[发明专利]一种基于社区活动轨迹的人员聚类方法及系统

说明书

本发明公开了一种基于社区活动轨迹的人员聚类方法，通过采集社区区域范围内的人员进出记录；根据人员的进出记录信息，统计人员的进出信息；根据人员的进出记录信息，将人员的个人信息进行文本特征处理为onehot编码；将人员的进出信息和人员的个人信息输入K‑means聚类分析算法，通过设置不同的类别数得到不同类别数量下的聚类损失函数值；根据得到不同类别数量下的聚类损失函数值及类别数量拟合在当前数据集下的聚类损失对类别数的函数；将该拟合函数的拐点作为最佳分类数量，以最佳分类数量对应的聚类模型将社区区域范围内的人员进行聚类。旨在解决现有技术中存在的人工辅助标注方法：Kmeans‑人脸聚类算法精确度低技术问题。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种基于社区活动轨迹的人员聚类方法。

背景技术

随着社会的发展和城市化进程的逐步推进，社区的数量急剧增加，初步估计，全国小区数量已经超过了50万个，这给社区的管理带来巨大的压力。社区的管理中最重要的就是人的管理。城市的发展带来大量人口流入流出，人口的流动已经特别频繁，尤其是大型和特大型城市，流动人口数量庞大，据《中国流动人口发展报告2017》的统计，2016年我国的流动人口规模就已经达到2.45亿人，而经过了4年的发展，当前的流动人口规模将更加巨大。流动人口组成复杂，有大量来自农村的务工人员，也包含社会无业闲散人员，甚至还有逃窜的犯罪分子。如何对这些人口进行管理，已经成为城市管理或者社区管理中的一个难题。

现有的人脸数据集标注方式有三种，一种是人工标注、另一种是人工辅助标注、又另一种是自动标注。人工标注虽然是目前主流的数据标注方法，且人工标注的准确性有保证，但是人工标注的人工成本和时间成本很高。自动标注一般借助搜索引擎，通过关键词搜索收集图片，用搜索关键词标注。虽然自动标注方法简单，但是收集到的数据集质量很差，数据清洗成本较高。人工辅助标注是介于人工和自动标注之间的一种标注方式。

现有的人工辅助标注方法一般采用人脸聚类算法，传统人脸聚类算法包括包括但不限于kmeans-聚类算法，然而K-means聚类算法难以对人脸特征向量进行精准聚类，对大规模人脸特征向量难以均匀划分，影响聚类结果的精确度。

因此，如何实现高精准度人脸聚类算法的人工辅助标注，是一个亟需解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于社区活动轨迹的人员聚类方法，旨在解决现有技术中存在的人工辅助标注方法：Kmeans-人脸聚类算法精确度低技术问题。

为实现上述目的，本发明提出一种基于社区活动轨迹的人员聚类方法，所述人员聚类方法包括如下步骤：

采集社区区域范围内的人员进出记录；

根据人员的进出记录信息，统计人员的进出信息，包括：以小时为单位统计人员进出的次数及频率，以时段为单位统计人员进出的次数及频率；

根据人员的进出记录信息，将人员的个人信息进行文本特征处理为onehot编码；

将人员的进出信息和人员的个人信息输入K-means聚类分析算法，通过设置不同的类别数得到不同类别数量下的聚类损失函数值；

根据得到不同类别数量下的聚类损失函数值及类别数量拟合在当前数据集下的聚类损失对类别数的函数；

将该拟合函数的拐点作为最佳分类数量，以最佳分类数量对应的聚类模型将社区区域范围内的人员进行聚类。

优选的，一种基于社区活动轨迹的人员聚类方法，所述统计人员的进出信息步骤中，以小时为单位统计人员进出的次数及频率具体为：根据人员的进出记录日期，统计人员进出的天数、次数、平均进出次数及频率，再计算出人员在各小时内进出的次数及频率。