基于人员重识别的人脸归档方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人员重识别的人脸归档方法、装置、设备及介质。


背景技术：

2.目前，随着人工智能技术的发展，人脸归档技术已经广泛应用于智慧社区、智能安防等应用场景，能够为人脸识别等应用任务提供准确的人脸档案信息，现有技术通常通过提取人脸图像的特征进行相似度计算，将相似度较大的人脸图像归为一档，得到人脸图像的归档结果。
3.但是，在实际人脸采集过程中，由于图像可能出现角度偏差的情况，会导致同一人员的人脸图像的特征被误识别为相似度较小，进而出现归档错误的情况，而且，由于人脸面部可能存在遮挡，会导致不同人员的人脸图像的特征被误识别为相似度较大，也会出现归档错误的情况，极大地降低了人脸图像归档的准确性，因此，如何提高人脸图像归档的准确性成为亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种基于人员重识别的人脸归档方法、装置、设备及介质，以解决人脸图像归档的准确性较低的问题。
5.第一方面，本发明实施例提供一种基于人员重识别的人脸归档方法，所述人脸归档方法包括：
6.采集n张人脸图像及每张人脸图像对应的人体图像，以每张人脸图像作为第一节点，以每张人体图像作为第二节点，将存在对应关系的第一节点和第二节点连接，n为大于零的整数；
7.针对任一人体图像，按照预设条件从所述n张人体图像中筛选出m张人体图像作为重识别图像，计算所述人体图像与所述重识别图像的人体相似度，在所述人体相似度大于第一阈值时，连接所述人体图像对应的节点和所述重识别图像对应的节点，m为大于零且小于或者等于n的整数；
8.计算任意两张人脸图像之间的人脸相似度，在所述人脸相似度大于第二阈值时，采用第一连边连接对应的两个第一节点；
9.针对任意两个不存在连接关系的第一节点，确定两个第一节点分别连接的两个第二节点，若所述两个第二节点之间存在连接关系，则采用所述第一连边连接所述两个第一节点；
10.根据所述第一节点和所述第一连边，构建待归档图数据，对所述待归档图数据进行聚类分析，得到人脸归档结果。
11.第二方面，本发明实施例提供一种基于人员重识别的人脸归档装置，所述人脸归档装置包括：
12.节点构建模块，用于采集n张人脸图像及每张人脸图像对应的人体图像，以每张人脸图像作为第一节点，以每张人体图像作为第二节点，将存在对应关系的第一节点和第二节点连接，n为大于零的整数；
13.重识别模块，用于针对任一人体图像，按照预设条件从所述n张人体图像中筛选出m张人体图像作为重识别图像，计算所述人体图像与所述重识别图像的人体相似度，在所述人体相似度大于第一阈值时，连接所述人体图像对应的节点和所述重识别图像对应的节点，m为大于零且小于或者等于n的整数；
14.节点连接模块，用于计算任意两张人脸图像之间的人脸相似度，在所述人脸相似度大于第二阈值时，采用第一连边连接对应的两个第一节点；
15.连边优化模块，用于针对任意两个不存在连接关系的第一节点，确定两个第一节点分别连接的两个第二节点，若所述两个第二节点之间存在连接关系，则采用所述第一连边连接所述两个第一节点；
16.人脸归档模块，用于根据所述第一节点和所述第一连边，构建待归档图数据，对所述待归档图数据进行聚类分析，得到人脸归档结果。
17.第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中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如第一方面所述的人脸归档方法。
18.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存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的人脸归档方法。
19.本发明实施例与现有技术相比存在的有益效果是：
20.采集n张人脸图像及每张人脸图像对应的人体图像，以每张人脸图像作为第一节点，以每张人体图像作为第二节点，将存在对应关系的第一节点和第二节点连接，针对任一人体图像，按照预设条件从n张人体图像中筛选出m张人体图像作为重识别图像，计算人体图像与重识别图像的人体相似度，在人体相似度大于第一阈值时，连接人体图像对应的节点和重识别图像对应的节点，计算任意两张人脸图像之间的人脸相似度，在人脸相似度大于第二阈值时，采用第一连边连接对应的两个第一节点，针对任意两个不存在连接关系的第一节点，确定两个第一节点分别连接的两个第二节点，若两个第二节点之间存在连接关系，则采用第一连边连接两个第一节点，根据第一节点和第一连边，构建待归档图数据，对待归档图数据进行聚类分析，得到人脸归档结果，通过人脸图像关联的人体图像，搜索满足预设条件的重识别图像，便于提高人体重识别的效率，也避免因人体图像数量过多出现误判，提高了人体图像匹配的准确率，同时，根据匹配的人体图像和重识别图像的相似度辅助构建人脸图数据，可以有效利用人体图像的全局特征对人脸图像的局部特征丢失进行补偿，从而提高人脸聚类归档的准确率。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些
附图获得其他的附图。
22.图1是本发明实施例一提供的一种基于人员重识别的人脸归档方法的一应用环境示意图；
23.图2是本发明实施例一提供的一种基于人员重识别的人脸归档方法的流程示意图；
24.图3是本发明实施例二提供的一种基于人员重识别的人脸归档方法的流程示意图；
25.图4是本发明实施例三提供的一种基于人员重识别的人脸归档装置的结构示意图；
26.图5是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
27.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
28.应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
29.还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
30.如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0031]
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0032]
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0033]
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0034]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0035]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0036]
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
[0037]
本发明实施例一提供的一种基于人员重识别的人脸归档方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、云端终端设备、个人数字助理(personal digital assistant，pda)等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。本实施例提供的人脸归档方法具有较为广泛的应用场景，通常情况下，人脸归档结果可以为人脸识别技术提供低层人脸图像数据库，从而能够使得人脸识别技术高效且准确地实现，例如，人脸归档可以应用于如智能门禁、智能考勤、智能相册、公共安全管理、客户识别、智慧营销、精准推荐等多种场景下，在智能门禁场景下，现有的人脸识别技术仍然是基于模板匹配实现的，其原因在于模板匹配的计算速度较快，能够较好的适用于人员流量较大的门禁场景，避免出现拥堵，但是，人员通过门禁时实时采集的人脸图像可能与存储的标准人脸图像存在位姿、光照等客观因素的影响，进而出现误识别的情况，因此，模板匹配的方式准确率并不高，而人脸归档方法可以为人脸识别提供丰富的存储数据库，即实时采集的人脸图像在确定到较为匹配的标准人脸图像后，可以进一步根据归档信息确定该标准人脸图像所在的人脸档案，该人脸档案包含标准图像人脸对应的人员的其他人脸图像，将实时采集到的人脸图像与其他人脸图像均进行模板匹配，即可以起到互相验证的作用，进而在基本不影响识别效率的前提下，提高智能门禁场景下人脸识别技术的准确率。
[0038]
参见图2，是本发明实施例一提供的一种基于人员重识别的人脸归档方法的流程示意图，上述人脸归档方法可以应用于图1中的客户端，客户端对应的计算机设备连接服务端，以从服务端获取n张人脸图像及每张人脸图像对应的人体图像，n张人脸图像可以是指需要进行人脸归档处理的人脸图像，人体图像可以用于进行人员重识别，根据人员重识别结果辅助人脸归档，上述人脸归档方法包括以下步骤：
[0039]
步骤s201，采集n张人脸图像及每张人脸图像对应的人体图像，以每张人脸图像作为第一节点，以每张人体图像作为第二节点，将存在对应关系的第一节点和第二节点连接。
[0040]
其中，n为大于零的整数，人脸图像可以是指人员人脸区域的图像信息，人体图像可以是指人员人体区域的图像信息，人脸图像与人体图像对应可以是指人脸图像和人体图像同属于一个人员。
[0041]
第一节点包含人脸图像的信息，第二节点包含人体图像的信息，节点可以用于构建图数据，第一节点和第二节点连接时通过第二连边连接。
[0042]
具体地，人脸图像及人脸图像对应的人体图像可以通过在应用场景内部署的采集设备获取，采集设备通常可以采用摄像机、摄像头、录影机等，采集设备的具体确定可以根
据应用场景的类型确定，本实施例可以应用于智能门禁、智能考勤、智能相册、公共安全管理、客户识别、智慧营销、精准推荐等多种应用场景下，例如在公共安全管理场景下，通常需要进行长时间录影以供后续核对和排查，因此在公共安全管理场景下，采集设备建议选用录影机，而在智慧营销场景下，通常仅在有顾客时才进行高频率的图像采集，因此，在只会营销场景下，采集设备建议选用摄像头。
[0043]
上述采集n张人脸图像及每张人脸图像对应的人体图像，以每张人脸图像作为第一节点，以每张人体图像作为第二节点，将存在对应关系的第一节点和第二节点连接的步骤，以人脸图像、人体图像作为构建图数据的节点，并在存在对应关系的人脸图像和人体图像之间连接边，使得后续能够根据与人脸图像对应的人体图像辅助图数据的构建，提高图数据构建的准确性，进而提高基于图数据进行人脸归档的准确率。
[0044]
步骤s202，针对任一人体图像，按照预设条件从n张人体图像中筛选出m张人体图像作为重识别图像，计算人体图像与重识别图像的人体相似度，在人体相似度大于第一阈值时，连接人体图像对应的节点和重识别图像对应的节点。
[0045]
其中，m为大于零且小于或者等于n的整数，预设条件可以是指与所针对人体图像在时域和空域存在潜在关联的条件，重识别图像可以是指需要进行人员重识别的人体图像，人体相似度可以是指人体图像和重识别图像之间的图像相似度，相似度可以采用欧式距离、余弦相似度等方式进行计算。
[0046]
第一阈值可以用于判断人体图像和重识别图像是否足够相似，人体图像对应的节点和重识别图像对应的节点均为第二节点，在连接人体图像对应的第二节点和重识别图像对应的第二节点时，采用第三连边进行连接。
[0047]
具体地，从n张人体图像中筛选出m张人体图像时，由于所针对的人体图像也包含于n张人体图像中，此时将筛选出的满足预设条件的人体图像中该所针对人体图像剔除，得到剩余的m张人体图像作为重识别图像。
[0048]
在本实施例中，人体相似度的计算方法采用欧式距离，需要说明的是，由于采用欧式距离计算得到的计算结果取值范围为0到正无穷，因此，为了便于表征，将欧式距离的计算结果进行归一化处理，归一化结果α可以表示为α＝1/(1+dis)，其中，dis表示人体图像和重识别图像之间的欧式距离，则归一化结果α在人体图像和重识别图像之间的欧式距离为0时，取值为1，表示此时人体图像和重识别图像足够相似，在人体图像和重识别图像之间的欧式距离较大时，取值接近0，表示此时人体图像和重识别图像不相似，也即归一化结果α越大，说明人体图像和重识别图像之间的相似度越高，归一化结果α越小，说明人体图像和重识别图像之间的相似度越低。
[0049]
在一实施方式中，人体相似度的计算方法还可以采用余弦相似度，由于采用余弦相似度计算得到的计算结果取值范围为[-1,1]，因此，仍需要进行归一化处理，此时归一化结果α可以表示为α＝0.5+0.5*cos，其中，cos表示人体图像和重识别图像之间的余弦相似度，则归一化结果α在人体图像和重识别图像之间的余弦相似度为-1时，取值为0，表示此时人体图像和重识别图像不相似，在人体图像和重识别图像之间的欧式距离为1时，取值为1，表示此时人体图像和重识别图像相似，也即归一化结果α越大，说明人体图像和重识别图像之间的相似度越高，归一化结果α越小，说明人体图像和重识别图像之间的相似度越低。
[0050]
由于相似度计算结果已经过归一化处理，因此在本实施例中，将第一阈值设置为
0.6，即若相似度的归一化结果大于或者等于0.6，认为此时人体图像与重识别图像足够相似，可以认为人体图像与重识别图像属于同一人员，若相似度的归一化结果小于0.6，认为此时人体图像与重识别图像不够相似，可以认为人体图像与重识别图像不属于同一人员，实施者也可根据实际情况调整该第一阈值的取值。
[0051]
可选的是，针对任一人体图像，按照预设条件从n张人体图像中筛选出m张人体图像作为重识别图像包括：
[0052]
获取人体图像的采集时间和采集地点，根据人体图像的采集时间确定目标时间段，根据人体图像的采集地点确定目标地点集合；
[0053]
筛选出采集时间满足目标时间段且采集地点满足目标地点集合的m张人体图像作为重识别图像。
[0054]
其中，采集时间可以通过人体图像的拍摄时间戳获取，通常情况下，采集设备在采集图像时均会记录图像的拍摄时间戳，采集地点可以是指采集到人体图像的采集设备所处的位置，也可以是指该采集到人体图像的采集设备所处的预设采集地点，例如，在智能门禁场景下，以社区为整体场景，则可以根据社区建立坐标系，采集设备的部署位置对应于坐标系中的一个坐标点，该坐标点可以作为采集地点，同样地，也可以以采集设备的部署位置在于世界坐标系下的坐标点作为采集地点，而社区场景中门禁位置通常是社区内各建筑的入口处，建筑通常具有标号，如一号楼、二号楼等，可以以建筑标号作为预设采集地点，相应地，采集地点可以是一号楼。
[0055]
目标时间段可以是指与所针对人体图像有潜在关联的人体图像在采集时可能所处的时间区间，目标地点可以是指与所针对人体图像有潜在关联的人体图像在采集时可能所处的地点集合。
[0056]
具体地，由于人体图像的可比性较差，也即人体图像仅能与存在潜在关联的图像进行比较，否则将会造成大量的资源浪费，因此设置时间限制和空间限制，以起到“小时空”约束的效果。
[0057]
对于仅采集时间满足目标时间段的人体图像，若该人体图像与所针对的人体图像距离较远，理论上不可能为同一人员，例如，在十二点整拍摄到一人员在一号楼，在十二点零一分在十号楼拍摄到的所有人员均不可能与该在一号楼拍摄到的人员为同一人员，因此，也没有计算此类情况下的人体图像之间相似度进行重识别的必要性。
[0058]
同样地，仅采集地点满足目标地点集合的人体图像，如果没有时间限制，在该地点采集到的人体图像数量将会相当庞大，此时，即使可能存在与所针对人体图像对应的人员的其他人体图像，其计算过程的资源的消耗也是巨大的，对重识别效率会造成极大影响。
[0059]
因此，仅筛选出采集时间满足目标时间段且采集地点满足目标地点集合的m张人体图像作为重识别图像，此时确定的重识别图像中若存在与所针对人体图像较为相似的重识别图像，可以认为是由同一个人员在连续移动过程中被拍摄到的两张人体图像。
[0060]
本实施例中，通过设置时间限制和空间限制，筛选得到重识别图像再与所针对人体图像进行相似度计算，便于减少需要进行计算的重识别图像数量，进而减少计算量，节省计算资源，能够有效地提高重识别效率，且所筛选的重识别图像中极大可能是在人员连续移动过程中采集到的同一人员的人体图像，也能够有效提高重识别的命中率。
[0061]
可选的是，根据人体图像的采集时间确定目标时间段，根据人体图像的采集地点
确定目标地点集合包括：
[0062]
将采集时间与预设的时间长度相加，得到目标时间段的终止时间，将采集时间与时间长度相减，得到目标时间段的起始时间，根据起始时间和终止时间，确定目标时间段；
[0063]
以采集地点在世界坐标系下的采集坐标为球心，以预设半径构建搜索区域，确定搜索区域内的所有采集地点组成目标地点集合。
[0064]
其中，预设的时间长度可以用于确定目标时间段的范围，终止时间可以是指目标时间段对应时间区间的右边界，起始时间可以是指目标时间段对应时间区间的左边界，预设半径可以用于确定搜索区域的范围。
[0065]
具体地，设采集时间为t，预设时间长度为t，则目标时间段可以表示为[t+t,t-t]，预设时间长度可以根据具体场景确定，例如，在智能门禁场景中，默认同一人员在社区内移动不超过半个小时，则预设时间长度t可以设置为15分钟。
[0066]
世界坐标系为三维坐标系，本实施例采用世界坐标系的目的在于考虑到采集设备部署可能存在空间重叠的情况，例如，在智能门禁场景下，采集设备可能在门禁上方有部署，也可能在门禁下方有部署，此时如果采用二维的地面坐标系可能存在重叠的情况导致目标地点在确定时出现遗漏，同样地，预设半径也可以根据具体场景确定，例如，在智能门禁场景中，默认同一人员在社区内移动范围不超过5公里，则预设半径可以设置为2.5公里。
[0067]
本实施例根据具体应用场景动态设置目标时间段和搜索区域，进而能够更为准确地确定重识别图像，进一步精简重识别图像，提高重识别过程的效率和命中率。
[0068]
可选的是，计算人体图像与重识别图像的人体相似度包括：
[0069]
将人体图像和重识别图像分别输入训练好的第二编码器中进行特征提取，得到人体特征和重识别特征；
[0070]
计算人体特征和重识别特征之间的相似度，确定计算结果为人体相似度。
[0071]
其中，训练好的第二编码器可以选用目标检测模型、语义分割模型、图像分类模型等模型的编码器结构，需要说明的是，上述模型的下游任务需要与人体关联，例如，目标检测模型的下游任务可以是人体检测，图像分类模型的下游任务可以是人体分类。
[0072]
人体特征可以用于表征人体图像的特征信息，重识别特征可以用于表征重识别图像的特征信息，特征之间的相似度计算同样可以采用欧式距离、余弦相似度等计算方法。
[0073]
本实施例通过人体图像和重识别图像的特征提取结果进行相似度计算，人体特征和重识别特征更能够有效地表征图像中的重要信息，隔离无关工况，如噪声等，从而使计算得到的相似度更能够表征人体之间的相似度，提高了人体相似度的准确率。
[0074]
上述针对任一人体图像，按照预设条件从n张人体图像中筛选出m张人体图像作为重识别图像，计算人体图像与重识别图像的人体相似度，在人体相似度大于第一阈值时，连接人体图像对应的节点和重识别图像对应的节点的步骤，通过筛选得到的重识别图像与人体图像进行相似度计算，确定重识别图像与人体图像是否为同一人员，并添加额外的连接关系，便于后续对图数据的构建提供辅助信息，提高后续图数据构建过程的准确率，进而提高人脸归档的准确率。
[0075]
步骤s203，计算任意两张人脸图像之间的人脸相似度，在人脸相似度大于第二阈值时，采用第一连边连接对应的两个第一节点。
[0076]
其中，人脸相似度可以用于表征人脸图像之间的相似程度，人脸相似度的计算也
可以采用欧式距离、余弦相似度等度量方法，第二阈值可以用于判断人脸图像之间是否足够相似，第一连边可以用于连接两张人脸图像对应的两个第一节点。
[0077]
具体地，在本实施例中，第二阈值设置为0.6，实施者可根据实际情况调整该第二阈值。
[0078]
可选的是，计算任意两张人脸图像之间的人脸相似度包括：
[0079]
针对任意两张人脸图像，将每张人脸图像分别输入训练好的第一编码器中进行特征提取，得到对应人脸图像的人脸特征；
[0080]
计算人脸特征之间的相似度，确定计算结果为人脸相似度。
[0081]
其中，训练好的第一编码器也可以选用目标检测模型、语义分割模型、图像分类模型等模型的编码器结构，需要说明的是，上述模型的下游任务需要与人脸关联，例如，目标检测模型的下游任务可以是人脸检测，图像分类模型的下游任务可以是人脸分类。
[0082]
人脸特征可以用于表征人脸图像的特征信息，人脸特征之间的相似度计算同样可以采用欧式距离、余弦相似度等计算方法。
[0083]
本实施例通过两张人脸图像的特征提取结果进行相似度计算，人脸特征更能够有效地表征图像中的重要信息，隔离无关工况，如噪声等，从而使计算得到的相似度更能够表征人脸之间的相似度，提高了人脸相似度的准确率，进而提高了人脸归档的准确率。
[0084]
可选的是，在采用第一连边连接对应的两个第一节点之后，还包括：
[0085]
针对任意两个存在连接关系的第一节点，确定两个第一节点分别连接的两个第二节点；
[0086]
若两个第二节点之间不存在连接关系，则删除两个第一节点之间的第一连边。
[0087]
其中，两个存在连接关系的第一节点可以是指两个第一节点存在第一连边，默认每个第一节点均有通过第二连边连接的第二节点，即默认每个人脸图像均有对应的人体图像。
[0088]
两个第二节点之间不存在连接关系可以是指两张人体图像并不相似，由于采用人体图像进行相似度比较时，全身特征都可见，此时人脸模糊，戴口罩，角度偏差大等情况对相似度的影响较小，而此类情况对人脸相似度的影响较大，因此，人体图像的相似度更为可信，若人体图像并不相似，将基于人脸相似度连接的第一连边删除。
[0089]
本实施例利用人体图像的全局特征对人脸图像的局部特征丢失进行补偿，从而降低档案异常合并情况，提高人脸归档的准确率。
[0090]
上述计算任意两张人脸图像之间的人脸相似度，在人脸相似度大于第二阈值时，采用第一连边连接对应的两个第一节点的步骤，通过人脸相似度在第一节点之间构建第一连边，为图数据构建提供边的连接关系，便于提高图数据的表征准确性，进而提高人脸归档的准确率。
[0091]
步骤s204，针对任意两个不存在连接关系的第一节点，确定两个第一节点分别连接的两个第二节点，若两个第二节点之间存在连接关系，则采用第一连边连接两个第一节点。
[0092]
其中，两个不存在连接关系的第一节点可以是指两个第一节点之间不存在第一连边，两个第二节点之间存在连接关系可以是指两张人体图像足够相似。
[0093]
上述针对任意两个不存在连接关系的第一节点，确定两个第一节点分别连接的两
个第二节点，若两个第二节点之间存在连接关系，则采用第一连边连接两个第一节点的步骤，利用人体图像的全局特征对人脸图像的局部特征丢失进行补偿，从而降低档案异常分裂情况，提高人脸归档的准确率。
[0094]
步骤s205，根据第一节点和第一连边，构建待归档图数据，对待归档图数据进行聚类分析，得到人脸归档结果。
[0095]
其中，待归档图数据可以是指用于聚类分析实现人脸归档的图数据，聚类分析可以采用预设的聚类算法，聚类算法可以采用社区发现算法，如infomap算法等，人脸归档结果可以包括若干个档案，每个档案中包含同一人员的人脸图像集合。
[0096]
具体地，将第二节点、第二连边和第三连边均删除，使得仅有第一节点和第一连边，根据第一节点和第一连边进行构图，得到待归档图数据。
[0097]
上述根据第一节点和第一连边，构建待归档图数据，对待归档图数据进行聚类分析，得到人脸归档结果的步骤，通过优化后的第一连边和第一节点构建图数据，提高了图数据的表征能力，从而在基于待归档图数据进行聚类分析时，提高聚类的准确率，进而提高了人脸归档的准确率。
[0098]
本实施例通过人脸图像关联的人体图像，搜索满足预设条件的重识别图像，便于提高人体重识别的效率，也避免因人体图像数量过多出现误判，提高了人体图像匹配的准确率，同时，根据匹配的人体图像和重识别图像的相似度辅助构建人脸图数据，可以有效利用人体图像的全局特征对人脸图像的局部特征丢失进行补偿，从而提高人脸聚类归档的准确率。
[0099]
参见图3，是本发明实施例二提供的一种基于人员重识别的人脸归档方法的流程示意图，该人脸归档方法中，在获取人脸图像及每个人脸图像对应的人体图像时，需要对采集到的场景图像进行处理，对场景图像处理得到人脸图像并确定人脸图像和人体图像的对应关系的过程包括以下步骤：
[0100]
步骤s301，将采集到的场景图像输入训练好的第一识别模型中，确定识别结果为人脸包围框，采用人脸包围框从场景图像中提取得到人脸图像；
[0101]
步骤s302，将场景图像输入训练好的第二识别模型中，确定识别结果为人体包围框，采用人体包围框从场景图像中提取得到人体图像；
[0102]
步骤s303，针对任一人体图像，将人体图像对应的人体包围框分别与n个人脸包围框进行交并比计算，得到n个交并比；
[0103]
步骤s304，在检测到n个交并比中的最大值大于第三阈值时，确定人体图像与最大值对应的人脸图像存在对应关系。
[0104]
其中，场景图像可以是指在应用场景中采集到的图像，应用场景可以是智能门禁、智能考勤、智能相册、公共安全管理、客户识别、智慧营销、精准推荐等多种场景，在本实施例中，以智能门禁场景为例，场景图像可以是指由门禁出入区域内部署的摄像头采集到的图像。
[0105]
训练好的第一识别模型和训练好的第二识别模型可以采用相同的模型架构，例如目标检测模型的架构，目标检测模型可以选用fast r-cnn模型、yolo模型和ssd模型中的一种，目标检测模型的输入为待检测图像，目标检测模型的输出为检测到的目标的包围框。
[0106]
人脸包围框可以是指以人脸为目标识别对象时，训练好的第一识别模型输出的人
脸区域的包围框，人体包围框可以是指以人体为目标识别对象时，训练好的第二识别模型输出的人体区域的包围框。
[0107]
采用包围框从场景图像中提取的过程可以是指裁剪、遮挡等过程，裁剪过程可以是指根据包围框所覆盖的像素点区域，将场景图像在像素点区域内的所有像素点提取出来，遮挡可以是指构建与场景图像等大的二值图像，二值图像中属于包围框所覆盖的像素点区域的像素点取值为1，其他像素点取值为0，将二值图像与场景图像逐点相乘，得到包围框内的像素点为非0值的人脸图像，需要说明的是，裁剪方法进行提取时，提取到的人脸图像和人体图像并非相同尺寸的图像，因此，若采用裁剪方法进行人脸图像或者人体图像的提取，需要在得到人脸图像或者人体图像后进行尺寸归一化处理，而采用遮挡方法进行提取时，提取到的人脸图像和人体图像均为相同尺寸，且与场景图像的尺寸一致，在本实施例中，采用遮挡方法进行人脸图像或者人体图像的提取。
[0108]
交并比可以通过人体包围框和人脸包围框的交集面积与并集面积的比值得到，人体包围框和人脸包围框均以包围框左上角点坐标和右下角点坐标确定，左上角点坐标和右下角点坐标均为场景图像中的图像坐标。
[0109]
第三阈值可以用于判断人脸包围框和人体包围框的重合程度是否足够大，在本实施例中，第三阈值设置为0.5，实施者可以根据实际情况调整第三阈值的取值。
[0110]
具体地，为了保证训练好的第一识别模型和训练好的第二识别模型的识别准确率，在本实施例中，第一识别模型和第二识别模型虽然采用相同的模型架构，但在训练过程中分别采用不同的标签进行训练，第一识别模型和第二识别模型可以采用相同的训练数据集，也即预先采集的场景样本图像，例如，在智能门禁场景下，可以采用预先采集的门禁区域图像作为训练样本构成训练数据集，第一识别模型的训练标签可以采用人脸区域的真实包围框，第二识别模型的训练标签可以采用人体区域的真实包围框，使得训练好的第一识别模型仅能输出人脸包围框，训练好的第二识别模型仅能输出人体包围框。
[0111]
需要说明的是，由于场景图像中可能存在仅拍摄到不包含人脸区域的人体区域部分，也可能存在仅拍摄到人脸区域部分但未拍摄到的其同属于一个人员的人体区域部分，此时，识别到的人脸图像和人体图像的数量可能并不完全相同，在进行对应关系确定后，可以将存在对应关系的人脸图像保留，以保留的人脸图像的数量作为n，相应地，对存在对应关系的人体图像保留，也得到n张人体图像，以便于进行归档处理，此外，单张人体图像或者人脸图像仅能存在一个对应关系，即人体图像与人脸图像一一对应，若一人脸图像已经存在对应关系，则其他人体图像在计算交并比时可以不与该人脸图像计算，避免出现重复对应的情况，也提高了计算效率。
[0112]
在一种实施方式中，还可以将所有识别到的人脸图像作为第一集合，将所有识别到的人体图像作为的第二集合，以一人脸图像与一人体图像之间的交并比作为该人脸图像与该人体图像之间的权重，采用km算法、匈牙利算法等匹配算法对第一集合和第二集合进行二分匹配，得到全局最优的匹配结果，确定每对匹配结果之间存在对应关系。
[0113]
本实施例中，采用识别模型提取人脸包围框和人体包围框，通过人脸包围框和人体包围框的交并比确定人脸包围框对应的人脸图像和人体包围框对应的人体图像之间的对应关系，避免了错误对应关系的建立而导致后续根据人体相似度辅助连边构建时出现错误连边，从而有效提高了待归档图数据的准确率，进而提高了人脸归档的准确率。
[0114]
对应于上文实施例的基于人员重识别的人脸归档方法，图4示出了本发明实施例三提供的基于人员重识别的人脸归档装置的结构框图，上述人脸归档装置应用于客户端，客户端对应的计算机设备连接服务端，以从服务端获取n张人脸图像及每张人脸图像对应的人体图像，n张人脸图像可以是指需要进行人脸归档处理的人脸图像，人体图像可以用于进行人员重识别，根据人员重识别结果辅助人脸归档。为了便于说明，仅示出了与本发明实施例相关的部分。
[0115]
参见图4，该人脸归档装置包括：
[0116]
节点构建模块41，用于采集n张人脸图像及每张人脸图像对应的人体图像，以每张人脸图像作为第一节点，以每张人体图像作为第二节点，将存在对应关系的第一节点和第二节点连接，n为大于零的整数；
[0117]
重识别模块42，用于针对任一人体图像，按照预设条件从n张人体图像中筛选出m张人体图像作为重识别图像，计算人体图像与重识别图像的人体相似度，在人体相似度大于第一阈值时，连接人体图像对应的节点和重识别图像对应的节点，m为大于零且小于或者等于n的整数；
[0118]
节点连接模块43，用于计算任意两张人脸图像之间的人脸相似度，在人脸相似度大于第二阈值时，采用第一连边连接对应的两个第一节点；
[0119]
连边优化模块44，用于针对任意两个不存在连接关系的第一节点，确定两个第一节点分别连接的两个第二节点，若两个第二节点之间存在连接关系，则采用第一连边连接两个第一节点；
[0120]
人脸归档模块45，用于根据第一节点和第一连边，构建待归档图数据，对待归档图数据进行聚类分析，得到人脸归档结果。
[0121]
可选的是，上述重识别模块42包括：
[0122]
条件确定单元，用于获取人体图像的采集时间和采集地点，根据人体图像的采集时间确定目标时间段，根据人体图像的采集地点确定目标地点集合；
[0123]
条件筛选单元，用于筛选出采集时间满足目标时间段且采集地点满足目标地点集合的m张人体图像作为重识别图像。
[0124]
可选的是，上述条件确定单元包括：
[0125]
时间确定子单元，用于将采集时间与预设的时间长度相加，得到目标时间段的终止时间，将采集时间与时间长度相减，得到目标时间段的起始时间，根据起始时间和终止时间，确定目标时间段；
[0126]
地点确定子单元，用于以采集地点在世界坐标系下的采集坐标为球心，以预设半径构建搜索区域，确定搜索区域内的所有采集地点组成目标地点集合。
[0127]
可选的是，上述节点连接模块43包括：
[0128]
第一特征提取单元，用于针对任意两张人脸图像，将每张人脸图像分别输入训练好的第一编码器中进行特征提取，得到对应人脸图像的人脸特征；
[0129]
第一相似度计算单元，用于计算人脸特征之间的相似度，确定计算结果为人脸相似度。
[0130]
可选的是，上述节点构建模块41包括：
[0131]
第一定位单元，用于将采集到的场景图像输入训练好的第一识别模型中，确定识
别结果为人脸包围框，采用人脸包围框从场景图像中提取得到人脸图像；
[0132]
第二定位单元，用于将场景图像输入训练好的第二识别模型中，确定识别结果为人体包围框，采用人体包围框从场景图像中提取得到人体图像；
[0133]
交并比计算单元，用于针对任一人体图像，将人体图像对应的人体包围框分别与n个人脸包围框进行交并比计算，得到n个交并比；
[0134]
图像对应单元，用于在检测到n个交并比中的最大值大于第三阈值时，确定人体图像与最大值对应的人脸图像存在对应关系。
[0135]
可选的是，上述重识别模块42包括：
[0136]
第二特征提取单元，用于将人体图像和重识别图像分别输入训练好的第二编码器中进行特征提取，得到人体特征和重识别特征；
[0137]
第二相似度计算单元，用于计算人体特征和重识别特征之间的相似度，确定计算结果为人体相似度。
[0138]
可选的是，上述人脸归档装置还包括：
[0139]
节点确定模块，用于针对任意两个存在连接关系的第一节点，确定两个第一节点分别连接的两个第二节点；
[0140]
连边删除模块，用于若两个第二节点之间不存在连接关系，则删除两个第一节点之间的第一连边。
[0141]
需要说明的是，上述模块、单元、子单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0142]
图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个人脸归档方法实施例中的步骤。
[0143]
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
[0144]
所称处理器可以是cpu，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0145]
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载
程序(bootloader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0146]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块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。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0147]
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
[0148]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0149]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能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。
[0150]
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0151]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0152]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。