一种基于大数据碰撞检测的人员身份识别方法及装置与流程

1.本发明涉及一种基于大数据碰撞检测的人员身份识别方法及装置，属于身份识别技术领域。


背景技术：

2.随着科技的发展，车辆和行人的流通快速增长，随之而来的各种违法犯罪手段也随之提高，为了提高案情的分析及人员的跟踪定位，我们在车辆卡口、人脸卡口、wifi探针等的建设上面也加大力度，提高部署能力。
3.这些地方每天都会产生大量的行人、车辆、探针数据，这些数据一般都是比较单一的，无法形成一致的关联关系，在某些单一设备的地方将无法形成人员行踪，在需要进行人员登记时较为繁琐，且存在数据不准确的问题。


技术实现要素：

4.本发明的目的在于克服现有技术中的不足，提供一种基于大数据碰撞检测的人员身份识别方法及装置，解决现有设备无法形成人员行踪，在需要进行人员登记时较为繁琐，且存在数据不准确的问题。
5.为达到上述目的，本发明是采用下述技术方案实现的：
6.第一方面，本发明提供了一种基于大数据碰撞检测的人员身份识别方法，包括：
7.获取人脸信息和移动设备地址，其中所述人脸信息和移动设备地址为在预先选取的目标区域内，选取多个监测时间点监测获得；
8.根据获取的人脸信息和移动设备地址，建立人脸信息和移动设备地址的初步映射关系；
9.根据所述初步映射关系，建立人脸轨迹和移动设备地址轨迹，通过弗朗明歇距离算法计算获取两者之间的轨迹图；
10.计算获取的人脸轨迹和移动设备地址轨迹的弗朗明歇距离，与预先设定的阈值相比较，如果弗朗明歇距离小于设定的阈值，确定为真正的映射关系，如果大于等于阈值，则人脸信息和移动设备地址不匹配，解除所述初步映射关系；
11.遍历所有的人脸轨迹，得到所有人的人脸信息和移动设备地址融合数据。
12.进一步的，所述人脸信息通过人脸采集装置采集，输入到深度卷积神经网络提取人脸特征后获取，移动设备地址通过探针获取并存储，其中所述人脸采集装置、探针预先布置在目标区域内。
13.进一步的，根据获取的人脸信息和移动设备地址，建立人脸信息和移动设备地址的初步映射关系，包括：
14.将所述多个监测时间点划分为{t1,t2,
…
,tn}，n为正整数；
15.针对其中的监测时间t1，根据所述人脸信息和移动设备地址，生成碰撞信息，并记录碰撞次数及碰撞时间；
16.依次利用监测时间t2到tn内获取到的人脸信息和移动设备地址，更新所述碰撞信息；
17.若碰撞次数达到预先设置的阈值，则根据碰撞信息建立人脸信息和移动设备地址相对应的碰撞表；
18.依次利用监测时间{t2,
…
,tn}获取的人脸信息和移动设备地址，更新所述碰撞表，还包括：对所述碰撞表中各个人脸信息对应的移动设备地址按照碰撞次数进行排序；
19.设置时间阈值，提取所述碰撞表中碰撞次数为1的记录，若该记录的碰撞时间与当前时间的间隔超过时间阈值，则删除该记录；
20.若监测时间ti(1≤i≤n)，目标区域人脸数量为1，则将该人脸信息和移动设备地址建立初步映射关系。
21.进一步的，所述碰撞信息为人脸信息和移动设备地址同时出现在一起时，记录产生一次碰撞信息。
22.进一步的，所述移动设备地址包括国际移动设备识别码imei、蓝牙mac、wifi mac。
23.第二方面，本发明提供一种基于大数据碰撞检测的人员身份识别装置，包括：
24.获取单元，用于获取人脸信息和移动设备地址，其中所述人脸信息和移动设备地址为在预先选取的目标区域内，选取多个监测时间点监测获得；
25.建立映射关系单元，用于根据获取的人脸信息和移动设备地址，建立人脸信息和移动设备地址的初步映射关系；
26.建立轨迹关系单元，用于根据所述初步映射关系，建立人脸轨迹和移动设备地址轨迹，通过弗朗明歇距离算法计算获取两者之间的轨迹图；
27.计算单元，用于计算获取的人脸轨迹和移动设备地址轨迹的弗朗明歇距离，与预先设定的阈值相比较，如果弗朗明歇距离小于设定的阈值，确定为真正的映射关系，如果大于等于阈值，则人脸信息和移动设备地址不匹配，解除所述初步映射关系；
28.遍历单元，用于遍历所有的人脸轨迹，得到所有人的人脸信息和移动设备地址融合数据。
29.进一步的，还包括预先布置在目标区域内的人脸采集装置和探针，所述人脸采集装置用于采集所述人脸信息，所述探针用于获取并存储所述移动设备地址。
30.进一步的，所述移动设备地址包括国际移动设备识别码imei、蓝牙mac、wifi mac。
31.第三方面，本发明提供一种基于大数据碰撞检测的人员身份识别装置，包括处理器及存储介质；
32.所述存储介质用于存储指令；
33.所述处理器用于根据所述指令进行操作以执行上述任一项所述方法的步骤。
34.第四方面，本发明提供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上述任一项所述方法的步骤。
35.与现有技术相比，本发明所达到的有益效果：
36.本发明利用探针和人脸识别技术综合运用各种算法技术进行关联碰撞，能够有效关联人员设备及跟踪人员行踪，无需人员登记，只需要人员携带移动设备经过具有探针和人脸设备的区域就可以检测到该人，并进行关联，方便后期可以跟踪移动设备信号进行跟踪人员行踪。
附图说明
37.图1是本发明实施例提供的一种基于大数据碰撞检测的人员身份识别方法的流程图。
具体实施方式
38.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
39.实施例1
40.本实施例介绍一种基于大数据碰撞检测的人员身份识别方法，包括：
41.获取人脸信息和移动设备地址，其中所述人脸信息和移动设备地址为在预先选取的目标区域内，选取多个监测时间点监测获得；
42.根据获取的人脸信息和移动设备地址，建立人脸信息和移动设备地址的初步映射关系；
43.根据所述初步映射关系，建立人脸轨迹和移动设备地址轨迹，通过弗朗明歇距离算法计算获取两者之间的轨迹图；
44.计算获取的人脸轨迹和移动设备地址轨迹的弗朗明歇距离，与预先设定的阈值相比较，如果弗朗明歇距离小于设定的阈值，确定为真正的映射关系，如果大于等于阈值，则人脸信息和移动设备地址不匹配，解除所述初步映射关系；
45.遍历所有的人脸轨迹，得到所有人的人脸信息和移动设备地址融合数据。
46.本实施例提供的基于大数据碰撞检测的人员身份识别方法，其应用过程具体涉及如下步骤：
47.参见图1所示，整个方法流程如下：
48.步骤一、信息采集
49.在各个卡口部署人脸识别设备及探针设备，用于人脸捕捉和设备探测。
50.选取多个监测时间点{t1,t2,
…
,tn}(n为正整数)，利用人脸识别设备拍摄目标区域内的人员图像，并从图像中提取出人脸信息，利用探针设备获取目标区域内的移动设备标识号，将这些信息进行存储。
51.移动设备标识号：包括国际移动设备识别码imei、蓝牙mac、wifi mac等等。
52.人脸信息是在图像中通过对头肩区域提取颜色直方图和梯度直方图组合成表征该人脸的特征，通过帧与帧之间计算头肩特征的匹配度，获得人脸特征值。人脸通过基于特征点的对齐校准后，输入给深度卷积神经网络提取特征，特征维度为1024维。深度卷积神经网络由残差网络组成，通过多纬度卷积核及池化层构成的卷积层，采用余弦距离损失函数作为评估函数，最终生成提取人脸特征的卷积神经网络参数。
53.步骤二、碰撞关系
54.碰撞：指人脸与移动设备标识号同时出现在一起，则记录为一次碰撞。
55.针对其中的监测时间t1，根据上一步获取的人脸及移动设备信息，生成碰撞信息(即人脸与移动设备标识号记录信息)，并记录碰撞次数及碰撞时间。依次利用监测时间t2到tn内获取到的人脸及移动设备标识号，更新上一步的碰撞信息。
56.若碰撞次数达到系统设置的阈值则会根据碰撞信息建立起人脸和移动设备标识
号的对应关系。
57.(1)依次判断监测时间tj(2≤j≤n)获取的人脸，是否为在t1监测时间段内提取的人脸；
58.(2)如果在，则根据所述碰撞信息依次判断监测时间tj获取的移动设备标识号与当前人脸是否在之前记录过碰撞，若有碰撞记录，则碰撞记录次数相应的加一，并根据该次的监测时间tj更新碰撞时间，否则将该移动设备标识号新添加到碰撞信息中。
59.(3)如果不在t1内监测的人脸中，则将该人脸及与该人脸碰撞的移动设备标识号新添加到所述碰撞信息中，并记录碰撞次数及碰撞时间。
60.步骤三、碰撞分析
61.依次利用监测时间{t2,
…
,tn}获取的人脸及移动设备标识号，更新所述碰撞表，然后对所述碰撞表中各个人脸对应的移动设备标识号按照碰撞次数进行排序。
62.步骤四、设置时间阈值，提取所述碰撞表中碰撞次数为1的记录，若该记录的碰撞时间与当前时间的间隔超过时间阈值，则删除该记录。
63.步骤五、若监测时间ti(1≤i≤n)，目标区域人脸数量为1，则将该人脸与探针获取的移动设备标识号建立初步映射关系。这样就形成了局域的映射关系；
64.步骤六、根据映射关系，找出设备和人员的所有轨迹，根据弗朗明歇距离算法计算两者轨迹图。
65.设备轨迹：f:[a,b]
→v[0066]
人的轨迹：g:[a
′
,b
′
]
→v[0067]
弗朗明歇距离：δf(f,g)＝inf max{d(f(α(t)),g(β(t)))}αβt∈[0,1]
[0068]
对此数学表达式的理解是，对于每一对可能的描述函数α(t)和β(t)，我们总能找到整个运动过程中人和设备最短的最长距离，所以这个最小的距离即为弗朗明歇距离。
[0069]
可以采用递归的方法来计算离散型frechetdistance(弗朗明歇距离)。
[0070]
我们用矩阵的形式来求弗朗明歇距离的上界，也就是说两条连续曲线，找到其中的关键点作为endpoint(端点)，然后couplingdistance(耦合距离)是端点间四个点的距离。
[0071]
ca(i,j)为i，j点以及这两点之间的弗朗明歇距离。
[0072]
d(ui,vj)为i,j两点之间的欧氏距离。
[0073]
其中：ca(i,j)＝max{min(c(i-1,j),c(i-1,j-1),c(i,j-1)),d(ui,vj)}
[0074]
人和设备可以从上面三种情况到达i和j点。所以我们需要找到这三个位置最小的那一个距离与i,j点的距离进行比较，然后选择其中最大的距离作为i,j点的弗朗明歇距离。
[0075]
ca是一个矩阵，是n*m的矩阵，这里n和m是曲线1和2的集合长度，即曲线上点的个数。用于存放所有的计算结果。
[0076]
整体计算是这样：调用方法是传入的是两条曲线最后一个点的下标，然后递归调用，返回条件是一直从最后一个点的下标计算到[0]也就是第一个点。
[0077]
为了将采集到的移动设备与人脸对应，我们通过计算人脸轨迹和移动设备地址轨迹的重合程度来实现。对于集合f中的每条人脸轨迹fi，计算与集合c中每条移动设备地址轨迹cj的弗朗明歇距离，最终得到弗朗明歇距离最小的移动设备地址轨迹c，如果fi和c的
弗朗明歇距离小于设定的阈值，则判定fi和c是属于同一个人的人脸和移动设备地址，此时确定为真正的映射关系，如果大于等于阈值，则认为人脸和移动设备地址不匹配，解除上一步这种初步映射关系。遍历所有的人脸轨迹，得到所有人的人脸和移动设备地址融合数据。
[0078]
实施例2
[0079]
本实施例提供一种基于大数据碰撞检测的人员身份识别装置，包括：
[0080]
获取单元，用于获取人脸信息和移动设备地址，其中所述人脸信息和移动设备地址为在预先选取的目标区域内，选取多个监测时间点监测获得；
[0081]
建立映射关系单元，用于根据获取的人脸信息和移动设备地址，建立人脸信息和移动设备地址的初步映射关系；
[0082]
建立轨迹关系单元，用于根据所述初步映射关系，建立人脸轨迹和移动设备地址轨迹，通过弗朗明歇距离算法计算获取两者之间的轨迹图；
[0083]
计算单元，用于计算获取的人脸轨迹和移动设备地址轨迹的弗朗明歇距离，与预先设定的阈值相比较，如果弗朗明歇距离小于设定的阈值，确定为真正的映射关系，如果大于等于阈值，则人脸信息和移动设备地址不匹配，解除所述初步映射关系；
[0084]
遍历单元，用于遍历所有的人脸轨迹，得到所有人的人脸信息和移动设备地址融合数据。
[0085]
进一步的，还包括预先布置在目标区域内的人脸采集装置和探针，所述人脸采集装置用于采集所述人脸信息，所述探针用于获取并存储所述移动设备地址。
[0086]
进一步的，所述移动设备地址包括国际移动设备识别码imei、蓝牙mac、wifi mac。
[0087]
实施例3
[0088]
本实施例提供一种基于大数据碰撞检测的人员身份识别装置，包括处理器及存储介质；
[0089]
所述存储介质用于存储指令；
[0090]
所述处理器用于根据所述指令进行操作以执行上述任一项所述方法的步骤：
[0091]
获取人脸信息和移动设备地址，其中所述人脸信息和移动设备地址为在预先选取的目标区域内，选取多个监测时间点监测获得；
[0092]
根据获取的人脸信息和移动设备地址，建立人脸信息和移动设备地址的初步映射关系；
[0093]
根据所述初步映射关系，建立人脸轨迹和移动设备地址轨迹，通过弗朗明歇距离算法计算获取两者之间的轨迹图；
[0094]
计算获取的人脸轨迹和移动设备地址轨迹的弗朗明歇距离，与预先设定的阈值相比较，如果弗朗明歇距离小于设定的阈值，确定为真正的映射关系，如果大于等于阈值，则人脸信息和移动设备地址不匹配，解除所述初步映射关系；
[0095]
遍历所有的人脸轨迹，得到所有人的人脸信息和移动设备地址融合数据。
[0096]
实施例4
[0097]
本实施例提供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上述任一项所述方法的步骤：
[0098]
获取人脸信息和移动设备地址，其中所述人脸信息和移动设备地址为在预先选取的目标区域内，选取多个监测时间点监测获得；
[0099]
根据获取的人脸信息和移动设备地址，建立人脸信息和移动设备地址的初步映射关系；
[0100]
根据所述初步映射关系，建立人脸轨迹和移动设备地址轨迹，通过弗朗明歇距离算法计算获取两者之间的轨迹图；
[0101]
计算获取的人脸轨迹和移动设备地址轨迹的弗朗明歇距离，与预先设定的阈值相比较，如果弗朗明歇距离小于设定的阈值，确定为真正的映射关系，如果大于等于阈值，则人脸信息和移动设备地址不匹配，解除所述初步映射关系；
[0102]
遍历所有的人脸轨迹，得到所有人的人脸信息和移动设备地址融合数据。
[0103]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。