工作人员库中存储的ReID特征向量组的置信度，将置信度最低的ReID特征向量组进行替换，由于实际场景中，存在工作人员离职的情况，本方案能够自动化识别新的工作人员，并对原来存储的工作人员进行替换，保证工作人员库的时效性，提高工作人员库的自动化识别的能力，并提高识别准确度。
在本发明的一些实施方式中，在将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组，添加到工作人员库中的步骤中，两两计算通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量的相似度，统计每个ReID特征向量与其他ReID特征向量的相似度，并基于每个ReID特征向量计算出的相似度中大于预设的第三判定阈值的次数从高到低对各个ReID特征向量进行排序，将排序排名较高的预设个数ReID特征向量组合为新的ReID特征向量组，添加到工作人员库中。
在具体实施过程中，两两计算通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量的相似度，统计所述类别集合的ReID特征向量之间的相似度，其中每个ReID特征向量均计算与其他每个ReID特征向量的相似度，对于一个ReID特征向量统计其于其他每个ReID特征向量的相似度中大于预设的第三判定阈值的个数，并采用相同方式统计所述类别集合的每个ReID特征向量计算出的相似度中大于预设的第三判定阈值的个数，从高到低对各个ReID特征向量进行排序，将排序排名较高的预设个数ReID特征向量组合为新的ReID特征向量组，添加到工作人员库中。
在具体实施过程中，所述预设个数可以为4、5或6个。
采用上述方案，对于一个人员对应的所述类别集合中的ReID特征向量，通过相互计算相似度，找到其中对于该人员最具代表性的ReID特征向量，构建为ReID特征向量组，降低工作人员库的存储压力，同时提高所述ReID特征向量组的准确度。
在本发明的一些实施方式中，基于工作人员库中存储的ReID特征向量组的置信度进行排序的步骤为，统计前预设时间段内工作人员库中存储的各个ReID特征向量组的被匹配次数，作为置信度。
在具体实施过程中，若所述类别集合对应的人员与任一工作人员匹配成功，则在匹配成功的工作人员对应的ReID特征向量组的置信度增加1。
本发明实施例还提供一种工作人员识别***，该***包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该***实现如前所述方法所实现的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述工作人员识别方法所实现的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，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来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发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种工作人员识别方法，其特征在于，所述方法的步骤包括：
基于监测区域中多个监测点的监测图像确定每个监测图像中人员的ReID特征向量，对所述ReID特征向量进行聚类，将同一人员的ReID特征向量聚类为一个类别集合；
计算每个所述类别集合与预构建的工作人员库中每个工作人员的ReID特征向量组的相似度，所述工作人员库中存储有对应每个工作人员的ReID特征向量组，每个ReID特征向量组中存储有对应每个工作人员的多个的ReID特征向量；
基于每个所述类别集合与每个工作人员的ReID特征向量组的相似度确定该类别集合对应的人员是否为工作人员；
获取基于相似度判定的不为工作人员的人员的类别集合，基于每个类别集合对应的监测图像构建时空向量，基于预训练的第一神经网络模型判定所述时空向量对应的人员是否为工作人员，基于所述监测图像判定人员在设定的时间和空间位置是否出现，若出现，则在该时间和空间位置对应的维度计为1，若未出现，则在该时间和空间位置对应的维度计为0，组合各个维度的数值构建时空向量；将所述时空向量输入到预训练的第一神经网络模型，判定该人员是否为工作人员；
若基于所述时空向量判定该类别集合对应的人员为工作人员，则所述方法的步骤包括：判定当前工作人员库中存储的ReID特征向量组是否小于预设数量；若是，则将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组，添加到工作人员库中。
2.根据权利要求1所述的工作人员识别方法，其特征在于，在计算每个所述类别集合与预构建的工作人员库中每个工作人员的ReID特征向量组的相似度的步骤中，分别计算所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量的相似度。
3.根据权利要求2所述的工作人员识别方法，其特征在于，在基于每个所述类别集合与每个工作人员的ReID特征向量组的相似度确定该类别集合对应的人员是否为工作人员的步骤中，基于求出的多个相似度与预设的第一判定阈值和第二判定阈值相比较，判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员，若否，则采用相同步骤进一步判定下一个工作人员的ReID特征向量组。
4.根据权利要求2或3所述的工作人员识别方法，其特征在于，在分别计算所述类别集合中每个ReID特征向量与工作人员的ReID特征向量组中每个ReID特征向量的相似度的步骤中，基于如下公式计算相似度：
；
其中，S表示相似度，表示所述类别集合中任一个ReID特征向量构成的向量的转置，表示工作人员的ReID特征向量组中任一个ReID特征向量构成的向量。
5.根据权利要求3所述的工作人员识别方法，其特征在于，在基于求出的多个相似度与预设的第一判定阈值和第二判定阈值相比较，判定该类别集合对应的人员是否与该ReID特征向量组对应同一工作人员的步骤中，若所述相似度大于或等于预设的第一判定阈值，则计一个赞同票；若所述相似度小于或等于预设的第二判定阈值，则计一个反对票；若所述相似度小于预设的第一判定阈值且大于第二判定阈值，则计一个中立票；若所述赞同票在赞同票、反对票和中立票的票数之和所占的比例大于或等于预设的第一比例阈值，且反对票在赞同票、反对票和中立票的票数之和所占的比例小于或等于预设的第二比例阈值，则判定该类别集合对应的人员与该ReID特征向量组对应同一工作人员。
6.根据权利要求1所述的工作人员识别方法，其特征在于，在将通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量作为新的ReID特征向量组，添加到工作人员库中的步骤中，两两计算通过所述时空向量判定为工作人员的人员的类别集合中的ReID特征向量的相似度，统计每个ReID特征向量与其他ReID特征向量的相似度，并基于每个ReID特征向量计算出的相似度中大于预设的第三判定阈值的次数从高到低对各个ReID特征向量进行排序，将排序排名较高的预设个数ReID特征向量组合为新的ReID特征向量组，添加到工作人员库中。
7.根据权利要求1所述的工作人员识别方法，其特征在于，基于工作人员库中存储的ReID特征向量组的置信度进行排序的步骤为，统计前预设时间段内工作人员库中存储的各个ReID特征向量组的被匹配次数，作为置信度。
8.一种工作人员识别***，其特征在于，该***包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该***实现如权利要求1~7任一项所述方法所实现的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018772.1A CN117522454B (zh) | 2024-01-05 | 2024-01-05 | 一种工作人员识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018772.1A CN117522454B (zh) | 2024-01-05 | 2024-01-05 | 一种工作人员识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522454A CN117522454A (zh) | 2024-02-06 |
| CN117522454B true CN117522454B (zh) | 2024-04-16 |
Family
ID=89755369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410018772.1A Active CN117522454B (zh) | 2024-01-05 | 2024-01-05 | 一种工作人员识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522454B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
| CN110941978A (zh) * | 2019-05-23 | 2020-03-31 | 罗普特科技集团股份有限公司 | 一种未识别身份人员的人脸聚类方法、装置及存储介质 |
| WO2020098158A1 (zh) * | 2018-11-14 | 2020-05-22 | 平安科技（深圳）有限公司 | 行人重识别方法、装置及计算机可读存储介质 |
| CN111860471A (zh) * | 2020-09-21 | 2020-10-30 | 之江实验室 | 一种基于特征检索的工服穿戴识别方法及*** |
| CN112257615A (zh) * | 2020-10-26 | 2021-01-22 | 上海数川数据科技有限公司 | 一种基于聚类的顾客数量统计方法 |
| CN112613496A (zh) * | 2021-03-08 | 2021-04-06 | 深圳市安软科技股份有限公司 | 一种行人重识别方法、装置、电子设备及存储介质 |
| CN114491148A (zh) * | 2022-04-14 | 2022-05-13 | 武汉中科通达高新技术股份有限公司 | 目标人员搜索方法、装置、计算机设备及存储介质 |
| CN114565894A (zh) * | 2022-03-03 | 2022-05-31 | 成都佳华物链云科技有限公司 | 一种工作服装识别方法、装置、电子设备及存储介质 |
| CN114639165A (zh) * | 2022-03-16 | 2022-06-17 | 平安科技（深圳）有限公司 | 基于人工智能的行人重识别方法、装置、设备及存储介质 |
| CN116894962A (zh) * | 2023-07-27 | 2023-10-17 | 云从科技集团股份有限公司 | 一种聚类方法、***、控制装置及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399381B (zh) * | 2018-02-12 | 2020-10-30 | 北京市商汤科技开发有限公司 | 行人再识别方法、装置、电子设备和存储介质 |
-
2024
- 2024-01-05 CN CN202410018772.1A patent/CN117522454B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
| WO2020098158A1 (zh) * | 2018-11-14 | 2020-05-22 | 平安科技（深圳）有限公司 | 行人重识别方法、装置及计算机可读存储介质 |
| CN110941978A (zh) * | 2019-05-23 | 2020-03-31 | 罗普特科技集团股份有限公司 | 一种未识别身份人员的人脸聚类方法、装置及存储介质 |
| CN111860471A (zh) * | 2020-09-21 | 2020-10-30 | 之江实验室 | 一种基于特征检索的工服穿戴识别方法及*** |
| CN112257615A (zh) * | 2020-10-26 | 2021-01-22 | 上海数川数据科技有限公司 | 一种基于聚类的顾客数量统计方法 |
| CN112613496A (zh) * | 2021-03-08 | 2021-04-06 | 深圳市安软科技股份有限公司 | 一种行人重识别方法、装置、电子设备及存储介质 |
| CN114565894A (zh) * | 2022-03-03 | 2022-05-31 | 成都佳华物链云科技有限公司 | 一种工作服装识别方法、装置、电子设备及存储介质 |
| CN114639165A (zh) * | 2022-03-16 | 2022-06-17 | 平安科技（深圳）有限公司 | 基于人工智能的行人重识别方法、装置、设备及存储介质 |
| CN114491148A (zh) * | 2022-04-14 | 2022-05-13 | 武汉中科通达高新技术股份有限公司 | 目标人员搜索方法、装置、计算机设备及存储介质 |
| CN116894962A (zh) * | 2023-07-27 | 2023-10-17 | 云从科技集团股份有限公司 | 一种聚类方法、***、控制装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522454A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106776619B (zh) | 用于确定目标对象的属性信息的方法和装置 | |
| US10354262B1 (en) | Brand-switching analysis using longitudinal tracking of at-shelf shopper behavior | |
| US20170169297A1 (en) | Computer-vision-based group identification | |
| US7136524B1 (en) | Robust perceptual color identification | |
| US20130177249A1 (en) | Semantic Parsing of Objects in Video | |
| CN113674037B (zh) | 一种基于购物行为的数据采集和推荐方法 | |
| US20120314078A1 (en) | Object monitoring apparatus and method thereof, camera apparatus and monitoring system | |
| CN108304816B (zh) | 身份识别方法、装置、存储介质及电子设备 | |
| Lee et al. | Understanding customer malling behavior in an urban shopping mall using smartphones | |
| CN108537166A (zh) | 确定货架浏览量以及分析浏览量的方法和装置 | |
| US11023713B2 (en) | Suspiciousness degree estimation model generation device | |
| US20190213610A1 (en) | Evaluation device and evaluation method | |
| WO2022142903A1 (zh) | 身份识别方法、装置、电子设备及相关产品 | |
| US20170053172A1 (en) | Image processing apparatus, and image processing method | |
| AU2017231602A1 (en) | Method and system for visitor tracking at a POS area | |
| CN112700307A (zh) | 一种基于数据分析的商品推荐方法 | |
| US9851784B2 (en) | Movement line conversion and analysis system, method and program | |
| CN112131477A (zh) | 一种基于用户画像的图书馆图书推荐***及方法 | |
| CN117522454B (zh) | 一种工作人员识别方法及*** | |
| EP4066197A1 (en) | System and method for interactive perception and content presentation | |
| CN112258243A (zh) | 一种基于视觉感知和运营数据量化的精准营销评估*** | |
| CN114092956A (zh) | 门店客流统计方法、装置、计算机设备和存储介质 | |
| CN115392351A (zh) | 风险用户识别方法、装置、电子设备及存储介质 | |
| CN110378425B (zh) | 一种智能图像比对的方法及其*** | |
| CN114491156A (zh) | 基于视频图像智能推送近似对象的方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 1602, 16th Floor, Building 4, Zone 4, No. 81 Beiqing Road, Haidian District, Beijing, 100094 Patentee after: BEIJING VION INTELLIGENT TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Unit 801, Unit 5, No. 2 Building, 9 Yuan, Fenghao East Road, Haidian District, Beijing 100094 Patentee before: BEIJING VION INTELLIGENT TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |