数据处理方法、训练方法、装置、设备和介质制造方法及图纸

技术编号:30765718 阅读:20 留言:0更新日期:2021-11-10 12:24
本公开提供了一种数据处理方法、装置、设备、存储介质和程序产品,涉及人工智能领域或金融领域等技术领域。该数据处理方法包括:获取N个摄像头采集的M张图像,其中,所述M张图像中包括目标用户的图像;将所述M张图像中每张图像按照采集的时间序列输入至行人重识别模型;利用所述行人重识别模型基于第一序列特征来确认目标用户的身份和行为状态,其中,所述行人重识别模型将所述每张图像的特征基于所述时间序列进行特征融合来获得所述第一序列特征。本公开还提供了一种训练方法、装置、设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。

【技术实现步骤摘要】
数据处理方法、训练方法、装置、设备和介质


[0001]本公开涉及人工智能领域或金融领域等,更具体地涉及一种数据 处理方法、训练方法、装置、设备、介质和程序产品。

技术介绍

[0002]在工作或日常生活等方面,有时需要对人们进行身份登记。例如 在会议参会人员的统计、社会或娱乐活动参与人员的统计、特定场地 进出入人员的登记、用户签到或学生考勤等场景,具有对相关人员进 行身份确认并登记的需求。相关技术中,可能会要求相关人员进行手 动登记,例如手写登记或通过手机进行打卡登记。还可能要求相关人 员进行人脸识别,以进行身份确认并登记。
[0003]在实现本公开构思的过程中,专利技术人发现现有技术中至少存在如 下问题:
[0004]无论手动登记还是人脸识别,用户容易遗忘。并且手动登记的方 式较为繁琐,而人脸识别的方式只能对用户的身份进行确认,无法确 认用户的行为状态。

技术实现思路

[0005]鉴于上述问题,本公开提供了一种能够自动对用户的身份和行为 状态同时进行确认的数据处理方法、训练方法、装置、设备、介质和 程序产品。
[0006]本公开实施例的一个方面提供了一种数据处理方法,包括:获取 N个摄像头采集的M张图像,其中,所述M张图像中包括目标用户 的图像,N和M为大于或等于2的整数;将所述M张图像中每张图 像按照采集的时间序列输入至行人重识别模型;利用所述行人重识别 模型基于第一序列特征来确认目标用户的身份和行为状态,其中,所 述行人重识别模型将所述每张图像的特征基于所述时间序列进行特 征融合来获得所述第一序列特征。
[0007]根据本公开的实施例,所述N个摄像头设置在N个位置,所述 获取N个摄像头采集的M张图像包括:基于所述N个位置的空间信 息对所述N个摄像头进行编号,其中,每个所述编号对应所述N个 位置中的一个位置;按照所述编号的顺序,依次从所述N个摄像头 获取所述M张图像。
[0008]根据本公开的实施例,所述依次从所述N个摄像头获取所述M 张图像包括:获取对应第1编号的摄像头采集的第一图像,以及所述 第一图像的第一时间戳;令i的初始值为2,循环执行以下操作,直 至获取到对应第N编号的摄像头采集的图像,具体包括:获取对应 第i编号的摄像头在所述第一时间戳的预定时间段后采集的第二图像, 以及所述第二图像的第二时间戳;令所述第二时间戳作为新的所述第 一时间戳,并令i=i+1。
[0009]根据本公开的实施例,每两个相邻编号的摄像头包括第一摄像头 和第二摄像头,所述方法还包括确定所述预定时间段,具体包括:对 所述每两个相邻编号的摄像头,从所述第一摄像头采集的图像中检 测出所述目标用户的图像,以及所述目标用户的移动状态;基于所述 第一摄像头和所述第二摄像头之间的空间信息,以及所述移动状态, 确定所述预定时间段。
[0010]根据本公开的实施例,所述行为状态包括第一签到状态和第二签 到状态,所述确认目标用户的身份和行为状态包括:在确认所述目标 用户的身份后,在基于所述第一序列特征确认所述目标用户沿第一轨 迹移动的情况下,确认所述目标用户为第一签到状态;或在基于所述 第一序列特征确认所述目标用户沿第二轨迹移动的情况下,确认所述 目标用户为第二签到状态。
[0011]根据本公开的实施例,所述行人重识别模型包括LSTM网络, 其中,所述LSTM网络为长短期记忆神经网络,所述行人重识别模 型将所述每张图像的特征基于所述时间序列进行特征融合来获得所 述第一序列特征包括:将所述每张图像的特征输入到所述LSTM网 络;利用所述LSTM网络按照所述时间序列,将所述每张图像的特 征进行时间递进的特征融合;基于所述LSTM网络的输出获得所述 第一序列特征。
[0012]根据本公开的实施例,所述每张图像的特征包括所述目标用户的 第一图像特征,以及所述每张图像中所述目标用户的背景的第二图像 特征,在所述将所述每张图像的特征进行特征融合之前,包括:通过 所述LSTM网络将所述每张图像的所述第一图像特征和所述第二图 像特征进行融合。
[0013]根据本公开的实施例,所述LSTM网络包括第一LSTM网络和 第二LSTM网络,所述行人重识别模型通过如下方式训练获得,包 括:按照采集的时间序列获取第一用户的M张图像和第二用户的M 张图像,所述第一用户与所述第二用户相同或不同;利用所述第一 LSTM网络,将所述第一用户的每张图像的特征基于时间序列进行时 间递进的特征融合,来获得第二序列特征;利用所述第二LSTM网 络,将所述第二用户的每张图像的特征基于时间序列进行时间递进的 特征融合,来获得第三序列特征;基于所述第二序列特征和所述第三 序列特征构建损失函数来训练所述行人重识别模型。
[0014]根据本公开的实施例,所述行人重识别模型还包括CNN网络, 所述CNN网络为卷积神经网络,所述CNN网络包括第一CNN网络 和第二CNN网络,所述方法还包括:将所述第一用户的M张图像输 入至所述第一CNN网络,以获得所述第一用户的每张图像的特征; 将所述第二用户的M张图像输入至所述第二CNN网络,以获得所述 第二用户的每张图像的特征。
[0015]本公开实施例的另一方面提供了一种行人重识别模型的训练方 法,其中,所述行人重识别模型包括LSTM网络,所述LSTM网络 为长短期记忆神经网络,所述LSTM网络包括第一LSTM网络和第 二LSTM网络,所述方法包括:按照采集的时间序列获取第一用户 的M张图像和第二用户的M张图像,所述第一用户与所述第二用户 相同或不同;利用所述第一LSTM网络,将所述第一用户的每张图 像的特征基于时间序列进行时间递进的特征融合,来获得第二序列特 征;利用所述第二LSTM网络,将所述第二用户的每张图像的特征 基于时间序列进行时间递进的特征融合,来获得第三序列特征;基于 所述第二序列特征和所述第三序列特征构建损失函数来训练所述行 人重识别模型。
[0016]本公开实施例的另一方面提供了一种数据处理装置,包括:第一 获取模块、图像输入模块和用户确认模块。第一获取模块用于获取N 个摄像头采集的M张图像,其中,所述M张图像中包括目标用户的 图像,N和M为大于或等于2的整数。所述图像输入模块用于将所 述M张图像中每张图像按照采集的时间序列输入至行人重识别模型。 所述用户确认模块用于利用所述行人重识别模型基于第一序列特征 来确认目标用户的身份和行为状态,其中,所述行人重识别模型将所 述每张图像的特征基于所述时间序列进行特征融合来获得所述
第一 序列特征。
[0017]本公开实施例的另一方面提供了一种行人重识别模型的训练装 置,其中,所述行人重识别模型包括LSTM网络,所述LSTM网络 为长短期记忆神经网络,所述LSTM网络包括第一LSTM网络和第 二LSTM网络,所述装置包括第二获取模块、第一融合模块、第二 融合模块和模型训练模块。第二获取模块用于按照采集的时间序列获 取第一用户的M张图像和第二用户的M张图像,所述第一用户与所 述第二用户相同或不同。所述第一融合模块用于本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法,包括:获取N个摄像头采集的M张图像,其中,所述M张图像中包括目标用户的图像,N和M为大于或等于2的整数;将所述M张图像中每张图像按照采集的时间序列输入至行人重识别模型;利用所述行人重识别模型基于第一序列特征来确认目标用户的身份和行为状态,其中,所述行人重识别模型将所述每张图像的特征基于所述时间序列进行特征融合来获得所述第一序列特征。2.根据权利要求1所述的方法,其中,所述N个摄像头设置在N个位置,所述获取N个摄像头采集的M张图像包括:基于所述N个位置的空间信息对所述N个摄像头进行编号,其中,每个所述编号对应所述N个位置中的一个位置;按照所述编号的顺序,依次从所述N个摄像头获取所述M张图像。3.根据权利要求2所述的方法,其中,所述依次从所述N个摄像头获取所述M张图像包括:获取对应第1编号的摄像头采集的第一图像,以及所述第一图像的第一时间戳;令i的初始值为2,循环执行以下操作,直至获取到对应第N编号的摄像头采集的图像,具体包括:获取对应第i编号的摄像头在所述第一时间戳的预定时间段后采集的第二图像,以及所述第二图像的第二时间戳;令所述第二时间戳作为新的所述第一时间戳,并令i=i+1。4.根据权利要求3所述的方法,其中,每两个相邻编号的摄像头包括第一摄像头和第二摄像头,所述方法还包括确定所述预定时间段,具体包括:对所述每两个相邻编号的摄像头,从所述第一摄像头采集的图像中检测出所述目标用户的图像,以及所述目标用户的移动状态;基于所述第一摄像头和所述第二摄像头之间的空间信息,以及所述移动状态,确定所述预定时间段。5.根据权利要求1所述的方法,其中,所述行为状态包括第一签到状态和第二签到状态,所述确认目标用户的身份和行为状态包括:在确认所述目标用户的身份后,在基于所述第一序列特征确认所述目标用户沿第一轨迹移动的情况下,确认所述目标用户为第一签到状态;或在基于所述第一序列特征确认所述目标用户沿第二轨迹移动的情况下,确认所述目标用户为第二签到状态。6.根据权利要求1所述的方法,其中,所述行人重识别模型包括LSTM网络,其中,所述LSTM网络为长短期记忆神经网络,所述行人重识别模型将所述每张图像的特征基于所述时间序列进行特征融合来获得所述第一序列特征包括:将所述每张图像的特征输入到所述LSTM网络;利用所述LSTM网络,按照所述时间序列将所述每张图像的特征进行时间递进的特征融合;
基于所述LSTM网络的输出获得所述第一序列特征。7.根据权利要求6所述的方法,其中,所述每张图像的特征包括所述目标用户的第一图像特征,以及所述每张图像中所述目标用户的背景的第二图像特征,在所述将所述每张图像的特征进行特征融合之前,包括:通过所述LSTM网络将所述每张图像的所述第一图像特征和所述第二图像特征进行融合。8.根据权利要求6所述的方法,其中,所述LSTM网络包括第一LSTM网络和第二LSTM网络,所述行人重识别模型通过如下方式训练获得,包括:按照采集的时间序列获取第一用户的M张图像和第二用户的M张图像,所述第一用户与所述第二用户相同或不同;利用所述第一LSTM网络,将所述第一用户的每张图像的特征基于时间序列进行时间递进的特征融合...

【专利技术属性】
技术研发人员:王照舒朝虎梁唯佳
申请(专利权)人:中国工商银行股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1