一种基于刷脸出行大数据的车站降级人脸库生成方法技术

本发明专利技术提供了一种基于刷脸出行大数据的车站降级人脸库生成方法，属于城市轨道交通智能化技术领域，包括：利用乘客刷脸出行所产生的大数据，得到乘客的乘坐次数、刷脸频率以及乘坐站点的空间分布；根据这三个通行指标进行分析和处理，通过选取前三个月、前一个月、前一周所得到的通行数据进行不同权重参数的加权融合，得到乘客在每个站台的权值得分；将站台进行编号，进而乘客在所有站点的得分就可以组成固定维度的向量；将所有用户的通行大数据向量拼接成一个二维矩阵；根据每个车站的容量大小以及站点的得分情况进行人脸库的下发操作。本发明专利技术通过对人脸库的降级处理，有效地提高每个车站的资源利用效率，同时提高了人脸识别系统的可靠性。统的可靠性。统的可靠性。

【技术实现步骤摘要】
一种基于刷脸出行大数据的车站降级人脸库生成方法


[0001]本专利技术属于城市轨道交通智能化
，具体涉及一种基于刷脸出行大数据的车站降级人脸库生成方法。

技术介绍

[0002]城市轨道的不断发展，越来越多的城市人群选择地铁作为日常的通勤工具，与此同时，机器视觉技术的不断发展，以人脸识别为代表的生物特征识别技术走进了我们的日常生活中，典型人脸识别架构包括终端服务和云服务，其中终端既可以采集人脸图像，也能够提取人脸图像特征，云平台负责人脸库的保存和人脸特征的比对，即向终端设备提供人脸识别服务。
[0003]终端设备和云平台之间通过网络进行通信，但是当出现网络通信故障就会使得人脸识别失去可用性，由于云平台的客户数据量过大，不可能将所有的人脸库都下发至车站或者终端设备上，为了能够更有效的下发人脸数据，可以利用乘客刷脸出行所产生的大数据，对具体车站的人脸库降级处理后再进行下发，以最大的概率命中更多的人，从而提高人脸识别系统的可靠性。

技术实现思路

[0004]针对人脸识别系统的可靠性以及轨道交通场景云平台的客户数据量过大的问题，提出了一种基于刷脸出行大数据的车站降级人脸库生成方法，有效的减少车站的客户数据，提高资源利用效率以及人脸识别系统的可靠性。
[0005]为了解决上述问题，本专利技术提供一种基于刷脸出行大数据的车站降级人脸库生成方法，包括：
[0006]步骤S1、利用乘客刷脸出行的大数据进行加工，得到乘客在不同站点的得分；
[0007]步骤S2、对所有站点进行编号，将步骤S1中乘客在所有站点的得分进行拼接，组成向量；
[0008]步骤S3、将步骤S2组成的向量进行拼接，组成一个二维矩阵；
[0009]步骤S4、选取前三个月、前一个月、前一周的刷脸出行大数据，对前一周的数据进行变动得到本周的通行数据；
[0010]步骤S5、随机初始化加权决策函数中的α、β以及γ，利用加权决策函数将前三个月、前一个月、前一周的得分向量进行融合得到当前周的通行数据；
[0011]步骤S6、对于步骤S4和S5得到的本周通行数据，利用均方误差函数得到的总误差，进行反向传播，从而对α、β以及γ的取值进行修正，得到最终的加权决策函数；
[0012]步骤S7、根据车站人脸库大小以及不同站点的人脸得分情况降级处理。
[0013]进一步地，所述的步骤S1中，利用乘客刷脸出行的大数据进行加工得到乘客在不同站点的得分，大数据包括：乘客的乘坐次数C、刷脸频率F以及乘坐站点的空间分布s。
[0014]进一步地，所述的步骤S2中，
[0015]每位乘客在所有站点得分所组成的向量P
i
表示为：
[0016]P
i
＝(P
i1
,P
i2
,...,P
im
)
[0017]所述的步骤S3中，将所有乘客融合的向量进行拼接，组成一个二维矩阵P，具体为：
[0018]假设共有n个人，m个站点，则二维矩阵的阶数为n*m，其具体表示为：
[0019][0020]进一步地，所述的步骤S4中，选取前三个月、前一个月、前一周的刷脸出行大数据，对前一周的数据进行变动得到本周的通行数据，具体为：
[0021]假定每个乘客的刷脸次数在10％上下波动，按照每个时间段的时长比例对前三个月的数据进行缩放，得到前一个月和前一周的刷脸数据；
[0022]假定95％的乘客其行程轨迹不变，其余5％的乘客行程轨迹发生改变，对前一周的数据进行变动，就得到本周的刷脸数据。
[0023]进一步地，所述的步骤S5中，随机初始化加权决策函数中的α、β和γ的值，利用加权决策函数将前三个月、前一个月、前一周的得分向量进行融合得到当前周的通行数据，其中加权决策函数F(P
i
)为：
[0024]F(P
i
)＝αP
i1
+βP
i2
+γP
i3
[0025]随机初始化α、β以及γ，利用上式的加权决策函数得到当前周的通行数据。
[0026]进一步地，所述的步骤S6中，对于得到的本周通行数据，利用均方误差函数得到的总误差，进行反向传播，从而对α、β以及γ的取值进行修正，得到最终的加权决策函数，其中均方误差函数MSE为：
[0027][0028]轮询得到的所有矩阵后，当MSE的值为最小时，得出最终的α、β以及γ，进而得到最终的加权决策函数。
[0029]进一步地，所述的步骤S7中，根据车站人脸库大小以及不同站点的人脸得分情况降级处理，其中，不同站点的人脸权值得分即为加权决策函数F(P
i
)的值，将得到的不同站点的F(P
i
)的值按照从大到小的顺序进行排列，对应各自的站点编号；在1：N的识别模式下，根据每个终端节点的计算资源的大小，将端侧人脸数据库按照比例分成不同规模的小的人脸库；对每个站点的人脸得分进行降序排列，然后根据具体的车站容量对人脸得分从大到小依次下发。
[0030]专利技术原理：通过选取前三个月、前一个月、前一周所得到的通行数据进行不同权重参数的加权融合，得到乘客在每个站台的权值得分；将站台进行编号，进而乘客在所有站点的得分就可以组成固定维度的向量；将所有用户的通行大数据向量拼接成一个二维矩阵；根据每个车站的容量大小以及站点的得分情况进行人脸库的下发操作。本专利技术通过对人脸库的降级处理，有效地提高每个车站的资源利用效率，同时提高了人脸识别系统的可靠性。
[0031]有益效果：与现有技术相比，本专利技术所产生的有益效果：1)通过对乘客刷脸出行的
大数据进行加工处理，量化人脸在不同的站台的权重；2)选择三个不同时期的刷脸出行数据，并对不同时期的数据分配不同比例的参数，充分考虑乘客的历史出行情况进行综合决策3)通过对人脸库的降级处理，可以有效地提高每个车站的资源利用效率，同时提高了人脸识别系统的可靠性。
附图说明
[0032]图1是本专利技术车站降级人脸库生成方法流程图；
[0033]图2是前三个月的刷脸通行部分仿真数据图；
[0034]图3是前一个月仿真数据图；
[0035]图4是前一周仿真数据图；
[0036]图5是本周部分仿真数据图。
具体实施方式
[0037]下面对本专利技术技术方案进行详细说明，但是本专利技术的保护范围不局限于所述实施例。
[0038]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明，除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例实施方式。
[0039]一种基于刷脸出行大数据的车站降级人脸库生成方法，包括如下步骤：
[0040]利用乘客刷脸出行的大数据进行加工，得到乘客在不同站点的得分；
...

【技术保护点】

【技术特征摘要】
1.一种基于刷脸出行大数据的车站降级人脸库生成方法，其特征在于，包括以下步骤：步骤S1、利用乘客刷脸出行的大数据进行加工，得到乘客在不同站点的得分；步骤S2、对所有站点进行编号，将步骤S1中乘客在所有站点的得分进行拼接，组成向量；步骤S3、将步骤S2组成的向量进行拼接，组成一个二维矩阵；步骤S4、选取前三个月、前一个月、前一周的刷脸出行大数据，对前一周的数据进行变动得到本周的通行数据；步骤S5、随机初始化加权决策函数中的α、β以及γ，利用加权决策函数将前三个月、前一个月、前一周的得分向量进行融合得到当前周的通行数据；步骤S6、对于步骤S4和S5得到的本周通行数据，利用均方误差函数得到的总误差，进行反向传播，从而对α、β以及γ的取值进行修正，得到最终的加权决策函数；步骤S7、根据车站人脸库大小以及不同站点的人脸得分情况降级处理。2.根据权利要求1所述的一种基于刷脸出行大数据的车站降级人脸库生成方法，其特征在于，所述的步骤S1中，利用乘客刷脸出行的大数据进行加工得到乘客在不同站点的得分，大数据包括：乘客的乘坐次数C、刷脸频率F以及乘坐站点的空间分布s。3.根据权利要求1所述的一种基于刷脸出行大数据的车站降级人脸库生成方法，其特征在于，所述的步骤S2中，每位乘客在所有站点得分所组成的向量P
i
表示为：P
i
＝(P
i1
,P
i2
,...,P
im
)所述的步骤S3中，将所有乘客融合的向量进行拼接，组成一个二维矩阵P，具体为：假设共有n个人，m个站点，则二维矩阵的阶数为n*m，其具体表示为：4.根据权利要求3所述的一种基于刷脸出行大数据的车站降级人脸库生成方法，其特征在于，所述的步骤S4中，选取前三个月、前一个月、前一周的刷脸出行大数据，对前一周的数据进行变动得到本周的通行数据，具体为：假定每个乘客...

【专利技术属性】
技术研发人员：吴娟，王宏博，林磊，陆赛杰，张亦然，徐健洲，张义鑫，何跃齐，李道全，刘光杰，王耀，司光字，
申请(专利权)人：南京信息工程大学北京城建设计发展集团股份有限公司，
类型：发明
国别省市：