[發(fā)明專利]一種回頭客自動(dòng)識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201610316057.1
• 申請(qǐng)日: 2016-05-12
• 公開（公告）號(hào): CN107368770B
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 寧曉然;宋易霖;薛遠(yuǎn)翊;鄢波;劉思璇;趙萱;李晨鴿;仵婷;卓小納
• 申請(qǐng)（專利權(quán)）人: 江蘇安納泰克能源服務(wù)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06F16/583
• 代理公司: 無錫市匯誠永信專利代理事務(wù)所(普通合伙) 32260
• 代理人: 石來杰

1.一種回頭客自動(dòng)識(shí)別方法，其特征在于，包括以下步驟：

利用哈爾特征算法逐層判斷監(jiān)控區(qū)域內(nèi)的圖像中是否含有人臉特征，將含有人臉特征的圖像定義為陽性樣本；

利用離線訓(xùn)練方法篩選出陽性樣本中的假陽性樣本，以獲取所述監(jiān)控區(qū)域內(nèi)的人臉；

追蹤監(jiān)控區(qū)域內(nèi)的人臉并記錄人臉信息；

對(duì)所述人臉信息進(jìn)行去重處理；

利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述人臉信息進(jìn)行卷積運(yùn)算，將最后一個(gè)卷基層的輸出作為特征向量；

將所述特征向量投射至投影矩陣定義好的空間，所述投影矩陣用于將屬于不相同的人臉信息的特征向量的歐式距離最大化，同時(shí)將同一人的人臉信息的特征向量的歐式距離最小化；

判斷所述特征向量是否為人臉數(shù)據(jù)庫中已有的特征向量，若是，確定所述人臉為回頭客；若否，將所述人臉信息存儲(chǔ)更新于所述人臉數(shù)據(jù)庫中。

2.如權(quán)利要求1所述的回頭客自動(dòng)識(shí)別方法，其特征在于，所述對(duì)所述人臉信息進(jìn)行去重處理具體為：

比對(duì)人臉信息找出相同的人臉信息；

在相同的人臉信息中提取出最清晰的人臉信息進(jìn)行保存。

3.一種回頭客自動(dòng)識(shí)別系統(tǒng)，其特征在于，包括：人臉信息判斷模塊，人臉追蹤采集模塊，人臉信息去重模塊，回頭客識(shí)別模塊，其中：

人臉信息判斷模塊，所述人臉信息判斷模塊具體包括：層聯(lián)分類器單元和支持向量機(jī)單元，其中：

層聯(lián)分類器單元，用于利用哈爾特征算法逐層判斷監(jiān)控區(qū)域內(nèi)的圖像中是否含有人臉特征，將含有人臉特征的圖像定義為陽性樣本；

支持向量機(jī)單元，用于利用離線訓(xùn)練方法篩選出陽性樣本中的假陽性樣本，以獲取所述監(jiān)控區(qū)域內(nèi)的人臉；

人臉追蹤采集模塊，用于追蹤監(jiān)控區(qū)域內(nèi)的人臉并記錄人臉信息；

人臉信息去重模塊，用于對(duì)所述人臉信息進(jìn)行去重處理；

回頭客識(shí)別模塊，所述回頭客識(shí)別模塊具體包括：卷積輸出單元、投影矩陣單元和特征向量判斷單元，其中：

卷積輸出單元，用于利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述人臉信息進(jìn)行卷積運(yùn)算，將最后一個(gè)卷基層的輸出作為特征向量；

投影矩陣單元，用于將所述特征向量投射至投影矩陣定義好的空間，所述投影矩陣用于將屬于不相同的人臉信息的特征向量的歐式距離最大化，同時(shí)將同一人的人臉信息的特征向量的歐式距離最小化；

特征向量判斷單元，用于判斷所述特征向量是否為人臉數(shù)據(jù)庫中已有的特征向量，若是，確定所述人臉為回頭客；若否，將所述人臉信息存儲(chǔ)更新于所述人臉數(shù)據(jù)庫中。

4.如權(quán)利要求3所述的回頭客自動(dòng)識(shí)別系統(tǒng)，其特征在于，所述人臉信息去重模塊具體包括：人臉信息比對(duì)單元和人臉信息提取單元，其中：

人臉信息比對(duì)單元，用于比對(duì)人臉信息找出相同的人臉信息；

人臉信息提取單元，用于在相同的人臉信息中提取出最清晰的人臉信息進(jìn)行保存。