人员识别方法及相关设备与流程

1.本发明涉及社区管理领域，尤其涉及一种人员识别方法及相关设备。


背景技术：

2.随着城市的发展，以社区为人口单元化对城市进行管理可以有效降低城市人口管理的难度，对于社区的安全管理人员来说，落实社区居民的职业身份信息能够进一步降低管理难度，从而提高管理效率。家庭主妇(也可以称为全职太太)指的是年龄在20至60岁不上班在家照顾家庭的居家女性，由于电信网络的发展，利用电信网络实施违法行为会将目标选定为有较多时间接触电信网络的人群，比如家庭主妇人群往往成为电信网络违法行为的受害对象，这需要社区的安全管理人员进行针对性宣传。然而，现有的识别社区中的家庭主妇的主要方法是基于人工问询及登记，费时费力，每次更新时都需要重新问询及登记，因此，现有社区管理中存在家庭主妇识别效率低的问题。


技术实现要素：

3.本发明实施例提供一种人员识别方法，通过将预设年龄段的女性人员作为目标人员，从目标人员的抓拍档案中提取出目标人员对应的特征向量，将特征向量输入到预先训练好的分类模型中进行处理，判断目标人员是否为居家人员，在目标人员为居家人员的情况下，获取目标人员的图像信息进一步识别目标人员否为家庭主妇，不需要人工问询及登记，提高了家庭主妇的识别效率，同时，由于是从抓拍档案中提取目标人员对应的特征向量来进行家庭主妇的识别，避免了目标人员提供不真实信息的情况，提高了家庭主妇的识别准确性。
4.第一方面，本发明实施例提供一种人员识别方法，所述人员识别方法包括：
5.获取目标人员的抓拍档案，按预设提取方法从所述目标人员的抓拍档案中提取所述目标人员在工作日的特征矩阵，所述目标人员的抓拍档案为所述目标人员在第一目标区域中的抓拍档案，所述目标人员为预设年龄段的女性人员；
6.将所述特征矩阵输入到预先训练好的分类模型中进行处理，得到所述特征矩阵的分类结果，所述分类模型通过第二目标区域中居家人员对应的特征矩阵进行训练得到，所述第二目标区域包括所述第一目标区域；
7.根据所述特征矩阵的分类结果，识别所述目标人员是否为家庭主妇。
8.可选的，所述特征矩阵包括目标人员的特征向量，所述特征向量通过不同类型的子特征向量构成，每个子特征向量对应一项提取方法，所述按预设提取方法从所述抓拍档案中提取所述目标人员对应的特征向量，包括：
9.根据各个提取方法从所述抓拍档案中提取所述目标人员的子特征向量；
10.将所述目标人员的子特征向量按预设的顺序进行拼接，得到所述目标人员对应的特征向量；
11.根据所述目标人员对应的特征向量，构建所述目标人员的特征矩阵。
12.可选的，所述根据所述特征向量的分类结果，识别所述目标人员是否为家庭主妇，包括：
13.若所述特征矩阵的分类结果为居家人员，则从所述目标人员的抓拍档案中提取所述目标人员对应的行为信息，所述目标人员对应的行为信息是根据所述目标人员对应的图像信息提取得到；
14.根据所述行为信息识别所述目标人员是否为家庭主妇。
15.可选的，所述根据所述目标人员对应的图像信息提取得到所述目标人员对应的行为信息，包括：
16.从所述目标人员的抓拍档案中提取所述目标人员对应的图像信息，并对所述目标人员对应的图像信息进行行为检测，所述行为检测所检测的行为包括买菜和带孩子中至少一项行为；
17.所述根据所述行为信息识别所述目标人员是否为家庭主妇，包括：
18.若检测到所述目标人员对应的图像信息中存在买菜行为和带孩子行为中至少一项时，则根据所述买菜和带孩子中至少一项行为识别所述目标人员是否为家庭主妇。
19.可选的，所述对所述目标人员对应的图像信息进行行为检测，包括：
20.对所述目标人员对应的图像信息进行人脸检测和人体检测，得到人脸检测框与人体检测框；
21.将所述人脸检测框与所述人体检测框进行匹配，并通过人脸检测框中的人脸图像确定所述目标人员的人体检测框；
22.对所述目标人员的人体检测框中的人体图像进行行为检测，所述行为检测所检测的行为包括买菜行为和带孩子行为。
23.可选的，所述对所述目标人员的人体检测框中的人体图像进行行为检测，包括：
24.对所述目标人员的人体检测框在预设方向上进行扩展，得到扩展后的人体检测框；
25.对所述扩展后的人体检测框中的人体图像进行行为检测。
26.可选的，所述根据所述买菜和带孩子中至少一项行为识别所述目标人员是否为家庭主妇，包括：
27.计算所述目标人员存在所述买菜和带孩子中至少一项行为的抓拍天数与所述目标人员的总抓拍天数的天数比例；
28.根据所述天数比例识别所述目标人员是否为家庭主妇。
29.第二方面，本发明实施例提供一种人员识别装置，所述装置包括：
30.第一获取模块，用于获取目标人员的抓拍档案，按预设提取方法从所述目标人员的抓拍档案中提取所述目标人员在工作日的特征矩阵，所述目标人员的抓拍档案为所述目标人员在第一目标区域中的抓拍档案，所述目标人员为预设年龄段的女性人员；
31.处理模块，用于将所述特征矩阵输入到预先训练好的分类模型中进行处理，得到所述特征矩阵的分类结果，所述分类模型通过第二目标区域中常住人员对应的特征矩阵进行训练得到，所述第二目标区域包括所述第一目标区域；
32.识别模块，用于若所述特征矩阵的分类结果为居家人员，则从所述目标人员的抓拍档案中提取所述目标人员对应的图像信息，并根据所述图像信息识别所述目标人员是否
为家庭主妇。
33.第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的人员识别方法中的步骤。
34.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的人员识别方法中的步骤。
35.本发明实施例中，获取目标人员的抓拍档案，按预设提取方法从所述目标人员的抓拍档案中提取所述目标人员对应的特征矩阵，所述目标人员的抓拍档案为所述目标人员在第一目标区域中的抓拍档案，所述目标人员为预设年龄段的女性人员；将所述特征矩阵输入到预先训练好的分类模型中进行处理，得到所述特征矩阵的分类结果，所述分类模型通过第二目标区域中居家人员对应的特征矩阵进行训练得到，所述第二目标区域包括所述第一目标区域；根据所述特征矩阵的分类结果，识别所述目标人员是否为家庭主妇。通过将预设年龄段的女性人员作为目标人员，从目标人员的抓拍档案中提取出目标人员对应的特征矩阵，将特征矩阵输入到预先训练好的分类模型中进行处理，判断目标人员是否为居家人员，不需要人工问询及登记，提高了家庭主妇的识别效率，同时，由于是从抓拍档案中提取目标人员对应的特征矩阵来进行家庭主妇的识别，避免了目标人员提供不真实信息的情况，提高了家庭主妇的识别准确性。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明实施例提供的一种人员识别方法的流程示意图；
38.图2是本发明实施例提供的一种人脸人体匹配的示意图；
39.图3是本发明实施例提供的一种人脸人体匹配的流程图；
40.图4是本发明实施例提供的一种人体检测框扩展的示意图；
41.图5是本发明实施例提供的一种人员识别装置的结构示意图；
42.图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
43.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作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。
44.请参见图1，图1是本发明实施例提供的一种人员识别方法的流程图，如图1所示，该人员识别方法用于家庭主妇的识别，包括：
45.101、获取目标人员的抓拍档案，按预设提取方法从目标人员的抓拍档案中提取所
述目标人员在工作日的特征矩阵。
46.上述目标人员的抓拍档案为目标人员在第一目标区域中的抓拍档案。上述第一目标区域可以是一个社区或多个社区所在的区域，进一步的，在第一目标区域的不同位置安装有前端采集设备，前端采集设备用于采集对应监控区域的图像，从采集到的图像中提取得到被抓拍人员的人像抓拍信息，这样，则可以通过第一目标区域不同位置的前端采集设备在各时间点采集到不同被抓拍人员的具有时间属性的人像抓拍信息，由于不同前端采集设备安装在不同的位置，因此，不同前端采集设备具有不同的空间位置属性，这样，前端采集设备积累一定时间跨度时，采集到的人像数据就有了时间和空间属性。目标人员可以是一个或多个被抓拍人员，目标人员为预设年龄段的女性人员，目标人员可以由用户进行指定的预设年龄段的女性人员，也可以是定期将没有确定为家庭主妇的预设年龄段的女性人员的被抓拍人员确定为目标人员。其中，预设年龄段可以是20至60岁。
47.上述抓拍档案是从前端采集设备采集到的第一目标区域中各个监控区域的图像提取到的被抓拍人员的人像抓拍信息，人像抓拍信息可以包括被抓拍人员的身份信息、抓拍地点、抓拍时间以及抓拍图像，其中，身份信息可以通过人脸特征比对的方法在身份底库中获取，身份信息可以包括年龄信息和性别信息，抓拍地点可以是前端采集设备的安装位置，抓拍时间是被抓拍到的时间，抓拍图像可以包括原始抓拍图像以及人脸图像和人体图像，其中原始抓拍图像也可以称为人像大图，人像大图中可以包括多个被抓拍人员，人脸图像只包括对应的被抓拍人员的人脸，人体图像只包括对应的被抓拍人员的人体，被抓拍人员的人脸图像和人体图像可以通过从原始抓拍图像中进行人脸检测和人体检测来提取得到的。
48.可选的，可以对目标人员对应的图像信息进行人脸检测和人体检测，得到人脸检测框与人体检测框；将人脸检测框与人体检测框进行匹配，并通过人脸检测框中的人脸图像确定目标人员的人体检测框。
49.在本发明实施例中，图像信息可以是前端采集设备的人像大图，前端采集设备的人像大图中可能会出现多个人员，人脸框和人体框的检测任务是独立完成的；再加上当前一人一档的抓拍档案主要通过人脸特征进行聚档，因此需要将人脸和人体进行对应匹配，即将人员档案与人脸、人体关联起来。本发明实施例提出了一种人脸人体的快速匹配流程，可将人脸人体快速关联起来。具体的，请参考图2，图2是本发明实施例提供的一种人脸人体匹配的示意图，如图2所示，通过图像检测技术在人像大图中对人脸和人体分别进行检测，得到人脸检测框与人体检测框，将人像大图中目标人员的单张人脸检测框的坐标与整个人像大图中的所有检测到的人体检测框坐标进行匹配，当人脸检测框与人体检测框的比值(也称头身比)小于预设的阈值α时，确定对应的人脸检测框与人体检测框匹配。在一种可能的实施例中，当人脸检测框的高度比人体检测框高度的比值小于预设的阈值第一阈值α，且人脸检测框与人体检测框的上下间隔比例也小于预设的第二阈值β时，确定对应的人脸检测框与人体检测框匹配。或者当人脸检测框与人体检测框的比值大于预设的阈值α时，确定对应的人脸检测框与人体检测框匹配。
50.具体的，请参考图3，图3是本发明实施例提供的一种人脸人体匹配的流程图，在图3中，将待匹配人脸框(待匹配人脸检测框)和同一张人像大图中所有人体框(人体检测框)；判断是否存在人体框包含人脸框；若不存在人体框包含人脸框，则返回空；若存在人体框包
含人脸框，则计算头身比r1，上下间隔比r2；判断是否只有一个人体框包含人脸框；若只有一个人体框包含人脸框，则判断是否满足设定条件，设定条件为：若头身比r1≤α时，上下间隔比 r2＜β，或者若头身比r1＞α时，上下间隔比r2不做要求；若不满足设定条件，则返回空；若满足设定条件，则返回匹配上的人体框；若不只有一个人体框包含人脸框，则选择上下间隔比r2最接近0.1的人体框；判断上下间隔比r2最接近0.1的人体框是否满足设定条件；若上下间隔比r2最接近0.1的人体框不满足设定条件，则返回空；若上下间隔比r2最接近0.1的人体框满足设定条件，则返回匹配上的人体框。
51.可选的，可以获取第一目标区域的人像抓拍信息；根据第一目标区域的人像抓拍信息，为被抓拍人员建立对应的抓拍档案。具体的可以从第一目标区域所有被抓拍人员的图像提取出被抓拍人员的人像抓拍信息，并根据一人一档的建档规则为每个被抓拍人员建立抓拍档案。通过为不同被抓拍人员建立抓拍档案，可将同一个被抓拍人员的所有人像抓拍信息汇聚到同一个抓拍档案中，形成每个被抓拍人员在不同地点位置和时间被前端设备采集到的时空数据信息。
52.进一步的，可以利用人像特征将同一个被抓拍人员的所有人像抓拍信息聚集在同一个抓拍档案，不同被抓拍人员的人像抓拍信息聚集在不同的抓拍档案，不同被抓拍人员的抓拍档案可以设置不同的档案标识，便于抓拍档案的管理以及搜索，档案标识可以是档案id，也可以是该档案对应的被抓拍人员的人脸特征值。
53.需要说明的是，由于抓拍档案中包括对应被抓拍人员在不同地点位置和时间被前端设备采集到的时空数据信息，因此，抓拍档案具有时空维度上的属性，因此，从目标人员的抓拍档案中提取出的特征矩阵也具有一定的时空属性。
54.上述预设的提取方法可以是将抓拍档案中的被抓拍人员的身份信息、抓拍地点、抓拍时间以及抓拍图像作为特征进行提取，得到基于抓拍档案的特征矩阵，也可以是对抓拍档案中的人像抓拍信息进行规律分析，基于规律分析的结果对抓拍档案进行特征提取，得到基于规律的特征向量，再根据基于规律的特征向量构建对应的特征矩阵。
55.上述特征矩阵由目标人中员的特征向量构成，上述特征矩阵可以是一个 n
×
m的矩阵，n表示目标人员的数量，m表示一个目标人员对应的特征向量的维度为m。
56.需要说明的是，在本发明实施例中，是通过抓拍档案识别对应的目标人员是否为社区家庭主妇，也即是识别目标人员是否为居住在第一目标区域的家庭主妇，家庭主妇指的是年龄在20至60岁不上班在家照顾家庭的居家女性，目标人员的年龄和性别可以通过人像抓拍信息中的被抓拍人员的身份信息得到，身份信息可以通过人脸特征比对的方法在身份底库中获取，身份信息可以包括年龄信息和性别信息。
57.在本发明实施例中，家庭主妇为居家人员(非上班人员)，因此可以通过识别目标人员是否为居家人员来识别目标人员是否为家庭主妇。特征矩阵可以是利用目标人员在工作日的时空数据(抓拍档案)进行提取得到，非工作日在活动规律上区分上班人员和居家人员是很困难的，上班人员或居家人员在非工作日的出行规律上差异性不大。
58.可选的，特征矩阵包括目标人员的特征向量，所述特征向量通过不同类型的子特征向量构成，每个子特征向量对应一项提取方法，可以根据各个提取方法从所述抓拍档案中提取所述目标人员的子特征向量；将所述目标人员的子特征向量按预设的顺序进行拼接，得到所述目标人员对应的特征向量；根据所述目标人员对应的特征向量，构建所述目标
人员的特征矩阵。多个维度的特征(多个类型子特征向量)可有效表达社区上班人员和居家人员的活动规律特性，并通过这些维度的活动规律特征将社区的所有人员区分为上班人员和居家人员。
59.在基于抓拍档案的特征向量中，子特征向量可以是身份信息、抓拍地点、抓拍时间以及抓拍图像对应的子特征向量，具体的，各子特征向量的提取方法可以从抓拍档案中提取身份信息编码成为身份特征向量x，从抓拍档案中提取出抓拍地点编码成为地点特征向量d，从抓拍档案中提取出抓拍时间编码成为时间特征向量t，从抓拍档案中抓拍图像中提取出同行人员特征向量s等，将身份特征向量、地点特征向量、时间特征向量、同行人员特征向量依次拼接，得到特征向量(x，d，t，s)，根据特征向量(x，d，t，s)构建特征矩阵 n
×
(x，d，t，s)。
60.可选的，在本发明实施例中，特征矩阵优选为基于规律的特征矩阵。具体的，获取第一目标区域或第二目标区域中居家人员的抓拍档案与上班的抓拍档案；根据居家人员的抓拍档案与上班人员的抓拍档案，对第一目标区域或第二目标区域中居家人员的活动规律与上班人员的活动规律进行对比分析；根据对比分析的结果，确定居家人员的活动规律类型；基于居家人员的活动规律类型确定所需的子特征向量类型，以及根据居家人员的活动规律类型确定各类型子特征向量的提取方法。
61.上述第一目标区域可以是一个社区或多个社区所在的区域，上述第二目标区域可以与第一目标区域具有某些相同属性的区域，比如，上述第一目标区域为是一个南方的社区，则第二目标区域为所有南方的社区，第一目标区域的前端采集设备为深度摄像头，则第二目标区域为前端采集设备为深度摄像头的所有社区。
62.需要说明的是，本发明实施例中，会为所有被抓拍人员建立一人一档的抓拍档案，因此，不仅居家人员有对应的抓拍档案，上班人员也会有对应的抓拍档案。
63.上述根据居家人员的抓拍档案与上班人员的抓拍档案，对第一目标区域或第二目标区域中居家人员的活动规律与上班人员的活动规律进行对比分析，可以是采用专家研判，也可以采用大数据分析，从而提取居家人员的活动规律和上班人员的活动规律。可以理解的是，社区的居家人员和社区的上班人员在工作日出入社区的日常行为上是存在一定的差异性的，社区的居家人员工作日在社区内的活动规律上具有一定的共性，如工作日在社区内出现天数、出现次数、出现的摄像头偏好、频繁出现的时间点等存在一定的相似性和聚集性，同时与上班人员存在着明显区别。
64.可以通过专家来对应社区居家人员和上班人员的活动规律特征进行归纳整理，得到居家人员的活动规律和上班人员的活动规律。
65.也可以通过大数据分析，提取居家人员群体在社区内的活动规律共性，以及上班人员群体在活动规律在社区内的活动规律共性，再提取居家人员群体在社区内的活动规律与上班人员群体在活动规律在社区内的活动规律两者间的不同作为特性，从而剔除居家人员与上班人员相同类型的活动规律，得到居家人员的活动规律类型。
66.还可以对居家人员和上班人员设置不同类型的活动规律，通过聚类算法，计算居家人员在哪些类型的活动规律方向上聚集，上班人员在哪些类型的活动规律方向上聚集，从而确定居家人员的活动规律类型。
67.在本发明实施例中，上述居家人员的活动规律与上班人员的活动规律的区别可以
体现在分时区抓拍占比、分时区抓拍数、前端采集设备分布、抓拍总数、时间离散程度、空间离散程度等方向，具体的，上述各个活动规律类型对应的子特征向量的提取方法可以如下述表1所示：
68.表1
[0069][0070][0071]
在上述表1中，居家人员的活动规律类型为[17,24)点抓拍占比、[10,17) 点抓拍占比、[5,10)点抓拍占比、[17,24)点抓拍数、[10,17)点抓拍数、[5,10)点抓拍数、[5,10)点的抓拍中是外出社区的占比、[17,24)点抓拍中是进入社区的占比、平均每天被多少个前端采集设备抓拍到、所有抓拍中前端采集设备数量、抓拍总数、抓拍时间维度的分散程度(kl散度)、抓拍地点维度的分散程度(kl 散度)总共13个活动规律类型，对应13个子特征向量以及提取方法，此时，基于表1，目标人员的特征向量的维度为13，在本发明实施例中，还可以再加上年龄这一子特征向量，则目标人员的特征向量的维度为14。
[0072]
102、将特征矩阵输入到预先训练好的分类模型中进行处理，得到特征矩阵的分类结果。
[0073]
在本发明实施例中，分类模型通过第二目标区域中居家人员对应的特征矩阵进行训练得到，第二目标区域包括第一目标区域。当然，上述第二目标区域也可以是第一目标区域。上述第二目标区域可以与第一目标区域具有某些相同属性的区域，比如，上述第一目标区域为是一个南方的社区，则第二目标区域为所有南方的社区，第一目标区域的前端采集设备为深度摄像头，则第二目标区域为前端采集设备为深度摄像头的所有社区。
[0074]
上述分类模型用于对目标人员进行分类，根据目标人员的特征向量，将目标人员预测为居家人员或上班人员。
[0075]
可选的，可以根据第一目标区域或第二目标区域的居家人员数量，构建对应的分类模型；根据第二目标区域中居家人员对应的特征矩阵以及居家人员标签，构建用于训练的数据集；通过数据集对构建好的分类模型进行训练，得到训练好的分类模型。
[0076]
上述第一目标区域可以为需要进行人员识别的当前社区，上述第二目标区域可以为与当前社区具有相同属性的多个社区，分类模型可根据实际情况选择相应的分类模型，比如可以参考标签数量的大小。当社区已登记到的居家人员和上班人员数据量较多时，可以构建基于传统的机器学习模型作为分类模型，如随机森林、支持向量机等机器学习模型；当已登记的标签数据量较少时，可以构建基于半监督方法或基于聚类方法的模型作为分类模型，如基于标签传播算法的半监督分类模型或基于k－means的聚类模型。
[0077]
在本发明实施例中，考虑不同地区在活动规律上会存在一定的差异，如北方和南方的社区，居家人员在出行上可能存在一定差异，尤其存在季节性的影响，按不同社区利用该社区已有登记的标签信息，去学习当前地区社区的共性和特性，可以使得分类模型在识别的准确率上得到进一步的提高。同时考虑不同社区在前端采集设备的安装上很可能存在较大差异，所以很难学习到一个考虑方方面面的高鲁棒性的分类模型，本发明实施例中分不同社区去对分类模型进行训练后，再对各个社区中的被抓拍人员进行预测，可有效避免前端采集设备的差异性，使得分类模型更有针对性的去学习到当前社区固有的特性。
[0078]
上述分类模型可以是二分类模型，二分类模型用于将被抓拍人员识别为居家人员或上班人员两种类别。训练好的二分类模型记作f(
·
)，则有如下数学函数表达式关系：
[0079]
y＝f(x)
[0080]
其中x表示提取的活动规律特征，为一个n
×
m的矩阵，n表示目标人员的数量，m表示基于活动规律的特征矩阵，本发明实施例中以14维的特征向量，故此处的m取值可以为14。y为二分类模型输出结果，取值范围为只有2 个值的离散数值，可分别表示为居家人员或上班人员中的其一，如y取值定义为0和1，1表示居家人员，0表示上班人员，y的结果就是一个取值只有0 和1的n维向量，表达了这n个人员档案是居家人员还是上班人员。
[0081]
二分类模型f(
·
)在实际使用之前需要进行训练，得到训练好的二分类模型的具体参数，训练过程需要先标记一定数量的居家人员与上班人员的标签数据，标签数据为y
*
，再提取这些具有标签数据的居家人员与上班人员的特征向量，以上述m维的特征向量来说，便可得到n
×
m的特征矩阵x
*
。将特征矩阵x
*
输入到构建好的二分类模型中，得到二分类模型的输出y，计算输出输出y与标签数据为y
*
的误差，以误差损失最小为目标进行迭代训练，直到二分类模型收敛或达到预设次数，得到训练好的二分类模型。
[0082]
特征矩阵n
×
m输入到分类模型后，分类模型会输出对应的分类结果，分类结果可以是(z1，z2，
…
zn)，z1表示第1个目标人员的分类结果，z2表示第2个目标人员的分类结果，zn表示第n个目标人员的分类结果。当前，在只有一个目标人员的情况下(n＝1)，分类结果输出z1。
[0083]
103、根据特征矩阵的分类结果，识别目标人员是否为家庭主妇。
[0084]
将第一目标区域中目标人员的特征矩阵n
×
m输入到分类模型后，分类模型会输出对应的分类结果，分类结果可以是(z1，z2，
…
zn)，z1表示第1个目标人员的分类结果，若z1＝1，则说明第1个目标人员为第一目标区域的居家人员，若z1＝0，则说明第1个目标人员为第一目标区域的上班人员，z2表示第2个目标人员的分类结果，若z2＝1，则说明第2个目标人员为第一目标区域的居家人员，若z2＝0，则说明第2个目标人员为第一目标区域的上班人员，zn表示第n个目标人员的分类结果，若zn＝1，则说明第n个目标人员为第一目标区域的居家人员，若zn＝0，则说明第n个目标人员为第一目标区域的上班人员。
[0085]
可选的，若所述特征矩阵的分类结果为居家人员，或者说若目标人员的特征向量的分类结果为居家人员，则从目标人员的抓拍档案中提取目标人员对应的行为信息，目标人员对应的行为信息是根据目标人员对应的图像信息提取得到；根据行为信息识别目标人员是否为家庭主妇。
[0086]
上述行为信息可以为家庭主妇特有的行为，比如带孩子、买菜、在社区聊天等行为。
[0087]
可选的，从目标人员的抓拍档案中提取目标人员对应的图像信息，并对目标人员对应的图像信息进行行为检测，行为检测所检测的行为包括买菜和带孩子中至少一项行为；若检测到目标人员对应的图像信息中存在买菜行为和带孩子行为中至少一项时，则根据买菜和带孩子中至少一项行为识别目标人员是否为家庭主妇。
[0088]
在本发明实施例中，图像信息可以是前端采集设备的人像大图，通过上述人脸人体的匹配过程后，输出匹配上的人脸检测框和人体检测检测框数据，即此时有前端采集设备的抓拍到的人像大图以及里面匹配上了的人脸检测框和人体检测框的坐标，也就有了每个被抓拍人员档案在相应人像大图的坐标位置，该坐标位置为其整个人体检测框的坐标位置。
[0089]
可选的，可以对目标人员对应的图像信息进行人脸检测和人体检测，得到人脸检测框与人体检测框；将人脸检测框与人体检测框进行匹配，并通过人脸检测框中的人脸图像确定目标人员的人体检测框；对目标人员的人体检测框中的人体图像进行行为检测，所述行为检测所检测的行为包括买菜行为和带孩子行为。
[0090]
具体的，可以可以通过一个分类模型，对目标人员对应的图像信息进行行为检测。分类模型可以通过下述式子进行表达：
[0091]
y`＝f`(x`)
[0092]
其中，x`为模型的输入，为人体检测框中的图像，y`为模型输出结果，是否有买菜或带小孩行为发生。具体而言，本发明的二分类模型f`(
·
)采用深度卷积网络结构可以是resnet50网络结构。通过标注一定量的有买菜或带小孩行为发生的图像为正样本，和没有买菜也没有带小孩的图片作为负样本进行训练，得到resnet50分类模型参数，从而进行对其他所有图片进行预测。
[0093]
可选的，可以对目标人员的人体检测框在预设方向上进行扩展，得到扩展后的人体检测框；对扩展后的人体检测框中的人体图像进行行为检测。上述对人体检测框在预设方向上进行扩展可以理解为是对人体检测框的预处理，预设方向可以是人体检测框的两侧。由于增加了人体检测框在预设方向上进行扩展这个一个预处理过程，相较于直接输入人体检测框中的图像所取得分类效果要好。因为有买菜或带小孩行为发生时，会有相应的视觉表征发生在人体的附近，单只使用人体框的图像并不能很好的学习到，如提着装有食材的袋子、牵着小孩，在视觉的表征上往往会超出人体框区域。将发明实施例可以将原有人体框通过一定的阈值比例γ进行左右扩展，即在原人体框上分别向左右扩展一定比例，得到一个以原人体框为中心的更大的区域作为输入，提高了分类的准确性，从而提高行为检测的准确性。对人体检测框的扩展可以如图4所示。
[0094]
可选的，可以计算目标人员存在买菜和带孩子中至少一项行为的抓拍天数与所述目标人员的总抓拍天数的天数比例；根据天数比例识别目标人员是否为家庭主妇。在目标
人员存在买菜和带孩子中至少一项行为的抓拍天数与所述目标人员的总抓拍天数的天数比例大于一定值时，说明目标人员存在买菜和带孩子中至少一项行为的发生次数较多，符合家庭主妇的特点，因此，可以更准确的识别目标人员是否为家庭主妇。
[0095]
具体的，计算目标人员的抓拍档案中有买菜或带小孩行为发生的天数t
*
，以及目标人员的被抓拍到的总天数t，当t
*
/t的值超过预设的阈值δ时，则判定为家庭主妇。具体计算方式如下：
[0096][0097]
最终结果判断方式：
[0098]
当δ
*
》δ时，该目标人员被识别为家庭主妇；
[0099]
当δ
*
≤δ时，该目标人员被识别为非家庭主妇。
[0100]
本发明实施例中，获取目标人员的抓拍档案，按预设提取方法从所述目标人员的抓拍档案中提取所述目标人员对应的特征矩阵，所述目标人员的抓拍档案为所述目标人员在第一目标区域中的抓拍档案，所述目标人员为预设年龄段的女性人员；将所述特征矩阵输入到预先训练好的分类模型中进行处理，得到所述特征矩阵的分类结果，所述分类模型通过第二目标区域中居家人员对应的特征矩阵进行训练得到，所述第二目标区域包括所述第一目标区域；根据所述特征矩阵的分类结果，识别所述目标人员是否为家庭主妇。通过将预设年龄段的女性人员作为目标人员，从目标人员的抓拍档案中提取出目标人员对应的特征矩阵，将特征矩阵输入到预先训练好的分类模型中进行处理，判断目标人员是否为居家人员，不需要人工问询及登记，提高了家庭主妇的识别效率，同时，由于是从抓拍档案中提取目标人员对应的特征矩阵来进行家庭主妇的识别，避免了目标人员提供不真实信息的情况，提高了家庭主妇的识别准确性。
[0101]
需要说明的是，本发明实施例提供的人员识别方法可以应用于可以进行人员识别的智能手机、电脑、服务器等设备。
[0102]
请参见图5，图5是本发明实施例提供的一种人员识别装置的结构图，如图5所示，该人员识别装置包括：
[0103]
第一获取模块501，用于获取目标人员的抓拍档案，按预设提取方法从所述目标人员的抓拍档案中提取所述目标人员在工作日的特征矩阵，所述目标人员的抓拍档案为所述目标人员在第一目标区域中的抓拍档案，所述目标人员为预设年龄段的女性人员；
[0104]
处理模块502，用于将所述特征矩阵输入到预先训练好的分类模型中进行处理，得到所述特征矩阵的分类结果，所述分类模型通过第二目标区域中常住人员对应的特征矩阵进行训练得到，所述第二目标区域包括所述第一目标区域；
[0105]
识别模块503，用于若所述特征矩阵的分类结果为居家人员，则从所述目标人员的抓拍档案中提取所述目标人员对应的图像信息，并根据所述图像信息识别所述目标人员是否为家庭主妇。
[0106]
可选的，所述特征矩阵包括目标人员的特征向量，所述特征向量通过不同类型的子特征向量构成，每个子特征向量对应一项提取方法，所述第一获取模块501包括：
[0107]
第一提取子模块，用于根据各个提取方法从所述抓拍档案中提取所述目标人员的子特征向量；
[0108]
拼接子模块，用于将所述目标人员的子特征向量按预设的顺序进行拼接，得到所述目标人员对应的特征向量；
[0109]
构建子模块，用于根据所述目标人员对应的特征向量，构建所述目标人员的特征矩阵。
[0110]
可选的，所述识别模块503包括：
[0111]
第二提取子模块，用于若所述特征矩阵的分类结果为居家人员，则从所述目标人员的抓拍档案中提取所述目标人员对应的行为信息，所述目标人员对应的行为信息是根据所述目标人员对应的图像信息提取得到；
[0112]
识别子模块，用于根据所述行为信息识别所述目标人员是否为家庭主妇。
[0113]
可选的，所述第二提取子模块还用于从所述目标人员的抓拍档案中提取所述目标人员对应的图像信息，并对所述目标人员对应的图像信息进行行为检测，所述行为检测所检测的行为包括买菜和带孩子中至少一项行为；
[0114]
所述识别子模块还用于若检测到所述目标人员对应的图像信息中存在买菜行为和带孩子行为中至少一项时，则根据所述买菜和带孩子中至少一项行为识别所述目标人员是否为家庭主妇。
[0115]
可选的，所述第二提取子模块包括：
[0116]
第一检测单元，用于对所述目标人员对应的图像信息进行人脸检测和人体检测，得到人脸检测框与人体检测框；
[0117]
匹配单元，用于将所述人脸检测框与所述人体检测框进行匹配，并通过人脸检测框中的人脸图像确定所述目标人员的人体检测框；
[0118]
第二检测单元，用于对所述目标人员的人体检测框中的人体图像进行行为检测，所述行为检测所检测的行为包括买菜行为和带孩子行为。
[0119]
可选的，所述第二检测单元包括：
[0120]
扩展子单元，用于对所述目标人员的人体检测框在预设方向上进行扩展，得到扩展后的人体检测框；
[0121]
检测子单元，用于对所述扩展后的人体检测框中的人体图像进行行为检测。
[0122]
可选的，所述识别子模块包括：
[0123]
计算单元，用于计算所述目标人员存在所述买菜和带孩子中至少一项行为的抓拍天数与所述目标人员的总抓拍天数的天数比例；
[0124]
识别单元，用于根据所述天数比例识别所述目标人员是否为家庭主妇。
[0125]
需要说明的是，本发明实施例提供的人员识别装置可以应用于可以进行人员识别的智能手机、电脑、服务器等设备。
[0126]
本发明实施例提供的人员识别装置能够实现上述方法实施例中人员识别方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
[0127]
参见图6，图6是本发明实施例提供的一种电子设备的结构示意图，如图 6所示，包括：存储器602、处理器601及存储在所述存储器602上并可在所述处理器601上运行的人员识别方法的计算机程序，其中：
[0128]
处理器601用于调用存储器602存储的计算机程序，执行如下步骤：
[0129]
获取目标人员的抓拍档案，按预设提取方法从所述目标人员的抓拍档案中提取所
述目标人员在工作日的特征矩阵，所述目标人员的抓拍档案为所述目标人员在第一目标区域中的抓拍档案，所述目标人员为预设年龄段的女性人员；
[0130]
将所述特征矩阵输入到预先训练好的分类模型中进行处理，得到所述特征矩阵的分类结果，所述分类模型通过第二目标区域中居家人员对应的特征矩阵进行训练得到，所述第二目标区域包括所述第一目标区域；
[0131]
根据所述特征矩阵的分类结果，识别所述目标人员是否为家庭主妇。
[0132]
可选的，所述特征矩阵包括目标人员的特征向量，所述特征向量通过不同类型的子特征向量构成，每个子特征向量对应一项提取方法，处理器601执行的所述按预设提取方法从所述抓拍档案中提取所述目标人员对应的特征向量，包括：
[0133]
根据各个提取方法从所述抓拍档案中提取所述目标人员的子特征向量；
[0134]
将所述目标人员的子特征向量按预设的顺序进行拼接，得到所述目标人员对应的特征向量；
[0135]
根据所述目标人员对应的特征向量，构建所述目标人员的特征矩阵。
[0136]
可选的，处理器601执行的所述根据所述特征矩阵的分类结果，识别所述目标人员是否为家庭主妇，包括：
[0137]
若所述特征矩阵的分类结果为居家人员，则从所述目标人员的抓拍档案中提取所述目标人员对应的行为信息，所述目标人员对应的行为信息是根据所述目标人员对应的图像信息提取得到；
[0138]
根据所述行为信息识别所述目标人员是否为家庭主妇。
[0139]
可选的，处理器601执行的所述根据所述目标人员对应的图像信息提取得到所述目标人员对应的行为信息，包括：
[0140]
从所述目标人员的抓拍档案中提取所述目标人员对应的图像信息，并对所述目标人员对应的图像信息进行行为检测，所述行为检测所检测的行为包括买菜和带孩子中至少一项行为；
[0141]
所述根据所述行为信息识别所述目标人员是否为家庭主妇，包括：
[0142]
若检测到所述目标人员对应的图像信息中存在买菜行为和带孩子行为中至少一项时，则根据所述买菜和带孩子中至少一项行为识别所述目标人员是否为家庭主妇。
[0143]
可选的，处理器601执行的所述对所述目标人员对应的图像信息进行行为检测，包括：
[0144]
对所述目标人员对应的图像信息进行人脸检测和人体检测，得到人脸检测框与人体检测框；
[0145]
将所述人脸检测框与所述人体检测框进行匹配，并通过人脸检测框中的人脸图像确定所述目标人员的人体检测框；
[0146]
对所述目标人员的人体检测框中的人体图像进行行为检测，所述行为检测所检测的行为包括买菜行为和带孩子行为。
[0147]
可选的，处理器601执行的所述对所述目标人员的人体检测框中的人体图像进行行为检测，包括：
[0148]
对所述目标人员的人体检测框在预设方向上进行扩展，得到扩展后的人体检测框；
[0149]
对所述扩展后的人体检测框中的人体图像进行行为检测。
[0150]
可选的，处理器601执行的所述根据所述买菜和带孩子中至少一项行为识别所述目标人员是否为家庭主妇，包括：
[0151]
计算所述目标人员存在所述买菜和带孩子中至少一项行为的抓拍天数与所述目标人员的总抓拍天数的天数比例；
[0152]
根据所述天数比例识别所述目标人员是否为家庭主妇。
[0153]
需要说明的是，本发明实施例提供的电子设备可以应用于可以进行人员识别的智能手机、电脑、服务器等设备。
[0154]
本发明实施例提供的电子设备能够实现上述方法实施例中人员识别方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
[0155]
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的人员识别方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0156]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory， rom)或随机存取存储器(random access memory，简称ram)等。
[0157]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。