一种基于KM算法的图码匹配方法及系统

一种基于km算法的图码匹配方法及系统
技术领域
1.本发明涉及大数据处理领域，具体为一种基于km算法的匹配方法及系统。


背景技术：

2.随着信息化的发展，人脸识别等基于图像的身份识别算法在公共安全，智能安防和智能交通管理领域得到了广泛的应用。但是现有的人脸识别技术通常仅对人脸进行识别，由于摄像头部署角度不理想，在有遮挡和光线条件不好的情况下，无法得到人脸的高清图像，也就不能对相关人员进行有效的身份识别。
3.随着无线通信产业的发展，利用移动通信设备的设备特征码可以实现身份识别。设备特征码是指与人随行的设备相关的一个特征码，包括移动通信设备的imsi码，mac地址码等数据，设备特征码在查询用户轨迹、分析真实手机号码、定位用户位置等方面提供了重要线索，是用户通行和行为信息的重要补充数据。但当单独采集设备特征码时，只能获取行人流量、用户轨迹等信息，无法将掌握的设备特征码信息对应到具体人员，发挥的效能有限。
4.在公共安全领域，对于相关人员活动情况的掌握是非常常规以及迫切的业务需求，因此，设计一种图码匹配的系统，通过对特定区域进行监控，将采集的人脸图像数据和与之随行的设备特征码数据进行匹配分析，得到行人人脸图像、行人身上的设备特征码以及人脸图像与设备特征码的匹配关系。这样在摄像头无法获取到人脸图像信息时，可以通过分析图码匹配的数据进行相关人员的身份识别，为公安机关开展社会治安管控提供数据支持。
5.但是，传统的图码匹配方法需要进行长时间的数据采集，一方面，实时性效果不理想，需要长时间的采集人脸数据和设备特征码的数据，才能进行关联匹配分析，得到人脸与设备特征码的关联匹配结果；另一方面，没有充分的对数据进行挖掘应用。km算法是一种计算机算法，功能是求完备匹配下的最大权匹配。基于km算法的图码匹配方法能在已有的部分数据中，快速地得出较为精准的图码匹配结果，随着数据量的不断增加，通过对图码匹配关系进行分级计算，能够得到更加精确的图码匹配结果。


技术实现要素：

6.(一)解决的技术问题
7.针对现有技术的不足，本发明提供了一种基于km算法的图码匹配方法及系统，解决了传统的图码匹配方法需要进行长时间的数据采集，一方面，实时性效果不理想，需要长时间地采集人脸数据和设备特征码数据，才能进行关联匹配分析，得到人脸与设备特征码的关联匹配结果；另一方面，没有充分的对数据进行挖掘应用的问题。
8.(二)技术方案
9.为实现上述目的，本发明通过以下技术方案予以实现：一种基于km算法的图码匹配方法，包括：
10.步骤1，进行行人人脸和与之随行的设备特征码的数据采集；
11.步骤2，为人脸图像和设备特征码建立匹配关系，计算图码匹配次数；
12.步骤3，通过km算法计算得到人脸图像与设备特征码的最佳匹配集合；
13.步骤4，对最佳匹配集合进行匹配关系分级计算，得到精确匹配数据集合。
14.优选的，所述步骤2中图码匹配中的图是指人脸图像，码是指与人随行的设备相关的一个特征码，包括但不局限于移动通信设备的imsi码，mac地址码等数据。
15.优选的，所述步骤2包括：
16.步骤21，对步骤1采集到的人脸图像数据进行人脸聚类和人脸比对，将属于同一个人的图像进行归类，得到人脸图像集合x；
17.步骤22，通过步骤1得到的人脸图像采集时间，从设备特征码数据库中提取在每个人脸采集时间点前后预设时间差和前一段预设时间差的设备特征码数据，判断在人脸采集时间段的设备特征码数据是否存在于前一段预设时间差采集的设备特征码数据中，若不存在，则在新增的设备特征码集合中加入该条数据，最终在新增设备特征码集合中去除重复的设备特征码数据，得到在该人脸采集时间段的新增设备特征码集合y；
18.步骤23，将在步骤21中得到的人脸图像数据与采集人脸图像对应时间段的每个新增的设备特征码建立图码匹配关系，得到图码匹配数据集，计算图码匹配数据集中同一人和同一设备特征码的匹配关系出现的次数。
19.优选的，所述步骤22中的预设时间差一段时间是指行人离开布控范围的时间与进入布控范围的时间的时间差，需根据采集人脸和设备特征码的设备覆盖范围以及行人通过布控范围的速度确定。
20.优选的，所述步骤3中的km算法是一种基于二分图理论，求完备匹配下的最大权匹配算法。将在步骤21中得到的人脸图像集合x和在步骤22中得到的新增设备特征码集合y作为二分图的两部分顶点集，将在步骤23中得到的人脸图像与设备特征码的匹配关系次数作为二分图中该人脸图像与该设备特征码的边上的权值，通过km算法计算得到人脸图像与设备特征码的最佳匹配集合。
21.优选的，所述步骤4中匹配关系分级计算是指：遍历如步骤3所述的最佳匹配集合，若对于任意的x∈x，y∈y，匹配关系x
i-yj满足下列公式，则将匹配关系x
i-yj放入精确匹配数据集合中。
[0022][0023]
其中，x
i-yj表示人脸图像xi与设备特征码yj建立的匹配关系，n(x
i-yj)表示匹配关系x
i-yj的匹配次数，max(n(x
i-y))表示在人脸图像xi分别与新增设备特征码集合y中所有的设备特征码所构成的匹配关系集中最大的匹配次数，max(n(x-yj))表示在人脸图像集合x中所有的人脸图像分别与设备特征码yj所构成的匹配关系集中最大的匹配次数。
[0024]
一种基于km算法的图码匹配系统，包括：人脸图像数据采集模块、设备特征码数据采集模块、图码匹配模块、km算法匹配模块、匹配关系分级模块；
[0025]
所述人脸图像数据采集模块，用于采集出现在特定区域内的人脸图像，并进行人脸比对处理，将属于同一个人的图像进行归类；
[0026]
所述设备特征码数据采集模块，用于采集出现在特定区域内的设备特征码，并进行预处理；
[0027]
所述图码匹配模块，用于计算同一时间段内采集的人脸图像和新增的设备特征码的匹配关系次数；
[0028]
所述km算法匹配模块，用于利用km算法计算人脸图像数据和设备特征码数据二分图的最佳匹配；
[0029]
所述匹配关系分级模块，用于将得到的最佳匹配关系进行验证和分级，得到更精准的图码匹配关系。
[0030]
优选的，人脸图像数据采集模块和设备特征码数据采集模块分别将采集到人脸图像数据和设备特征码数据上传到数据库，图码匹配模块根据人脸图像数据和设备特征码数据的采集时间建立同一时间段内的人脸图像和设备特征码之间的匹配关系，km算法匹配模块根据图码匹配模块建立的匹配关系，利用人脸图像和设备特征码的匹配关系次数作为二分图的权值，采用km算法计算人脸图像数据和设备特征码的最佳匹配关系，最后匹配关系分级模块对km算法匹配模块计算得到的最佳匹配模块进行验证分级，得到更精准的图码匹配关系。
[0031]
(三)有益效果
[0032]
本发明提供了一种基于km算法的图码匹配方法及系统。具备以下有益效果：
[0033]
本发明，通过统计多个时间段的人脸图像和设备特征码的匹配关系次数，并将匹配关系次数作为人脸图像和设备特征码构建的二分图的权值，利用km算法得到最佳匹配关系。此方法能在仅有部分数据的情况下，快速准确地得到最佳的图码匹配关系，并且在实际应用中，算法复杂度较低，能够极大的节省计算资源开销，除此之外，在数据量到达一定规模后，通过对图码匹配关系进行分级计算，能够得到更加精确的图码匹配关系。从而可以实现人脸与身上的设备特征码的准确匹配，极大丰富和补充了同一人的活动数据，以形成对相关人员后续活动情况的预判，大大提升了图码匹配数据的应用价值。
附图说明
[0034]
图1为本发明所提出的一种基于km算法的图码匹配方法的流程图；
[0035]
图2为本发明所提出的一种基于km算法的图码匹配系统的硬件组成结构图；
[0036]
图3为本发明所提出的一种基于km算法的图码匹配方法的人脸图像和imsi码的带权二分图；
[0037]
图4为本发明所提出的一种基于km算法的图码匹配系统的结构图。
具体实施方式
[0038]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
实施例：
[0040]
如图1所示，本发明实施例提供一种基于km算法的图码匹配方法，包括以下具体步
骤：
[0041]
步骤1，进行行人人脸和与之随行的设备特征码的数据采集，其中人脸图像采集设备主要采用tl-ipc44aw高清摄像头进行采集，设备特征码主要采用sm770-wl型采码设备进行采集，并分别记录采集数据的时间，并且硬件组成结构如图2所示，摄像头和采码设备分别将采集的人脸图片数据和设备特征码通过微处理器上传至云端数据库，微处理器包括但不限于树莓派、单片机等设备。
[0042]
步骤2，为人脸图像和设备特征码建立匹配关系，计算图码匹配次数；
[0043]
步骤3，通过km算法得到人脸图像与设备特征码的最佳匹配集合；
[0044]
步骤4，对最佳匹配集合进行匹配关系分级计算，得到精确匹配数据集合。
[0045]
所述步骤2中图码匹配中的图是指人脸图像，码是指与人随行的设备相关的一个特征码，包括但不局限于移动通信设备的imsi码，mac地址码等数据，图码匹配是指将一个人的人脸图像与这个人随行的设备特征码建立匹配关系。
[0046]
所述步骤2，包括：
[0047]
步骤21，对步骤1采集到的人脸图像数据进行人脸聚类和人脸比对，将属于同一个人的图像进行归类，得到人脸图像集合x；
[0048]
步骤22，通过步骤1得到的人脸图像采集时间，从设备特征码数据库中提取在每个人脸采集时间点前后预设时间差和前一段预设时间差的设备特征码数据，判断在人脸采集时间段的设备特征码数据是否存在于前一段预设时间差采集的设备特征码数据中，若不存在，则在新增的设备特征码集合中加入该条数据，最终在新增设备特征码集合中去除重复的设备特征码数据，得到在该人脸采集时间段的新增设备特征码集合y；
[0049]
步骤23，将在步骤21中得到的人脸图像数据与采集人脸图像对应时间段的每个新增的设备特征码建立图码匹配关系，得到图码匹配数据集，计算图码匹配数据集中同一人和同一设备特征码的匹配关系出现的次数。
[0050]
所述步骤22中预设时间差是指行人离开布控范围的时间与进入布控范围时间的时间差，需根据采集人脸和设备特征码的设备覆盖范围和人通过布控范围的速度确定。
[0051]
所述步骤3中的km算法是一种基于二分图理论，求完备匹配下的最大权匹配算法。将在步骤21中得到的人脸图像集合x和在步骤22中得到的新增设备特征码数据集合y作为二分图的两部分顶点集，将在步骤23中得到的人脸图像与设备特征码的匹配关系次数作为二分图中该人脸图像与该设备特征码的边上的权值，通过km算法运算得到人脸图像与设备特征码的最佳匹配集合。
[0052]
以表1数据为例，xi代表第i个人脸图像数据，yj代表第j个设备特征码数据，表中的数字代表人脸图像与设备特征码的匹配关系次数。
[0053]
表1人脸图像与设备特征码的匹配次数
[0054][0055]
图3为根据表1数据生成的人脸图像和设备特征码的带权二分图，二分图的左边顶点代表人脸图像x1、x2、x3，右边顶点代表设备特征码y1、y2、y3，二分图中左边顶点与右边顶点连接的边的权重为人脸图像与设备特征码的匹配次数，顶点旁边的数字为该顶点的顶标值。在进行km匹配前要初始化每个顶点的顶标值，将人脸图像顶点，也就是左边的顶点的权重最大值作为左边顶点的顶标值，将设备特征码顶点，也就是右边顶点的顶标值均设置为0。
[0056]
km匹配的原则是匹配边上的权值等于两匹配顶点的顶标之和，若在匹配过程中发生匹配冲突且无法通过换边来解决匹配冲突，就将发生冲突的左边顶点的顶标值减1，将发生冲突的右边顶点的顶标值加1。
[0057]
从顶点x1开始进行km匹配，满足匹配原则的只有顶点x1和顶点y3的边满足条件，接着再匹配顶点x2，根据匹配原则，顶点x2应与顶点y3匹配，但是顶点y3已经与顶点x1建立匹配，此时顶点x1、x2和y3发生了匹配冲突，将左边顶点x1、x2的顶标值减1，将右边顶点y3的顶标值加1，完成这个操作后，顶点x1、x2、y3的顶标值分别为3、2、1。
[0058]
修改顶标值后，继续进行匹配，顶点x1修改了顶标值，要重新确定匹配边，此时顶点x1可与顶点y1和顶点y3建立匹配，先让顶点x1与顶点y1建立匹配，接着再匹配顶点x2，根据匹配原则，顶点x2应与顶点y1匹配，但是顶点y1已经与顶点x1建立匹配，顶点x1、x2和y1发生了匹配冲突，但此时顶点x1可以换一条边，与顶点y3匹配；接着再匹配顶点x2，顶点x2可与顶点y1建立匹配；接着再匹配顶点x3，顶点x3的顶标值为5，根据匹配原则，无法与右边顶点建立匹配，将顶点x3的顶标值减1，顶点x3与顶点y3建立匹配，但顶点y3已与顶点x1建立匹配，此时顶点x1、x2、x3、y1和y3发生了匹配冲突且无法通过换边匹配解决，将左边顶点x1、x2、x3的顶标值减1，将右边顶点y1、y3加1，完成这个操作后，顶点x1、x2、x3、y1、y3的顶标值分别为2、1、3、1、2。
[0059]
修改顶标值后，继续进行修改顶标值的顶点的匹配，此时顶点x1可与顶点y1和顶点y3建立匹配，先让顶点x1与顶点y3建立匹配，顶点x2无论与顶点y1建立匹配，还是与顶点y2建立匹配，在匹配顶点x3的时候，都会出现匹配冲突，只有让顶点x1换边匹配，与顶点y1建立匹配；接着再匹配顶点x2，顶点x2可与顶点y2建立匹配；接着再匹配顶点x3，顶点x3可与顶点y3建立匹配，此时已经完成了所有顶点的匹配，顶点x1、x2、x3、y1、y2、y3的顶标值分别为2、1、3、1、0、2，建立的匹配关系为：顶点x1匹配顶点y1，顶点x2匹配顶点y2，顶点x3匹配顶点y3。最后通过这种方式得到的匹配关系即为最佳匹配集合，为{x
1-y1,x
2-y2,x
3-y3}。
[0060]
所述步骤4中匹配关系分级计算是指：遍历步骤3所述的最佳匹配集合，若对于任意的x∈x，y∈y，匹配关系x
i-yj满足下列公式，则将匹配关系x
i-yj放入精确匹配数据集中。
[0061][0062]
其中，x
i-yj表示人脸图像xi与设备特征码yj建立的匹配关系，n(x
i-yj)表示匹配关系x
i-yj的匹配次数，max(n(x
i-y))表示在人脸图像xi分别与新增设备特征码集合y中所有的设备特征码所构成的匹配关系集中最大的匹配次数，max(n(x-yj))表示在人脸图像集合x中所有的人脸图像分别与设备特征码yj所构成的匹配关系集中最大的匹配次数。
[0063]
相应于上面的方法实施例，本发明提供一种基于km算法的图码匹配系统，如图4所示，系统包括：人脸图像数据采集模块、设备特征码数据采集模块、图码匹配模块、km算法匹配模块、匹配关系分级模块；
[0064]
所述人脸图像数据采集模块，用于采集出现在特定区域内的人脸图像，并进行人脸比对处理，将属于同一个人的图像进行归类；
[0065]
所述设备特征码数据采集模块，用于采集出现在特定区域内的设备特征码，并进行预处理；
[0066]
所述图码匹配模块，用于计算同一时间段内采集的人脸图像和新增的设备特征码的匹配关系次数；
[0067]
所述km算法匹配模块，用于利用km算法计算人脸图像数据和设备特征码数据二分图的最佳匹配；
[0068]
所述匹配关系分级模块，用于将得到的最佳匹配关系进行验证和分级，得到更精准的图码匹配关系。
[0069]
所述人脸图像数据采集模块和设备特征码数据采集模块分别将采集到人脸图像数据和设备特征码数据上传到数据库，所述图码匹配模块根据人脸图像数据和设备特征码数据的采集时间建立同一时间段内的人脸图像和设备特征码之间的匹配关系，所述km算法匹配模块根据图码匹配模块建立的匹配关系，利用人脸图像和设备特征码的匹配关系次数作为二分图的权值，采用km算法计算人脸图像数据和设备特征码的最佳匹配关系，最后匹配关系分级模块对km算法匹配模块计算得到的最佳匹配模块进行验证分级，得到更精准的图码匹配关系。
[0070]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。