用户群体关系确定方法、装置、设备及存储介质与流程

本发明实施例涉及图像处理技术，尤其涉及一种用户群体关系确定方法、装置、设备及存储介质。

背景技术：

随着城市化进程的加快，城市的人群密集程度增加。在公共场所中，人们会自发的向熟人或者具有相同或相似特征的群体中靠拢。此时，群体行为分析对于异常行为检测、场所规划和个体在群体中受到群体的影响等都起到重要作用。

通常，人群密集的公共场所中，人们往往不是自由地单独行动，而是更加倾向于三五成群地共同行动。这些子群体中，个体会调整自己的状态使之和旁人保持一致，形成具有一致性的组群。因此，可以从这些小的组群的角度去看待密集群体，而非将人群视作一个个单独的个体。

在目前的群体划分方法中，通常是通过团体人群在视频中的运动特性、行进速度信息等动态特征进行分析。这种方式必须获取连续的多个视频帧才能检测到动态特征，导致群体划分方法的数据处理的数据量大，效率低。此外上述方法仅能识别运动个体，而且，无法区分运动个体，以及针对性的将用户信息与运动个体对应起来，实现群体的识别和维护。

技术实现要素：

本发明实施例提供了一种用户群体关系确定方法、装置、设备及存储介质，可以根据用户的静态特征信息最终确定用户间的群体关系，同时可以区分各用户。

第一方面，本发明实施例提供了一种用户群体关系确定方法，包括：

在设定场景环境中，获取与至少一个时间点对应的场景图片集；

根据由场景图片集中对应场景图片识别出的至少一个用户的地理位置信息，确定与每个场景图片集对应的至少一个用户群体集；

根据所述用户群体集，生成与用户对应的群体特征向量，并根据所述群体特征向量，确定用户间的群体关系。

第二方面，本发明实施例还提供了一种用户群体关系确定装置，包括：

场景图片集获取模块，用于在设定场景环境中，获取与至少一个时间点对应的场景图片集；

用户群体集确定模块，用于根据由场景图片集中对应场景图片识别出的至少一个用户的地理位置信息，确定与每个场景图片集对应的至少一个用户群体集；

群体关系确定模块，用于根据所述用户群体集，生成与用户对应的群体特征向量，并根据所述群体特征向量，确定用户间的群体关系。

第三方面，本发明实施例还提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如本发明实施例中任一所述的用户群体关系确定方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的用户群体关系确定方法。

本发明实施例通过获取至少一个属于同一拍摄时间点的场景图片形成的场景图片集，检测每个场景图片集中的用户的地理位置信息也即静态特征信息，而后根据地理位置信息对每个场景图片集中的用户进行群体划分，生成与每个场景图片集对应的用户群体集，由此确定每个用户的群体特征向量，从而实现区分各用户，最后根据各用户的群体特征向量确定用户间的群体关系，解决了现有技术中通过动态特征确定用户的群体关系的数据量大和效率低，且无法准确区分运动个体的问题，通过整合用户的静态特征信息确定用户群体关系，实现以更加全面的信息识别用户群体关系，可以提高用户群体关系确定的准确性，同时可以减少连续获取的图像的数量，提高群体关系识别的效率。

附图说明

图1a是本发明实施例一提供的一种用户群体关系确定方法的流程图；

图1b是本发明实施例一提供的一种设定场景环境的结构示意图；

图1c是本发明实施例一提供的一种群体特征向量确定方法的流程图；

图2a是本发明实施例二提供的一种用户群体关系确定方法的流程图；

图2b是本发明实施例二提供的一种用户数据抽取方法的流程图；

图3a是本发明实施例三提供的一种用户群体关系确定方法的流程图；

图3b是本发明实施例三提供的一种应用场景的示意图；

图4是本发明实施例四提供的一种用户群体关系确定装置的结构示意图；

图5是本发明实施例五提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1a为本发明实施例一提供的一种用户群体关系确定方法的流程图，本实施例可适用于确定场景环境中用户间的群体关系的情况，该方法可以由本发明实施例提供的用户群体关系确定装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成具有与拍摄设备通信功能的电子设备中，例如，客户端或服务器等。如图1a所示，本实施例的方法具体包括：

s110，在设定场景环境中，获取与至少一个时间点对应的场景图片集。

具体的，设定场景环境可以是指设置有摄像头的场所，例如，商业广场、会所、停车场、体育馆、招聘区域或车站等公共场所。

场景图片集包括至少一个场景图片，每个场景图片可以是指包括设定场景环境的图片，可以通过拍摄设备(如摄像头)拍摄设定场景环境的方式获取。若场景图片集中包括的至少两张场景图片，各场景图片是分别由不同拍摄设备在同一时间点拍摄设定场景环境得到的图片。其中，不同场景图片集对应的时间点不同，也即不同场景图片集对应的拍摄时间不同。

可以理解的是，场景图片集实际是具有相同拍摄时间且以不同拍摄角度进行拍摄的场景图片的集合。从而，根据每个场景图片集可以准确确定设定场景环境中各个用户的位置信息以及其他用于标识该用户的生物特征信息，例如人脸信息。

其中，可以获取至少一个摄像头实时拍摄的场景图片，并形成与当前时间点对应的场景图片集；或者获取至少一个摄像头拍摄的设定场景的历史视频，并从中提取相同时间点对应的场景图片生成场景图片集。

可选的，在设定场景环境中，获取与至少一个时间点对应的场景图片集，包括：通过设置于所述设定场景环境中的至少一个摄像头，实时捕捉场景图片，并记录各所述场景图片的拍摄时间；将每个所述摄像头所拍摄的，拍摄时间与同一时间点关联的场景图片归集于同一场景图片集中。

具体的，每个所述摄像头所拍摄的，拍摄时间与同一时间点关联的场景图片可以是指拍摄时间相同的每个摄像头拍摄的场景图片。通过实时拍摄场景图片并记录拍摄时间，可以及时准确将具有相同拍摄时间且具有不同拍摄角度的拍摄场景图片归集于同一个场景图片集中。

可选的，获取与至少一个时间点对应的场景图片集，包括：获取设置于所述设定场景环境中的至少一个摄像头拍摄的视频；分别在每个所述摄像头拍摄的视频中截取设定时间范围内的视频段；按照设定采样频率分别对至少一个视频段进行采样，得到至少一个场景图片，并将拍摄时间与同一时间点关联的场景图片归集于同一场景图片集中。

具体的，设定时间范围和设定采样频率均可以根据需要设定，例如，设定时间范围为10:00:00:000-12:00:00:000。设定采样频率为3秒。通过分别从不同摄像头录制的视频中截取相同时间范围并以相同采样频率进行采样，获取多个场景图片，从中提取具有相同拍摄时间的拍摄场景图片归集于同一场景图片集中，可以实现从录制的视频中提取具有相同拍摄时间且具有不同拍摄角度的拍摄场景图片，形成场景图片集。

在一个具体的例子中，从2个小时的视频中按照3秒的采样频率采集场景图片，则可以得到2×60×60÷3＝2400个场景图片。

其中，设置于所述设定场景环境中的至少一个摄像头可以包括：分别设置于所述设定场景环境所确定的矩形的四个角点上的四个水平摄像头，以及一个设置在所述矩形中央的上部的一个顶部摄像头。

其中，水平摄像头是指拍摄角度为水平或水平向下的摄像头。顶部摄像头是指一般安装在天花板或房顶的摄像头，只能俯视拍摄。通常顶部摄像头的水平高度高于水平摄像头的水平高度。而且摄像头可以获取深度信息。

在一个具体的例子中，如图1b所示，水平摄像头141分别设置于设定场景环境中的四个顶点处，顶部摄像头142设置在设定场景环境中的天花板中心。

此外，摄像头的数目、类型和分布情况以及设定场景环境的尺寸和形状均可以根据需要进行设定，例如，可以设置6个水平摄像头均匀分布在设定场景环境的四周，或设置多个顶部摄像头等。对此，本发明实施例不做具体限制。

s120，根据由场景图片集中对应场景图片识别出的至少一个用户的地理位置信息，确定与每个场景图片集对应的至少一个用户群体集。

具体的，地理位置信息可以是指用户在设定场景环境中的坐标信息，示例性的，可以在设定场景环境中建立空间坐标系，用户的地理位置信息即为用于代表该用户的用户特征点在该空间坐标系中的空间坐标，其中，用户特征点可以是指用户的眼睛、鼻子、嘴巴、手指、鞋或膝盖等特征部位中的某一点。

用户群体集包括至少一个用户，用户群体集用于将当前时间点存在疑似群体关系的用户集合在一起，其中，存在疑似群体关系是指至少两个用户相互认识，或者具有相同特征(如偏好、居住地和职业选择中的至少一种特征信息)的关系。具体可以是根据场景图片集中识别到的全部用户的地理位置信息，将距离小于等于设定距离的用户归集于一个集合中，形成用户群体集。

s130，根据所述用户群体集，生成与用户对应的群体特征向量，并根据所述群体特征向量，确定用户间的群体关系。

群体特征向量可以是指用于表示各用户的归属群体特征信息的向量。群体关系可以是用于表示至少两个用户属于同一群体的关系，可以采用集合表示，若集合具体为：{用户a，用户b}{用户c}，则用户a和用户b属于同一个群体，而用户c不属于任何一个群体也即用户c自己为一个群体。此外，还可以表示为：ab，c。本发明实施例中的群体关系还可以是其他表示方式，对此，不作具体限制。

其中，群体特征向量可以通过将用户群体集输入到预先训练的机器学习模型中，得到模型输出的结果；或者还可以根据各用户群体集包括的用户可以确定各用户的归属群体特征信息，进而可以根据用户的归属群体特征信息确定用户对应的群体特征向量。示例性的，归属群体特征信息可以是指用户属于用户群体集的概率，该概率可以通过用户群体集的权重以及用户是否属于该用户群体集计算得到。此外，还有其他方式可以计算群体特征向量，对此，本发明实施例不作具体限制。

可以根据各用户的群体特征向量，计算每两个群体特征向量之间的向量距离，并将向量距离小于等于设定向量距离的至少两个用户确定属于一个群体，并在属于一个群体的各用户之间建立群体关系。若一个用户与其他任意一个用户之间的向量距离均大于设定向量距离，则该用户自己为一个群体。

在一个具体的例子中，如图1c所示，每个场景图片集151均可以确定多个用户群体集152，根据全部用户群体集152对包括的各用户进行群体划分153，得到各用户分别对应的群体特征向量154。

本发明实施例通过获取至少一个属于同一拍摄时间点的场景图片形成的场景图片集，检测每个场景图片集中的用户的地理位置信息也即静态特征信息，而后根据地理位置信息对每个场景图片集中的用户进行群体划分，生成与每个场景图片集对应的用户群体集，由此确定每个用户的群体特征向量，从而实现区分各用户，最后根据各用户的群体特征向量确定用户间的群体关系，解决了现有技术中通过动态特征确定用户的群体关系的数据量大和效率低，且无法准确区分运动个体的问题，通过整合用户的静态特征信息确定用户群体关系，实现以更加全面的信息识别用户群体关系，可以提高用户群体关系确定的准确性，同时可以减少连续获取的图像的数量，提高群体关系识别的效率。

实施例二

图2a为本发明实施例二提供的一种用户群体关系确定方法的流程图，本实施例以上述实施例为基础进行具体化，将根据由场景图片集中对应场景图片识别出的至少一个用户的地理位置信息，确定与每个场景图片集对应的至少一个用户群体集具体化为：对所述场景图片集中的每张场景图片进行人脸识别；确定与人脸识别结果对应的至少一个用户，所述至少一个用户在所述场景图片集关联的时间点处分别与所述至少两个摄像头之间的距离，以及所述至少两个摄像头在所述时间点处的拍摄角度；根据所述至少一个用户在所述时间点处分别与所述至少两个摄像头之间的距离，以及所述至少两个摄像头在所述时间点处的拍摄角度，确定所述至少一个用户对应的地理位置信息；根据所述地理位置信息，将所述至少一个用户归集于至少一个用户群体集中。如图2a所示，本实施例的方法具体包括：

s210，在设定场景环境中，获取与至少一个时间点对应的场景图片集；其中，在设定场景环境中，获取与至少一个时间点对应的场景图片集，包括：

通过设置于所述设定场景环境中的至少一个摄像头，实时捕捉场景图片，并记录各所述场景图片的拍摄时间；将每个所述摄像头所拍摄的，拍摄时间与同一时间点关联的场景图片归集于同一场景图片集中；或者

获取设置于所述设定场景环境中的至少一个摄像头拍摄的视频；分别在每个所述摄像头拍摄的视频中截取设定时间范围内的视频段；按照设定采样频率分别对至少一个视频段进行采样，得到至少一个场景图片，并将拍摄时间与同一时间点关联的场景图片归集于同一场景图片集中。

设置于所述设定场景环境中的至少一个摄像头包括：分别设置于所述设定场景环境所确定的矩形的四个角点上的四个水平摄像头，以及一个设置在所述矩形中央的上部的一个顶部摄像头。

在本实施例中，设定场景环境、场景图片集、用户群体集、群体特征向量和群体关系等均可以参考上述实施例的描述。

s220，对所述场景图片集中的每张场景图片进行人脸识别；其中，设置于所述设定场景环境中摄像头的数量为至少两个。

具体的，人脸识别可以通过预先训练的机器学习模型实现；还可以通过隐马尔科夫模型实现；或者是通过局部特征分析方法实现。此外还有其他实现方式，对此，本发明实施例不做具体限制。

可以采用多个摄像头拍摄场景环境中，具体的，摄像头的数量和类型可以基于场景环境的具体情况而定，例如，场景环境的较大(如3000平米)，摄像头的数量相应设置较多(如25个)。此外，至少两个摄像头中可以包括至少一个顶部摄像头和至少一个水平摄像头，也可以包括至少两个水平摄像头，还可以包括至少两个顶部摄像头，其中，至少两个摄像头之间的位置不作具体限制，只需要保证各摄像头距离较近且综合拍摄范围能够覆盖相应场景环境。

s230，确定与人脸识别结果对应的至少一个用户，所述至少一个用户在所述场景图片集关联的时间点处分别与所述至少两个摄像头之间的距离，以及所述至少两个摄像头在所述时间点处的拍摄角度。

通过对用户进行人脸识别，可以准确的区分场景图片中的各个用户。获取场景图片中每个用户的人脸特征信息，可以预先根据人脸特征信息和用户的标识信息建立对应关系，从而，根据人脸识别结果以及人脸特征信息和用户的标识信息的对应关系确定人脸特征信息对应的用户，其中，各用户可以采用不同的字符串(如1a)表示。

s240，根据所述至少一个用户在所述时间点处分别与所述至少两个摄像头之间的距离，以及所述至少两个摄像头在所述时间点处的拍摄角度，确定所述至少一个用户对应的地理位置信息。

具体的，多个摄像头可以看做是多个双目立体视觉测距系统，可以采用三角测距方法计算用户与各摄像头的距离，其中，由于用户可能是移动的，该距离实际是指在该场景图片集关联的时间点下对应的实时距离。摄像头的拍摄角度可以是固定的，可以在安置摄像头时确定拍摄角度；摄像头的拍摄角度可以是可变的，可以根据摄像头的角度调整装置获取的角度调整参数确定拍摄角度。此外，还需要确定各摄像头在该场景图片集关联的时间点下的焦距，以及各摄像头彼此之间的距离。其中，各摄像头彼此之间的距离是固定不变的，可以直接测量得到。各摄像头的焦距通常固定，可以直接根据摄像头的属性信息获取。

具体的，可以基于空间标准坐标系，根据检测各用户分别与各摄像头的距离、各摄像头的拍摄角度、各摄像头的焦距和各摄像头之间的距离，确定用户在该空间标准坐标系中的空间坐标，作为地理位置信息。

s250，根据所述地理位置信息，将所述至少一个用户归集于至少一个用户群体集中。

可选的，所述将至少一个用户归集于至少一个用户群体集中，可以包括：根据所述地理位置信息，对所述至少一个用户进行聚类分析，生成至少一个群体集；在每个所述群体集中，按照设定排列规则将所述群体集中包括的集合成员重新排序，生成至少一个重排群体集；将所述重排群体集和群体集确定为用户群体集。

具体的，聚类分析是指将用户分组为由相似的对象组成的多个集合的分析过程。可以采用密度聚类方法进行聚类分析。各群体集的群体成员不存在重叠情况，同时每个群体集中包括的集合成员是按照设定规则排列的，例如，可以按照用户的标识信息进行排序，其中，标识信息可以是指根据每个用户的生物特征信息生成对应的身份标识字符串(如identity)。

在一个具体的例子中，如图2b所示，通过接收至少一个摄像头发送的摄像头信息261，获取每个时间点对应的各用户的地理位置信息262，并根据所有用户的地理位置信息262采用密度聚类方法263，实现对各用户进行群体划分264，得到群体集。

重新排序可以是指列举出与当前排序结果关联的其他的排序结果，重排群体集为与群体集关联的其他排序结果对应的集合。示例性的，群体集为{a，b，c}，重排群体集可以包括{a，c，b}、{b，a，c}、{b，c，a}、{c，a，b}和{c，b，a}中的至少一种。将重排群体集和群体集均作为用户群体集。

通过聚类分析生成群体集可以准确将用户进行分组，同时基于群体集生成重排群体集，并将群体集和重排群体集共同作为用户群体集可以扩展群体特征信息的数量，增加群体特征信息的代表性，从而在后续根据用户群体集确定用户的群体特征向量时，提高用户群体特征向量的准确性。

需要说明的是设定规则还可以是其他排序方式，对此，本发明实施例不作具体限制。

s260，根据所述用户群体集，生成与用户对应的群体特征向量，并根据所述群体特征向量，确定用户间的群体关系。

本发明实施例通过设置多个摄像头对场景图片中的用户进行人脸识别，确定人脸识别结果对应的用户，可以准确检测用户的身份，同时检测确定的用户的地理位置信息，将人脸识别结果以及地理位置信息作为各用户的静态特征信息，判断用户间的群体关系，实现整合用户的静态特征信息，并通过整合的静态特征信息判断用户间的群体关系，从而增大用于判断群体关系的信息的范围，提高群体关系的检测的准确性，而且通过人脸识别，可以有效识别各用户，并确定每个用户的身份特征，从而实现建立群体关系中成员与用户的实际身份的关系，即实现有效区分群体关系中各用户。

实施例三

图3a为本发明实施例三提供的一种用户群体关系确定方法的流程图，本实施例以上述实施例为基础进行具体化，将根据所述用户群体集，生成与用户对应的群体特征向量，具体化为：将所述用户群体集输入至标准人工智能模型中，对所述标准人工智能模型进行训练，生成群体特征向量识别模型；根据所述群体特征向量识别模型的模型参数，生成与用户对应的群体特征向量。如图3a所示，本实施例的方法具体包括：

s310，在设定场景环境中，获取与至少一个时间点对应的场景图片集。

在本实施例中，设定场景环境、场景图片集、用户群体集、群体特征向量和群体关系等均可以参考上述实施例的描述。

s320，根据由场景图片集中对应场景图片识别出的至少一个用户的地理位置信息，确定与每个场景图片集对应的至少一个用户群体集。

s330，将所述用户群体集输入至标准人工智能模型中，对所述标准人工智能模型进行训练，生成群体特征向量识别模型。

具体的，标准人工智能模型可以是指机器学习模型，用于识别用户群体集中的群体特征信息，并对应每个用户生成用户的群体特征向量。

可选的，所述标准人工智能模型包括：所述标准人工智能模型为词到向量模型；将所述用户群体集输入至标准人工智能模型中，可以包括：获取所述用户群体集中的集合成员的标识信息，并拼接形成字符串输入至所述词到向量模型中。

其中，词到向量(word2ec)模型是指用于将单词(word)表示在向量空间上，即将单词转换为向量(vector)。可以理解的是，词到向量模型输入的是单词，输出的是向量，由此需要将用户群体集中的集合成员表示为单词的形式，分别获取集合成员的标识信息，并按照用户群体集中各集合成员的排序结果，将标识信息拼接形成字符串，作为单词输入到词到向量模型。

具体的，词到向量模型可以是采用cbow模型，其结构具体是：第一层是输入层，接收已知上下文的词向量，第二层称为线性隐含层，用于将所有输入的词向量累加。第三层是一棵哈夫曼(huffman)树，树的叶节点与各用户(实际是用户的标识信息)一一对应,而树的每个非叶节点是一个二分类器(一般是softmax感知机等)，树的每个非叶节点都直接与第二层相连。词到向量模型在训练过程中根据每个用户群体集确定每个用户的共现关系(即在是否属于一个群体集)以及出现的频度，建立哈夫曼树，当所有用户群体集均输入到词到向量模型之后，可以确定哈夫曼树构建完成，即模型训练完成。可以理解的是，可以在后续继续输入更新的用户群体集，优化词到向量模型。

示例性的，用户群体集为{a，b，c}，标识信息分别为a、b和c，相应的，字符串可以是abc，其中，每个标识信息之间用空格连接。此外，字符串还可以是其他形式，例如，abc，对此，本发明实施例不做具体限制。

s340，根据所述群体特征向量识别模型的模型参数，生成与用户对应的群体特征向量。

示例性的，群体特征向量为a(*，*，……)、b(*，*，……)、c(*，*，……)，其中，每个群体特征向量的长度相同，例如可以是500，每个*代表数字。

s350，根据所述群体特征向量，确定用户间的群体关系。

可选的，根据所述群体特征向量，确定用户间的群体关系，可以包括：根据各所述用户对应的群体特征向量，计算每两个所述用户之间的向量距离；根据每两个所述用户之间的向量距离，对各所述用户进行聚类分析，生成至少一个群体关系集合；根据所述至少一个群体关系集合包括的集合成员确定用户间的群体关系。

其中，向量距离可以通过欧氏距离、马氏距离或余弦夹角等方法进行计算。聚类分析可以采用直接聚类法、最短距离聚类法、最远距离聚类法或最大最小距离法等方法。通过对各用户对应的群体特征向量之间的距离进行聚类分析，来确定用户间的群体关系，可以准确将用户进行群体划分。

本发明实施例通过训练模型，形成群体特征向量识别模型，根据用户群体集生成各用户对应的群体特征向量，减少计算群体特征向量的人工成本，同时模型可以不断训练学习，提高群体特征向量计算的准确性，从而实现准确确定群体关系。

在上述实施例的基础上，可选的，根据所述群体特征向量，确定用户间的群体关系之后，还可以包括：当接收到请求用户的触发请求时，从所述用户间的群体关系中查询包括所述请求用户的目标群体关系；获取所述目标群体关系中包括的除所述请求用户之外的至少一个相关用户；向所述至少一个相关用户发送与所述触发请求匹配的推荐信息。

可以理解的是，根据用户间的群体关系，可以确定在一个群体中的各用户具有相同或相似的特征，例如偏好信息、需求信息和性格信息等，由此，可以根据群体中的一个用户的情况(如需求)类推其他用户的情况。例如根据群体中的用户办理的业务，向该群体中其他用户推荐该业务。

具体的，触发请求可以是指用户发出的操作请求，例如业务的办理请求或者是设定的用户操作行为(如求职相关的操作行为)。可以预先建立群体关系中各用户的标识信息与用户信息的对应关系，由此根据触发请求中的用户信息查询到与请求用户关联的群体关系作为目标群体关系；或者触发请求直接包括用户的标识信息，由此根据触发请求中的标识信息查询到与请求用户关联的群体关系作为目标群体关系，从而可以找到与该请求用户关联的相关用户。

示例性的，在一个招聘会的应用场景中，通常在蓝领的招聘会中，具有相同或相似招聘意愿的用户会聚在一起交流，聚在一起的用户之间形成群体关系。实际上，在该群体关系中，用户a倾向于寻找电子厂的工作，那么该群体关系中的其他用户(如用户b)同样寻找电子厂的概率很大。其中，可以根据用户a投递简历的至少两个公司的共同属性信息，或者根据获取的用户a的基本信息，确定用户a的招聘倾向。由此，有相关招聘需求的公司或者工厂可以根据用户a的应聘职位，向用户b推送与该应聘职位匹配的至少一个职位招聘信息，从而帮助有招聘需求的公司或工厂快速找到符合该招聘需求件的用户，同时向用户推送符合用户需求的招聘信息。

触发请求匹配的推荐信息可以是指与触发请求包括的操作行为关联的推荐信息，例如，操作行为为用户办理手机业务变更请求，可以将变更后的手机业务的内容信息作为推荐信息推荐给相关用户，或者操作行为为用户申请特定的工作类型，可以将该申请的工作类型作为推荐信息推荐给相关用户。

此外，在向所述至少一个相关用户发送与所述触发请求匹配的推荐信息时，还可以将至少一个相关用户的信息发送到与触发请求匹配的服务人员的设备。由服务人员根据至少一个相关用户的信息以及触发请求包括的操作行为，向相关用户提供相应的服务。

通过在接收到请求用户的触发请求时，获取查询到的包括所述请求用户的目标群体关系中相关用户，实现准确找到与请求用户属于同一群体的用户，并向相关用户发送与触发请求匹配的推荐信息，可以准确将具有相同需求的用户作为推荐信息推送的对象，从而提高推送信息的转换率。

在一个具体的例子中，如图3b所示，对原始视频数据361按照预设的采样频率进行采样，每个采样时间点362均会产生至少一个场景图片，并从场景图片中进行用户数据抽取363，提取各用户的地理位置信息以及生物特征信息等，根据每个采样时间点362抽取的用户数据进行对各用户进行群体判定364，得到用户间的群体关系，进一步根据任意一个用户的信息可以进行用户判定365，得到该用户属于的群体关系，从而确定该用户属于的群体关系的其他用户，并将该用户的业务推及到其他用户上，实现业务触达366。

实施例四

图4是本发明实施例四提供的用户群体关系确定装置的示意图。实施例四是实现本发明上述实施例提供的用户群体关系确定方法的相应装置。

相应的，本实施例的装置可以包括：

场景图片集获取模块410，用于在设定场景环境中，获取与至少一个时间点对应的场景图片集；

用户群体集确定模块420，用于根据由场景图片集中对应场景图片识别出的至少一个用户的地理位置信息，确定与每个场景图片集对应的至少一个用户群体集；

群体关系确定模块430，用于根据所述用户群体集，生成与用户对应的群体特征向量，并根据所述群体特征向量，确定用户间的群体关系。

本发明实施例通过获取至少一个属于同一拍摄时间点的场景图片形成的场景图片集，检测每个场景图片集中的用户的地理位置信息也即静态特征信息，而后根据地理位置信息对每个场景图片集中的用户进行群体划分，生成与每个场景图片集对应的用户群体集，由此确定每个用户的群体特征向量，从而实现区分各用户，最后根据各用户的群体特征向量确定用户间的群体关系，解决了现有技术中通过动态特征确定用户的群体关系的数据量大和效率低，且无法准确区分运动个体的问题，通过整合用户的静态特征信息确定用户群体关系，实现以更加全面的信息识别用户群体关系，可以提高用户群体关系确定的准确性，同时可以减少连续获取的图像的数量，提高群体关系识别的效率。

进一步的，所述场景图片集获取模块410，包括：场景图片实时获取模块，用于通过设置于所述设定场景环境中的至少一个摄像头，实时捕捉场景图片，并记录各所述场景图片的拍摄时间；场景图片实时归集模块，用于将每个所述摄像头所拍摄的，拍摄时间与同一时间点关联的场景图片归集于同一场景图片集中。

进一步的，所述场景图片集获取模块410，包括：场景视频获取模块，用于获取设置于所述设定场景环境中的至少一个摄像头拍摄的视频；场景视频截取模块，用于分别在每个所述摄像头拍摄的视频中截取设定时间范围内的视频段；场景图片归集模块，用于按照设定采样频率分别对至少一个视频段进行采样，得到至少一个场景图片，并将拍摄时间与同一时间点关联的场景图片归集于同一场景图片集中。

进一步的，设置于所述设定场景环境中的至少一个摄像头包括：分别设置于所述设定场景环境所确定的矩形的四个角点上的四个水平摄像头，以及一个设置在所述矩形中央的上部的一个顶部摄像头。

进一步的，所述用户群体集确定模块420，包括：人脸识别模块，用于对所述场景图片集中的每张场景图片进行人脸识别；其中，设置于所述设定场景环境中摄像头的数量为至少两个；用户识别模块，用于确定与人脸识别结果对应的至少一个用户，所述至少一个用户在所述场景图片集关联的时间点处分别与所述至少两个摄像头之间的距离，以及所述至少两个摄像头在所述时间点处的拍摄角度；根据所述至少一个用户在所述时间点处分别与所述至少两个摄像头之间的距离，以及所述至少两个摄像头在所述时间点处的拍摄角度，确定所述至少一个用户对应的地理位置信息；用户群体集生成模块，用于根据所述地理位置信息，将所述至少一个用户归集于至少一个用户群体集中。

进一步的，所述用户群体集生成模块，包括：群体集生成模块，用于根据所述地理位置信息，对所述至少一个用户进行聚类分析，生成至少一个群体集；重排群体集生成模块，用于在每个所述群体集中，按照设定排列规则将所述群体集中包括的集合成员重新排序，生成至少一个重排群体集；用户群体集确定模块，用于将所述重排群体集和所述至少一个群体集确定为用户群体集。进一步的，所述群体关系确定模块430，包括：模型训练模块，用于将所述用户群体集输入至标准人工智能模型中，对所述标准人工智能模型进行训练，生成群体特征向量识别模型；群体特征向量识别模块，用于根据所述群体特征向量识别模型的模型参数，生成与用户对应的群体特征向量。

进一步的，所述标准人工智能模型包括：所述标准人工智能模型为词到向量模型；所述模型训练模块，包括：模型输入确定模块，用于获取所述用户群体集中的集合成员的标识信息，并拼接形成字符串输入至所述词到向量模型中。

进一步的，所述群体关系确定模块430，包括：向量距离计算模块，用于根据各所述用户对应的群体特征向量，计算每两个所述用户之间的向量距离；群体关系集合生成模块，用于根据每两个所述用户之间的向量距离，对各所述用户进行聚类分析，生成至少一个群体关系集合；用户间群体关系确定模块，用于根据所述至少一个群体关系集合包括的集合成员确定用户间的群体关系。

进一步的，所述用户群体关系确定装置，还包括：群体关系查询模块，用于当接收到请求用户的触发请求时，从所述用户间的群体关系中查询包括所述请求用户的目标群体关系；相关用户确定模块，用于获取所述目标群体关系中包括的除所述请求用户之外的至少一个相关用户；推荐信息发送模块，用于向所述至少一个相关用户发送与所述触发请求匹配的推荐信息。

上述用户群体关系确定装置可执行本发明任意实施例所提供的用户群体关系确定方法，具备执行的用户群体关系确定方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性设备501的框图。图5显示的设备501仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，设备501以通用计算设备的形式表现。设备501的组件可以包括但不限于：一个或者多个处理器或者处理单元502，系统存储器503，连接不同系统组件(包括系统存储器503和处理单元502)的总线504。

总线504表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrystandardarchitecture，isa)总线，微通道体系结构(microchannelarchitecture，mca)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation，vesa)局域总线以及外围组件互连(peripheralcomponentinterconnect，pci)总线。

设备501典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备501访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器503可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory，ram)505和/或高速缓存存储器506。设备501可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统507可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如紧凑磁盘只读存储器(compactdiscread-onlymemory，cd-rom)，数字视盘(digitalvideodisc-readonlymemory，dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线504相连。系统存储器503可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块508的程序/实用工具509，可以存储在例如系统存储器503中，这样的程序模块508包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块508通常执行本发明所描述的实施例中的功能和/或方法。

设备501也可以与一个或多个外部设备510(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与该设备501交互的设备通信，和/或与使得该设备501能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(input/output，i/o)接口512进行。并且，设备501还可以通过网络适配器513与一个或者多个网络(例如局域网(localareanetwork，lan)，广域网(wideareanetwork，wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器513通过总线504与设备501的其它模块通信。应当明白，尽管图5中未示出，可以结合设备501使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundantarraysofinexpensivedisks，raid)系统、磁带驱动器以及数据备份存储系统等。

处理单元502通过运行存储在系统存储器503中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种用户群体关系确定方法。

实施例六

本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的用户群体关系确定方法：

也即，该程序被处理器执行时实现：在设定场景环境中，获取与至少一个时间点对应的场景图片集；根据由场景图片集中对应场景图片识别出的至少一个用户的地理位置信息，确定与每个场景图片集对应的至少一个用户群体集；根据所述用户群体集，生成与用户对应的群体特征向量，并根据所述群体特征向量，确定用户间的群体关系。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、ram、只读存储器(readonlymemory，rom)、可擦式可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、闪存、光纤、便携式cd-rom、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、无线电频率(radiofrequency，rf)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括lan或wan——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。