一种智慧社区的数据分析方法及人员追踪方法、系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种智慧社区的数据分析方法及人员追踪方法、系统。

背景技术

随着云服务、大数据、人工智能等新技术的发展以及应用，为了保障社区人员的安全，即时发现和制止潜在的犯罪可能性，建立待追踪人员管理平台，构建智能化待追踪人员管理库，健全待追踪人员信息智能档案，实现人口精细化、动态化、智能化管理，对城市社区进行智能安防管理尤为重要。然而传统的排查方法耗费大量的人力、物力，进而导致排查效率不高，并且人脸识别设备对人体图像的遮挡、朝向以及清晰度的要求又苛刻，使得识别效率及准确度难以保证。

发明内容

有鉴于此，本发明实施例提供了一种智慧社区的数据分析方法及人员追踪方法、系统，解决人员的管理过程中排查要求苛刻，识别的效率及准确度难以保证的问题。

根据第一方面，本发明实施例提供了一种智慧社区的数据分析方法，包括：获取人脸图像数据，所述人脸图像数据包括：人脸图像及所述人脸图像对应的相机编码和拍摄时间；利用预设聚类算法对所述人脸图像进行聚类，将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息；根据待识别区域及预设时间范围，在所述人脸图像数据中确定有效人脸图像数据，获取所述有效人脸图像数据对应的ID编码、人脸信息；根据各所述有效人脸图像数据对应的拍摄时间，确定有效时间范围，获取所述有效时间范围内所述待识别区域的设备识别码信息，所述设备识别码信息包括：设备识别码及所述设备识别码对应的采集设备编号；根据所述有效人脸图像数据对应的ID编码、人脸信息、所述设备识别码信息及相机编码与采集设备编号之间的预设对照关系，确定所述设备识别码对应的所述ID编码和人脸信息。

可选地，所述将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息，包括：所述预设图像模板库包括模板人脸图像及所述模板人脸图像对应的ID编码和基本信息，根据预设识别算法对所述模板人脸图像进行特征提取，确定各模板人脸图像的模板特征值；根据所述预设识别算法对聚类后的人脸图像数据的当前人脸图像进行特征提取，确定当前人脸图像的匹配特征值；根据各所述模板特征值及所述匹配特征值，分别计算所述当前人脸图像与各所述模板人脸图像的相似度；如果相似度中的最大相似度大于预设阈值，将当前人脸图像对应的ID编码确定为最大相似度对应的模板人脸图像对应的ID编码；根据当前人脸图像对应的ID编码确定当前人脸图像的人脸信息。

可选地，在获取所述有效时间范围内所述待识别区域的设备识别码信息之后，所述数据分析方法，还包括：在有效时间范围内所述待识别区域的设备识别码信息中对外来设备识别码进行过滤，得到有效设备识别码，所述外来设备识别码包括：第一预设时间内的第一外来设备识别码及第二预设时间内的第二外来设备识别码；通过以下公式表示外来设备识别码：

其中，

可选地，所述根据所述有效人脸图像数据对应的ID编码、人脸信息、所述设备识别码信息及预设相机编码与采集设备编号之间的对照关系，确定所述设备识别码对应的所述ID编码和人脸信息，包括：根据所述有效人脸图像数据中的相机编码、所述设备识别码信息中的采集设备编号及所述预设对照关系，得到各有效人脸图像数据对应的ID编码与设备识别码的关联关系；根据满足预设条件的关联关系，确定所述设备识别码对应的所述ID编码和人脸信息。

根据第二方面，本发明实施例提供了一种智慧社区的人员追踪方法，包括：获取目标追踪区域的人脸图像数据，基于所述人脸图像数据采用本发明实施例第一方面及任一可选实施方式的智慧社区的数据分析方法，确定待追踪人员的设备识别码，所述人脸图像数据中包括所述待追踪人员的人脸图像数据；获取所述设备识别码对应的采集设备的位置信息及采集时间；根据所述采集时间的顺序及所述位置信息，确定待识别人员的行动轨迹。

根据第三方面，本发明实施例提供了一种智慧社区的数据分析系统，包括：第一处理模块，用于获取人脸图像数据，所述人脸图像数据包括：人脸图像及所述人脸图像对应的相机编码和拍摄时间；第二处理模块，用于利用预设聚类算法对所述人脸图像进行聚类，将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息；第三处理模块，用于根据待识别区域及预设时间范围，在所述人脸图像数据中确定有效人脸图像数据，获取所述有效人脸图像数据对应的ID编码、人脸信息；第四处理模块，用于根据各所述有效人脸图像数据对应的拍摄时间，确定有效时间范围，获取所述有效时间范围内所述待识别区域的设备识别码信息，所述设备识别码信息包括：设备识别码及所述设备识别码对应的采集设备编号；第五处理模块，用于根据所述有效人脸图像数据对应的ID编码、人脸信息、所述设备识别码信息及相机编码与采集设备编号之间的预设对照关系，确定所述设备识别码对应的所述ID编码和人脸信息。

根据第四方面，本发明实施例提供了一种智慧社区的人员追踪系统，包括：设备识别码确定模块，用于获取目标追踪区域的人脸图像数据，基于所述人脸图像数据采用本发明实施例第三方面及任一可选实施方式的智慧社区的数据分析系统，确定待追踪人员的设备识别码；获取模块，用于获取所述设备识别码对应的采集设备的位置信息及采集时间；轨迹确定模块，用于根据所述采集时间的顺序及所述位置信息，确定待识别人员的行动轨迹。

本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现本发明第一方面及任意一种可选方式所述的智慧社区的数据分析方法，或者，实现本发明第二方面及任意一种可选方式所述的智慧社区的人员追踪方法。

本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面及任意一种可选方式所述的智慧社区的数据分析方法，或者，执行本发明第二方面及任意一种可选方式所述的智慧社区的人员追踪方法。

本发明技术方案，具有如下优点：

1.本发明实施例提供了一种智慧社区的数据分析方法，通过将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息，然后获取有效时间范围内待识别区域的设备识别码信息，最终利用相机编码与采集设备编号之间的预设对照关系，确定设备识别码对应的ID编码和人脸信息；将进出社区人员的手机IMSI卡的设备识别码与该人人脸图像的数据进行智能匹配，实现人码合一，减少社区工作人员排查登记管理的工作量，提高了识别的效率及准确度。

2.本发明实施例提供了一种智慧社区的人员追踪方法，通过对待追踪人员的图像进行数据分析，得出该人员对应的设备识别码，通过设备识别码辅助实现待追踪人员的行动轨迹追踪，将行动轨迹作为对待追踪人员进行全方位多维度分析的基础。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例中智慧社区的数据分析方法的流程图；

图2为本发明实施例中人脸图像与设备识别码关联关系的示意图；

图3为本发明实施例中智慧社区的人员追踪方法的流程图；

图4为本发明实施例中智慧社区的数据分析系统的示意图；

图5为本发明实施例中智慧社区的人员追踪系统的示意图；

图6为本发明实施例中的电子设备的结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

因此，本发明实施例提供了一种智慧社区的数据分析方法，如图1所示，该方法具体包括：

步骤S1：获取人脸图像数据。

本发明实施例中，基于目前安全摄像头的按照，各个社区都安装有多个安全相机摄像头，以便于对社区人员进行安全保护，并且对违法行为进行监控，因此可以通过各个相机对人脸图像数据进行采集，对采集的人脸图像数据进行存储，其中，可以通过record_id为数据库的主键ID，people_id为人的ID，ipc_id为设备序列号，time_stamp为抓拍时间，smart_feature为算法特征值float数组，update_time为修改时间，remark为描述。人脸图像数据包括：人脸图像(通过相机拍摄的人脸图像)及人脸图像对应的相机编码和拍摄时间，因为每个相机摄像头都有其对应的唯一编码，为了后续识别及追踪，将每个图像进行相应的标识，在当前相机拍摄的图像中进行相机编码和拍摄时间的标识。需要说明的是，本发明实施例仅举例说明了采集到的人脸图像数据的存储样例，在实际应用中可以根据需要关注的重点消息进行增加或者替换其他数据进行存储，本发明不以此为限。

步骤S2：利用预设聚类算法对人脸图像进行聚类，将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息。本发明实施例中，在获取到人脸图像数据后，首先对各个人脸图像数据进行聚类，将符合的特征数据归并为同一类，即特征一致性高的图像为同一个人，其中，可以利用现有的预设聚类算法，例如K-Means(K均值)聚类对人脸图像进行聚类。然后为了进行人脸的匹配，需要获取预设图像模板库中的人员的图像，将匹配成功的人脸图像数据对应的ID编码、人脸信息确定为预设图像模板库中的人员对应的ID编码、人脸信息，其中预设图像模板库中包含已经确认的各人员的ID编码，人员图像及人员相应的基本信息(姓名、性别、家庭住址、联系电话、工作单位等等，这些基本信息)。通过以下公式对人脸图像数据进行聚类计算：

其中，S(△)是关于差异△的函数；如果S(△)>＝Thresold(预设值):为同一个人；S(△)

其中，在获取人脸图像数据之后，为了更好地服务算法需要对数据进行预处理，具体包括数据清洗、数据修复、数据特征提取等。比如对错误的数据进行清洗、对不规范的数据进行整理归纳、对数据进行标准化，从而得到能够直接使用的数据。

需要说明的是，本发明实施例中，仅举例说明选择K-Means聚类算法作为预设聚类算法，还可以根据实际需求选择其他聚类算法，例如均值漂移聚类、基于密度的聚类方法等聚类算法，本发明并不以此为限。

步骤S3：根据待识别区域及预设时间范围，在人脸图像数据中确定有效人脸图像数据，获取有效人脸图像数据对应的ID编码、人脸信息。

本发明实施例中，确定需要监测的智慧社区的某个小区后，设定这个范围为待识别区域，根据需要监测的时间范围确定预设时间范围(例如过去三个月内)其中可以根据实际情况进行时间范围的确定，避免对所有数据进行分析计算造成的不必要的资源浪费，根据根据待识别区域及预设时间范围，在人脸图像数据中确定有效人脸图像数据，获取有效人脸图像数据对应的ID编码、人脸信息，便于后续的数据分析。

步骤S4：根据各有效人脸图像数据对应的拍摄时间，确定有效时间范围，获取有效时间范围内待识别区域的设备识别码信息。

本发明实施例中，根据各有效人脸图像数据对应的拍摄时间，排除一些在预设时间范围内没有出现相应人员的时间，确定有效时间范围，利用设置在社区内的各个现有的采集设备获取有效时间范围内待识别区域的设备识别码信息，将设备识别码信息进行存储，通过uuid表示索引id，IMSI为手机IMSI码，sn为电围设备序列号，imei为手机imei码，time为采集时间，community_id为小区ID，longitude为经度，latitude为纬度，operator为运营商，region_id为区域ID，dev_mac为采集设备MAC地址，service_code为采集设备场所编码，company_id为采集设备厂商组织机构代码，cell_number为采集设备板卡，tmsi为采集设备源LAC号码，dev_id为采集设备模块，rsrp_distance为采集设备场强距离，migrate_time为数据更新时间。

其中，设备识别码信息包括：设备识别码(IMSI码)及设备识别码对应的采集设备编号。其中，相较于单一的人脸识别技术，基于手机卡IMSI的IMSI码数据，对人体图像的遮挡、朝向没有要求，而且不需要摘除口罩，数据易于获得等优势可以帮助整合公安、司法、等相关部门信构建待追踪人员库，显示各类待追踪人员的姓名、有效证件号、居住地址、活动范围、行为轨迹等情况，实行智能动态监管。为社会治安管理部门提供相关信息技术支持和科学决策依据，实现可视、可控、可追溯，加强和创新社会治安，促进社会治安持续稳定。IMSI(International Mobile Subscriber Identity)国际移动用户识别码(设备识别码)，是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码，由一串十进制数字组成，最大长度为15位。在全球移动通信系统和通用移动通信系统中，IMSI来自手机SIM卡，手机将IMSI存储于一个64比特的字段发送给网络，只要一个移动网络的用户需要与其他移动网络互通，就必须使用IMSI，同时还不需要用户配合，几乎是在用户无意识的状态下，用户也无需与采集设备接触就可采集数据。

步骤S5：根据有效人脸图像数据对应的ID编码、人脸信息、设备识别码信息及相机编码与采集设备编号之间的预设对照关系，确定设备识别码对应的ID编码和人脸信息。

本发明实施例中，预先将社区内的各个相机与采集设备直接的对照关系通过相机编码与采集设备编号进行编辑，将满足对照关系的有效人脸图像数据与设备识别码进行匹配，设备识别码对应的ID编码和人脸信息与有效人脸图像数据对应的ID编码、人脸信息一致即为实现了人码合一，通过人脸识别机器(相机)抓拍的人脸图像数据和IMSI码采集设备采集的IMSI码数据碰在一起形成的数据面的碰撞面方法进行有效人脸图像数据与设备识别码的匹配，碰撞面的超平面方程可以写成如下格式：

f(x；w)＝w

其中，x为碰撞面样本点向量,x＝{x

进而根据述设备识别码对应的ID编码和人脸信息建立社区的知识图谱，基于NLP知识图谱技术，利用设备识别码对应的ID编码和人脸信息，建立了海量大数据的社区知识图谱，更好地发挥的海量多源异构社区大数据的价值，需要将分散在各个社区的非结构化数据和结构化数据，以及相关的公共安全数据，汇聚到一个统一的数据汇聚中心，进行统一的治理和管理，由点到面，由局部到整体，由小区到城市，形成一个立体的数据网状结构。经汇聚治理后的数据，再提供给下游使用，从多维度挖掘社区人口的关系，构建社区人员画像，满足大量数据挖掘的需求。

本发明提供的智慧社区的数据分析方法，通过将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息，然后获取有效时间范围内待识别区域的设备识别码信息，最终利用相机编码与采集设备编号之间的预设对照关系，确定设备识别码对应的ID编码和人脸信息；将进出社区人员的手机IMSI卡的设备识别码与该人人脸图像的数据进行智能匹配，实现人码合一，减少社区工作人员排查登记管理的工作量，提高了识别的效率及准确度。

具体地，在一实施例中，上述的步骤S2中，具体包括如下步骤：

步骤S21：根据预设识别算法对模板人脸图像进行特征提取，确定各模板人脸图像的模板特征值。

本发明实施例中，先利用云天算法将准备好的各个人员图片进行特征提取，如果人员图片中的人均为实名人员，则不需要计算预设图像模板库中人员的相似度，如果不是实名人员，则还需要将各个人员图片根据相似度进行聚类与分类，人脸对比相似度计算，使用自主搭建的RPC服务(通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议)，支持预设图像模板库的增，删，改；根据现有的人脸对比方案，计算人脸相似度，自设并测试阈值。生成预设图像模板库人员相关信息文件，人脸对比RPC服务初次启动时，则会读取该文件作为人脸对比的预设图像模板库；其中，各个人员图片的获取途径可以是通过kaffa消费数据，存入本地，也可以通过其他部门直接提供等方式进行获取；得到人员图片后，利用算法将人脸大小图路径及在大图中的位置相关数据存入数据库，在凌晨时间读取本地图片数据，调用人脸算法提取小图人脸特征，更新数据库。

步骤S22：根据预设识别算法对聚类后的人脸图像数据的当前人脸图像进行特征提取，确定当前人脸图像的匹配特征值。本发明实施例中，选择与模板人脸图像提取特征值的算法一致的算法，保证提取特征值得相对一致性。

步骤S23：根据各模板特征值及匹配特征值，分别计算当前人脸图像与各模板人脸图像的相似度。

本发明实施例中，将各个人脸图片根据相似度进行聚类与分类，人脸对比相似度计算使用以图搜图的方式进行图片聚类，从源图数据库中获取记录id和特征值；调用本地构建的人脸对比RPC服务；返回和所有预设图像模板库中人脸的相似度；获取相似度度最大值和人脸id；判断相似度最大值是否大于给定的阈值；若否：则新增人脸id，并将该人脸id和特征值存入对比的预设图像模板库中；记录该人脸id，特征值和所有人脸的对比结果【记录数据A】；若是：判断该id是否为新增id，若为旧有id，则将该id更新数据库中该条记录；若为新id，则记录该id以及该条数据在数据库中的索引id【记录数据B】；所有获取的数据运算完成后，统计记录数据B的结果，计算新增id所聚类的图片数量；选取图片数量在阈值之上的新增人脸id，并且只取最大的N个；删除人脸对比预设图像模板库中未被选择的新增人脸id；删除记录数据A中未被选择的所以新增id的数据以及相关计算的相似度数据；将选定的新增id和特征值加入预设图像模板库数据表；将剩余的记录数据A中的相似度数据加入相似度留存数据表；将剩余的记录数据表B中的数据依据记录条目的record_id更新people_id；统计新增的id数量，将数量加入新增人数记录数据表中。

步骤S24：如果相似度中的最大相似度大于预设阈值，将当前人脸图像对应的ID编码确定为最大相似度对应的模板人脸图像对应的ID编码。

步骤S25：根据当前人脸图像对应的ID编码确定当前人脸图像的人脸信息。

在实际应用中，利用人工智能技术对人脸图像数据进行实时提取和识别，根据上面人脸匹配的结果，基于大数据技术，自动储存人脸数据，然后通过聚类算法，再计算人脸抓拍数据(人脸图像数据)和预设图像模板库中每类人脸特征的欧式距离，得到一个距离数组，再将人脸抓拍数据存入最小距离的预设图像模板库人脸数据中，通过实时和离线的搜索比对，结合大数据运算。人脸图像数据与人脸预设图像模板库生成数据比对碰撞面，相似度超过0.90认为同一人，碰撞成功写入人脸比对表，完成人脸分类算法。人脸聚类算法是将一个集合内的人脸根据身份进行分组的算法。人脸聚类也通过将集合内所有的人脸两两之间做人脸比对，再根据这些相似度值进行分析，将属于同一个身份的人划分到一个组里，对于人脸聚类，采用卷积神经网络中提取出来的特征，人脸识别的神经网络把人脸图片映射到一个高维的向量。其中，人脸数据原始特征向量可以表示为：

x

其中，x

x

其中，x

其中，人脸样本点

人脸特征L2的范数为：

然后对人脸特征做L2范数归一化，向量中每个元素除以向量的L2范数。那么人脸特征则会分布在一个球面上，这样可以使用L2距离来度量。

其中，yi为目标值；

D(x

欧式距离计算公式：

损失函数：

具体地，在一实施例中，在上述的步骤S4之后，本发明实施例提供的数据分析方法，还包括如下步骤：

步骤S6：在有效时间范围内待识别区域的设备识别码信息中对外来设备识别码进行过滤，得到有效设备识别码，外来设备识别码包括：第一预设时间内的第一外来设备识别码及第二预设时间内的第二外来设备识别码。

在本发明实施例中，社区的人脸识别相机和IMSI码采集设备由于安装位置、角度和设备工作效率的问题，会采集大量对面社区的常驻人口，白天小商小贩人口和本社区夜间常驻人口的信息，为了保证系统的效果需要把这一部分的人员筛选出来，作为黑名单数据单独处理。通过以下公式表示外来设备识别码：

其中，n

其中，白天(第一预设时间)小商小贩以及碰撞面常驻人口规则如下：1)时间08时-21时，共13个小时/日；2)设置15min的滚动窗口，IMISI每15min为一个窗口，对该窗口的数据进行去重处理，若一个小时出现4次，则认为该小时t

夜间常驻人口规则如下：1)时间00时-06时，共6小时/日；2)IMSI码数据按照逐小时去重，当IMSI码出现在其中5个小时及以上，则将该IMSI码加入黑名单。3)在统计的天数内，出现1/3天数为黑名单level1，出现1/3到2/3天数为黑名单level2，出现大于2/3天数为黑名单level3；夜间常驻人口的若一个小时出现5次以上，认为该小时t

具体地，在一实施例中，上述的步骤S5中，具体包括如下步骤：

步骤S51：根据有效人脸图像数据中的相机编码、设备识别码信息中的采集设备编号及预设对照关系，得到各有效人脸图像数据对应的ID编码与设备识别码的关联关系。本发明实施例中，有效人脸图像数据对应的ID编码与设备识别码的关联关系表示当前人脸图像数据对应的ID编码对设备识别码匹配成功的占有率。

步骤S52：根据满足预设条件的关联关系，确定设备识别码对应的ID编码和人脸信息。本发明实施例中，将满足预设条件的占有率对应的关系确定为最终的关联关系，此时可以根据此关系确定设备识别码对应的ID编码和人脸信息。如图2所示，sp表示归一化之后的匹配到的当前人脸图像与IMSI码关联的占有率，纵坐标表示在不同的抓拍次数下，该人匹配到的IMSI码。大量的实验表明，当IMSI码占有率不小于0.6时，该IMSI码属于该人。随着人脸抓拍次数的不断增大，该人某一个IMSI码占有率有显著增大，即这个显著增大的IMSI码与该人脸实现了人码合一。

通过上述步骤S1至步骤S6，本发明实施例提供了一种智慧社区的数据分析方法，通过将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息，然后获取有效时间范围内待识别区域的设备识别码信息，最终利用相机编码与采集设备编号之间的预设对照关系，确定设备识别码对应的ID编码和人脸信息；将进出社区人员的手机IMSI卡的设备识别码与该人人脸图像的数据进行智能匹配，实现人码合一，减少社区工作人员排查登记管理的工作量，提高识别的效率及准确度。

在实际应用中，以某一社区三个月内的人脸图像数据为例，在进行该人的人脸图像数据与IMSI码数据关联统一的过程，该算法程序步骤如下：第一步：取所有采集的人脸图像数据表中过去三个月的所有人脸ID；第二步：取中间结果表(聚类后分批次人码合一匹配结果的数据)中所有ID和ID的轮次以及上次处理时间；第三步：判断第一步中所取的人脸ID是否在第二步中均存在，若否，则起始时间为当日00时的90天前，若均存在，则筛选所有ID的最新轮次的update_time的最早时间；第四步：筛选指定社区的所有人脸图片和时间；第五步：获取相机ipc_id和IMSI码设备编号对照表；第六步：匹配相机人脸图片和IMSI码设备，剔除非IMSI码设备有效范围的相机人脸图片；第七步：获取剩余人脸图片的时间范围，从IMSI码的存储数据表中提取该时间范围的对应IMSI码ID的IMSI码数据；第八步：获取对应IMSI码设备ID的IMSI码黑名单数据(外来设备识别码)；第九步：IMSI码碰撞算法，获得people_id和IMSI码对应表和概率；第十步：与第二步中的结果匹配并更新轮次和时间；第十一步：将数据更新到中间结果表中；第十二步：定期统计中间结果表中的一人一码对应结果，并将新的结果更新到中间结果表表中，并记录时间。

本发明实施例还提供了一种智慧社区的人员追踪方法，如图3所示，该方法具体包括：

步骤S01：获取目标追踪区域的人脸图像数据，基于人脸图像数据采用智慧社区的数据分析方法，确定待追踪人员的设备识别码。本发明实施例中，待追踪人员可以包括重点负面人员和重点关怀人员。其中重点负面人员是指对他人或社会有潜在危害性的社会群体；重点关怀人员是指需要保障的弱势群体。加强待追踪人员管理工作是社会治理的一部分。通过在目标追踪区域的人脸图像数据中的待追踪人员图片搜寻确定待追踪人员的IMSI码，匹配待追踪人员IMSI码，通过IMSI码辅助确定待追踪人员位置。

步骤S02：获取设备识别码对应的采集设备的位置信息及采集时间。本发明实施例中，设备识别码对应的采集设备的位置及采集时间都可以在设备识别码的采集过程中通过其他信息的形式与设备识别码进行存储。

步骤S03：根据采集时间的顺序及位置信息，确定待识别人员的行动轨迹。本发明实施例中，根据时间的前后顺序以及采集设备的位置信息，就可以一步一步的确定待识别人员的行动轨迹。

在实际应用中，为了提高一人一码匹配的准确度和进一步了解待追踪人员的出行规律，挖掘潜在人员关系属性，还可以根据待追踪人员的设备识别码对应的ID编码和人脸信息，探查与待追踪人员经常一起同行的人员。

其中同行碰撞算法逻辑如下：

Δτ

为了找到待追踪人员的出行规律，从数据特征可以看出，待追踪人员的数据存在多个碰撞面情况。通过待追踪人员图片搜寻确定待追踪人员的IMSI码过程中，需要进行单个碰撞面和多个碰撞面的优化。其中，单个碰撞面采用贪心算法策略，找到匹配此IMSI码的最优解，可以基于滑动窗口的IMSI码过滤算法，高效准确地对的异常数据和冗余数据进行识别和过滤。具体步骤如下：获取待追踪人员照片；确认待追踪人员是否居住在碰撞面覆盖范围内；使用待追踪人员照片在碰撞面相机检索待追踪人员出现时间；在该碰撞面检索待追踪人员出现时间区间内(±5min)以及在此区间往前(-5至-25min)或往后(+5至+25min)一段时间内的IMSI码；比较两个或三个区间内的IMSI码差异，筛选可能的IMSI码；和该碰撞面的黑名单码相比较，若待追踪人员居住在碰撞面覆盖范围内则优先于黑名单取交集，若否，在剩余码中去除黑名单内的码；筛选后的IMSI码出现的位置和时间是否与现有碰撞面待追踪人员照片时间冲突，去除冲突的IMSI码；在剩余IMSI码中筛选满足条件次数最多的码。

若该待追踪人员在多个碰撞面出现多次，则在单个碰撞面的基础上，再比较各个碰撞面的结果；优先取各个碰撞面筛选后结果的交集；若无交集，则取在最多的碰撞面出现，在此基础上出现次数最多的IMSI码；若交集多于1个，取出现次数最多的IMSI码；若交集仅有1个，则输出该码。

通过上述步骤S01至步骤S03，本发明实施例提供了一种智慧社区的人员追踪方法，通过对待追踪人员的图像进行数据分析，得出该人员对应的设备识别码，通过设备识别码辅助实现待追踪人员的行动轨迹追踪，将行动轨迹作为对待追踪人员进行全方位多维度分析的基础。

具体地，以某小区为例对本发明实施例的方法进行测试与验证，小区相机及采集设备安装位置是已知的，IMSI码重复采集时间间隔为5分钟。其中北门的电围设备序列号为GC0005，场强阈值设置：移动-90dBm，联通-64dBm，电信-64dBm。该IMSI码采集设备包括黑色主机和两个识别面板，面板与地面形成一定角度，不仅能180度抓拍到人的信息还能明确到人的具体行进方向，北门设备安装位置在小区3幢附近。设备会有社区1幢和2幢的在家休息的居民的IMSI码，还有周围街道来往行人的影响，对面街道公寓里的人员的IMSI码，附近底商和地摊小贩的数据。南门设备安装位置在社区南门附近，南门周边无小区，但是有一个三大运营商的信号塔，会对IMSI码识别设备有一定的干扰，南门GC0014场强阈值设置：移动-70dBm，联通-64dBm，电信-64dBm。移动为异频，频点39325，带宽5M，PCI固定为10，以降低对现网小区的干扰。

其中，测试数据选择某一个月的214张图像数据，最多的人脸id有37张图像，最少的只有3张，北门朝北的3个相机抓到55张图像，北门朝南的2个相机抓到148张图像，南门朝北的1个相机抓到6张图像，南门朝南的1个相机抓到5张图像。对数据进行预处理，时间间隔在30秒之内的都是连续抓拍，只留下时间最大的记录，在一次抓拍后，假设在半小时内，某人脸在同一碰撞面下被连续抓拍，那么就合并此段时间内的记录，记录为持续存在；在处理之后，总共有194条记录，其中在北门(碰撞面P5)有184条记录，南门(碰撞面P14)有10条记录。按照实验的先决条件，取出人脸图像数据，按照阈值为0.90，先进行各个人脸图像数据自己聚类的过程，将相似的人脸图像数据进行分类。

分别采用三种方法进行验证，方法1：外出：进入碰撞面前20min未采集到，进入碰撞面后5min内采集到；回来：进入碰撞面前5min采集到，离开碰撞面后20min内未采集到，得到人脸图像数据；得到满足预设条件次数最多的排名前5关联关系；取出某个存在一码多人的关系如表1所示，其中，number表示匹配重复的数量，is_black为0表示不是黑名单数据。

方法2：以照片时间在碰撞面范围内的5min，外出：照片时间后5min，回来：照片时间前5min，得到人码关联关系数据，基本所有的码均为黑名单内的码，因此不做考虑；方法3：在方法2的基础上去除黑名单数据，得到一码多人的情况，取出出现次数的最大值，得到最终的某个一码多人的关系如表2所示。

表1

此时方法1与方法3得到的数据是一致的。其中导致一码多人情况的原因可能为：上、下班高峰期同行；母子、父子、母女、父女等等同行；以及接送孩子上下学；同一人聚类成为多种类别；最终对比所有结果，可以得出方法1与方法3得到的结果是一致的。

表2

在实际应用中，还分析测试时间影响过程，针对聚类好的数据，按照分钟去重数量以及人脸图像抓拍数量的时间长短范围过滤取出抓拍数据；前期实验证明(分别获取不同时间范围的试验数据进行试验)，得出分数阈值为0.6是一个可以满足预设条件的经验值。

本发明实施例还提供智慧社区的数据分析系统，如图4所示，包括：

第一处理模块1，用于获取人脸图像数据，人脸图像数据包括：人脸图像及人脸图像对应的相机编码和拍摄时间。详细内容参见上述方法实施例中步骤S1的相关描述。第二处理模块2，用于利用预设聚类算法对人脸图像进行聚类，将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息。详细内容参见上述方法实施例中步骤S2的相关描述。第三处理模块3，用于根据待识别区域及预设时间范围，在人脸图像数据中确定有效人脸图像数据，获取有效人脸图像数据对应的ID编码、人脸信息。详细内容参见上述方法实施例中步骤S3的相关描述。第四处理模块4，用于根据各有效人脸图像数据对应的拍摄时间，确定有效时间范围，获取有效时间范围内待识别区域的设备识别码信息，设备识别码信息包括：设备识别码及设备识别码对应的采集设备编号。详细内容参见上述方法实施例中步骤S4的相关描述。第五处理模块5，用于根据有效人脸图像数据对应的ID编码、人脸信息、设备识别码信息及相机编码与采集设备编号之间的预设对照关系，确定设备识别码对应的ID编码和人脸信息。详细内容参见上述方法实施例中步骤S5的相关描述。

实际应用中，还可以根据实际需要提供交互可视化模块，可以展示碰撞面的可视化，人脸聚类的可视化，待追踪人员同行信息等。首页大屏展示整体或者区域的路网，可点击采集数量，档案人员详情，可动态更新人员流动状况曲线图。首页可输入姓名和身份证号码得到档案人员详情和系统匹配到的人脸图片并在地图上展示该人出现的地点，在该地点相机抓拍到的人脸照片数量和抓拍位置，从而得到该人的行动轨迹。数据统计页面可以直观地看到社区最近一周新增档案数量，24小时抓拍趋势图，从而了解到小区人员的出行规律，新增档案数量。设备管理页面可以查看人脸识别相机的工作状态，可以查看相机的编号，位置等信息，并在地图上显示出相机所在位置，若相机处于离线状态时，方便工作人员进行检修。聚类管理页面可以查看用于聚类数据列表和聚类详情，可以输入预设图像模板库数据主键或编号，查看人脸底库图片，抓拍数量，特征值等信息，并以详情的形式实时刷新显示。其中聚类详情可以进一步查看相似度和聚类计算的时间。该仿真的可视化界面的功能点主要包括：IMSI码同行页面可以查看与目标人员同行的人的人以及同行的次数、关系图谱。

通过上述各个组成部分的协同合作，本发明实施例提供了一种智慧社区的数据分析系统，通过将聚类后的人脸图像与预设图像模板库进行匹配，确定各人脸图像数据对应的ID编码及人脸信息，然后获取有效时间范围内待识别区域的设备识别码信息，利用相机编码与采集设备编号之间的预设对照关系，确定设备识别码对应的ID编码和人脸信息；将社区人员的手机IMSI卡的设备识别码与该人人脸图像的数据进行智能匹配，实现人码合一，减少社区工作人员排查登记管理的工作量，提高了识别的效率及准确度。

本发明实施例还提供智慧社区的人员追踪系统，如图5所示，包括：

设备识别码确定模块01，用于获取目标追踪区域的人脸图像数据，基于人脸图像数据采用智慧社区的数据分析系统，确定待追踪人员的设备识别码。详细内容参见上述方法实施例中步骤S01的相关描述。获取模块02，用于获取设备识别码对应的采集设备的位置信息及采集时间。详细内容参见上述方法实施例中步骤S02的相关描述。轨迹确定模块03，用于根据采集时间的顺序及位置信息，确定待识别人员的行动轨迹。详细内容参见上述方法实施例中步骤S03的相关描述。

通过上述各个组成部分的协同合作，本发明实施例提供了一种智慧社区的人员追踪系统，通过对待追踪人员的图像进行数据分析，得出该人员对应的设备识别码，通过设备识别码辅助实现待追踪人员的行动轨迹追踪，将行动轨迹作为对待追踪人员进行全方位多维度分析的基础。

本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图6中以通过总线连接为例。处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法。存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法。上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，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，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，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的储器的组合。

实现上述实施例方法使用的GPU是Tesla K40m显卡。GPU的数量为1，类型为KeplerGK110，CUDA核心数量：2880，双精度浮点性能：1.43Tflops，单精度浮点性能：4.29Tflops，专用存储器总容量：12GB，显存带宽:288GB/s支持PCI-E 3.0，功耗：235W热设计功耗被动散热。需要说明的是，本发明实施例举例说明GPU选择Tesla K40m显卡，在实际应用中还可以根据实际需要选择其他类型显卡，本发明并不以此为限。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。