CN110969215A - 聚类处理方法和装置、存储介质及电子装置 - Google Patents

Abstract

本发明提供了一种聚类处理方法和装置、存储介质及电子装置，其中，该方法包括：确定第一图像与目标图像的相似度超过预定相似度阈值，其中，第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，目标图像为预先建立的目标类别中包括的图像，目标类别中聚类有同一对象的图像；在确定第一位置与第二位置之间的距离小于或等于预定距离阈值时，将第一对象聚类到目标类别中，在确定第一位置与第二位置之间的距离大于预定距离阈值时，基于第一时间点和拍摄第二对象的第二时间点之间的时间差值以及距离执行第一对象的聚类处理。通过本发明，解决相关技术中存在的对象聚类准确度不高，存在聚类误判的问题，提高了对象聚类的准确度。

Description

聚类处理方法和装置、存储介质及电子装置

技术领域

本发明涉及通信领域，具体而言，涉及一种聚类处理方法和装置、存储介质及电子装置。

背景技术

安防行业是应用大数据的典型行业，而安防视频中的人、地、事、物、组织是公安视频处理中的核心对象，要实现对安防视频大数据的分析和信息挖掘，首先要解决视频数据结构化问题。视频结构化是一种将视频内容中的重要信息进行结构化提取的技术，利用它对视频内容按照语义关系，采用时空分割、特征提取、对象识别、深度学习等处理手段，组织成可供计算机和人理解的文本信息或可视化图形信息。在实际应用中，文本信息可进一步转化为实战所用的情报，实现视频数据向有效情报的一次转化。视频结构化还可以经过智能化的处理、分类后，存入相应的结构化数据仓库，如人脸照片数据库、人脸特征数据库、行为图片及特征库、车辆图像及特征库等等，而综合这些数据仓库以及关联视频片段仓库可以建立相应的检索引擎，实现对各类的数据仓库的深度信息挖掘，充分发挥大数据作用，提升视频数据的应用价值，提高视频数据的分析和预测功能。下面以人脸聚类为例(当然，其他类型的对象的聚类也同样适用)进行说明：

视频结构化中存在一类重要的数据结构化类别，就是人脸数据结构化，人脸数据结构化需要把人脸按相似度进行归类，即进行人脸聚类，把可能属于同一个的人脸及关联视频、事件建立联系，用于事后对特定对象在不同时段不同地点的追踪。

在相关技术中，始终是围绕人脸相似度，设定不同的比较模式、调整阈值来提高聚类准确度，但很少考虑人脸相似度之外的因素，如时间、地点、速度等因素，也存在使用移动终端(如手机)MAC(Media Access Control，媒体存取控制位置)地址参与聚类的方式，但MAC地址的采集并不是非常普及，且不易采集到，因此，用法受到限制。在百万级甚至千万级人口的城市中，人口基数大、密度大，存在大量相似度很高但是不属于同一人的人脸，导致人脸聚类准确度不高，存在很大误判，为监控业务带来困惑。

由此可知，在相关技术中存在着对象聚类准确度不高，存在聚类误判的问题。

针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种聚类处理方法和装置、存储介质及电子装置，以至少解决相关技术中对象聚类准确度不高，存在聚类误判的问题。

根据本发明的一个实施例，提供了一种聚类处理方法，包括：确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

根据本发明的另一个实施例，提供了一种聚类处理装置，包括：确定模块，用于确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；聚类模块，用于在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；执行模块，用于在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，将对象相似度之外的因素，如时间、地点考虑在内，利用时间和位置信息参与对象聚类操作，可以把位于不同地理位置的对象实现较准确的聚类，可以把相似度很高而时间上存在冲突的对象区分开，因此，可以解决相关技术中存在的对象聚类准确度不高，存在聚类误判的问题，提高了对象聚类的准确度。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种聚类处理方法的移动终端的硬件结构框图；

图2是根据本发明实施例的聚类处理方法的流程图；

图3是根据本发明可选实施例的人脸聚类系统示意图；

图4是根据本发明可选实施例的人脸聚类分析示意图；

图5是根据本发明具体实施例的人脸聚类处理流程图；

图6是根据本发明实施例的聚类处理装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种聚类处理方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的聚类处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。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。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于聚类处理的方法，图2是根据本发明实施例的聚类处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；

步骤S204，在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；

步骤S206，在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

在本实施例中，所涉及到的对象可以为人、动物、车辆或其他物品等。相似度阈值可为80％(该取值仅是一种可选实施例，具体也可以根据对象的具体类型来确定相似度阈值的取值，例如，还可以取85％、90％等)。距离阈值可以为30m(该取值仅是一种可选实施例，具体也可以根据对象的具体类型来确定预定距离阈值的取值，例如，还可以取50m、60m等)。目标图像可以是预先建立的目标类别中包括的对象，当完成过聚类后，目标图像可以是最后一次聚类到目标类别中的对象的图像。执行上述聚类操作的系统可以包括以下几个部分：对象图像采集子系统、地理信息子系统、对象聚类子系统。其中，对象图像采集子系统负责采集对象的图像或视频，包含对象出现的时间及位置信息。地理信息子系统，能提供任意两个地理位置间的通过最佳路径的运动时间。对象聚类子系统根据对象图像采集子系统和地理信息子系统提供的数据进行对象聚类。例如，当聚类对象为人时，人脸聚类系统示意图可参见图3，如图3所示，人脸聚类系统由以下几个部分组成：人脸图像采集子系统32、地理信息子系统34、人脸聚类子系统36。人脸图像采集子系统采集人脸图像信息，并记录该人脸出现的时间及地理位置，把该人脸信息持续提供给人脸聚类子系统。人脸聚类子系统根据预设的地理范围(对应于上述预定距离阈值)，按人脸相似度进行聚类，当新到达的人脸(对应于上述第一对象)信息与已经聚类的某个人脸(对应于上述目标图像)的相似度大于设定相似度阈值时，并且两者是在同一地理范围内(即两者之间的距离小于或等于预定距离阈值)，则将该人脸直接聚类到目标类别中；如果不在同一地理范围内(即两者之间的距离大于预定距离阈值)，则把已经聚类的最后一个人脸出现的位置、待聚类的人脸的位置发给地理信息子系统。

可选地，上述步骤的执行主体可以是处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有图像获取设备以及数据处理设备的机器，其中，图像获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。

通过上述步骤，将人脸相似度之外的因素，如时间、地点考虑在内，利用时间和位置信息参与人脸聚类操作，可以把位于不同地理位置的人脸实现较准确的聚类，可以把相似度很高而时间上存在冲突的人脸区分开，因此，可以解决相关技术中存在的人脸聚类准确度不高，存在聚类误判的问题，提高了人脸聚类的准确度。

在一个可选的实施例中，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理包括：确定所述第一对象由所述第一位置移动到所述第二位置的最短路径；将所述最短路径以及所述第一对象的最大运动速度的比值确定为所述第一对象由所述第一位置移动到所述第二位置的最短时间；在确定所述时间差值大于所述最短时间时，将所述第一对象聚类到所述目标类别中；在确定所述时间差值小于所述最短时间时，将所述第一对象聚类至除所述目标类别之外的其他类别中。在本实施例中，可以由地理信息子系统确定任意两个地理位置间的通过最佳路径(对应于上述最短路径)的运动时间(对应于上述最短时间)，地理信息子系统可以通过如下方式确定最短时间：根据城市路网图确定两个地理位置间的最短路径，然后根据对象的最大运动速度，计算出对象通过任意两个地理位置间的最佳路径的时间。例如，当聚类对象为人时，地理信息子系统计算在上述两个地理位置之间移动的最短时间，并把该最短时间反馈给人脸聚类子系统，人脸聚类子系统根据两个人脸出现的时间差和位置移动的最短时间比较，判断同一个人能否在该时间差内从第一位置移动到第二位置(即判断时间差值是否大于最短时间)，如果能(即时间差值大于所述最短时间)，则认为是同一个人，将该人脸聚类在目标类别下；否则(即时间差值小于最短时间)，则不是同一个人，将该人脸聚类到该目标类别之外的其他类别中。其中，把在两次人脸出现的时间差内，对象可以从先出现的位置移动到后出现的位置，称为满足位移关系，后续文档不再解释。可选地，也可以由对象图像采集子系统把出现的时间差发给地理信息子系统，判断是否为同一对象的工作也可以由地理信息子系统来完成。

在一个可选的实施例中，在确定第一图像与第二图像的相似度超过预定相似度阈值之前，所述方法还包括：设置所述预定相似度阈值以及所述距离阈值。在本实施例中，相似度阈值及距离阈值可以根据不同对象类型确定不同的阈值。例如，相似度阈值可为80％(该取值仅是一种可选实施例，具体也可以根据对象的具体类型来确定相似度阈值的取值，例如，还可以取85％、90％等)。距离阈值可以为30m(该取值仅是一种可选实施例，具体也可以根据对象的具体类型来确定预定距离阈值的取值，例如，还可以取50m、60m等)。

下面以具体的人脸聚类进行说明：

(1)设定开始的类别中已经包含两个类(其中一个类对应于上述目标类别)，每个类各有一个人脸数据，各人脸最后出现的时间地点如表1所示：

表1

(2)在新的一个时刻，又获得一个人脸A2，信息如下：A2出现时间：2019/03/10 10:30:00，出现位置：X大楼8层。A2与B1的相似度低于50％。与A1的相似度为97％。A2与A1相似度超过阈值，且位于相同位置，可以认为是同一个人脸，因此把A2归入A类，结果如表2所示：

表2

(3)在新的一个时刻，又获得一个人脸A3，信息如下：A3出现时间：2019/03/10 10:30:20，出现位置：Y大楼1层。A3与B1的相似度低于50％。与A2的相似度为98％。A3与A2的相似度超过阈值，但位于不同位置。分别是X大楼8层和Y大楼1层，根据地理信息系统计算，两者相距400米，在没有交通工具的情况下，从X大楼到Y大楼跑步需要2分钟，但两者出现的时间只相差20秒钟，因此判定A3与A2必定不是同一个人，因此不能把A3归入A类，只能新建一个C类，结果如表3所示：

表3

(4)在新的一个时刻，又获得一个人脸B2，信息如下：B2出现时间：2019/03/10 11:00:00，出现位置：Z大楼门口。B2与A2的相似度低于50％，与B1的相似度为95％。B2与B类相似度超过阈值，但位于不同位置，分别是X大楼9层和Z大楼门口，根据地理信息系统计算，两者相距5公里，乘坐最佳交通工具需要8分钟才能到达，两者出现的时间相差40分钟，因此判定B2与B1是同一个人，因此把B2归入B类。结果如表4所示：

表4

在一个可选的实施例中，所述方法还包括：在预定聚类周期内对在至少两个位置中拍摄到的图像按照位置分别进行聚类，以得到多个类别；对于所述多个类别中的任意一个类别中的图像按照拍摄时间点进行排序，并基于排序后的结果确定出任意一个类别中包括的图像出现的频率大于预定频率的时间段；在所述预定聚类周期后，对所述多个类别按照图像相似度、拍摄时间段以及拍摄的位置进行二次聚类，以得到聚类结果；基于所述聚类结果对所述第一对象的聚类处理进行调整。在本实施例中，在每个时间周期(对应于上述聚类周期)，只做同一地理位置的对象聚类，同时在每个类别内按照对象出现时间的集中度划分多个密集出现的时间段(即做时间聚类)，在每个周期后，对当前周期的各个地理位置的聚类结果再进行聚类。其中，聚类周期可以为一天(该取值仅是一种可选实施例，具体也可以根据对象的具体类型来确定聚类周期，例如，还可以取三天、七天等)，预定频率可以是为3次每小时(该取值仅是一种可选实施例，具体也可以根据对象的具体类型来确定预定频率，例如，还可以取4次每小时、5次每小时等)。

在一个可选的实施例中，对所述多个类别按照图像相似度、拍摄的时间段及拍摄的位置进行二次聚类，以得到聚类结果包括：确定出所述多个类别中图像相似度超过所述预定相似度阈值的第一类别和第二类别；对所述第一类别中的包括的时间段与所述第二类别中包括的时间段按照时间顺序进行整体排序，以得到整体排序结果，其中，在所述整体排序结果中同时包括有所述第一类别中包括的时间段以及所述第二类别中包括的时间段；判断在所述整体排序结果中任意两个相邻的且分别属于所述第一类别和所述第二类别的两个时间段中对应对象的位移是否满足预定位移关系；在判断结果为满足的情况下，将所述第一类别和所述第二类别聚类到一起；在判断结果为不满足的情况下，将所述第一类别和所述第二类别聚类到不同的类别中。在本实施例中，将各个地理位置的聚类结果按每个时间段的时间排序，再计算位置、时间差异是否满足位移关系，实现不同位置的类别二次聚类，把不同位置及不同时间但属于同一个类别的对象全部聚类在一个目标类别中。这样可以排除极端情况下(如果位于A、B不同位置的相似度极高的两个不同对象，因为满足位移关系，将B归类到A类，而后续A位置的对象A2因为不满足与B的位移关系，而不能归类到A类)聚类错误的情况。

在一个可选的实施例中，基于所述聚类结果对所述第一对象的聚类处理进行调整包括：在确定所述聚类结果用于指示所述第一对象与所述目标类别为同一类别时，保持所述第一对象所在类别不变；在确定所述聚类结果用于指示所述第一对象与所述目标类别为不同类别时，将所述第一对象重新聚类至除所述目标类别之外的其他类别中。

下面以人脸聚类为例对本发明进行说明：

在本实施例中，在某园区门口和某小区门口各有一个监控区域，两个监控区相距较远，从一个地方到另一个地方至少需要1小时。在一天内，对每个监控区各自按人脸相似度进行本地人脸聚类，分别得到A类、B类、AX类、BY类；每个类中又按集中出现时间聚类出多个时间段，如A1时间段、B1时间段等；每个时间段包含在较短时间内多次出现的同一个人脸。然后进行多监控区之间的聚类。经过分析对比，发现A类与AX类相似度大于97％，且A类的三个时间段与AX类两个时间段满足位移关系，可以判定A类与AX类是同一个类，可以合并(A住在某小区，在某园区工作)。经过分析对比，发现B类与BY类相似度大于95％，但B类的B2时间段与BY类BY1时间段存在时间冲突，不满足位移关系，因此判定B类与BY类不是同一个类，不能合并(B在某园区工作，但与BY不是同一个人)。人脸聚类分析示意图可参见图4，如图4所示，图4中每个类下的短横线代表某个人脸在某个区域出现的时间(0到24小时内)。

下面结合具体实施例对聚类处理进行说明：

图5是根据本发明具体实施例的人脸聚类处理流程图，如图5所示，本发明具体实施例中的人脸聚类处理流程包括如下步骤：

步骤S502，设定同一地理范围的距离阈值(对应于前述的预定距离阈值)；设定人脸聚类相似度阈值(对应于前述的预定相似度阈值)。

步骤S504，人脸图像采集子系统采集人脸信息及人脸出现的时间、地点，按出现的时间顺序发送给人脸聚类子系统。

步骤S506，人脸聚类子系统按人脸特征相似度进行聚类，把新的人脸与已经存在的类别进行比较。其中的位置信息选择已经聚类的最后出现的位置。

步骤S508，判断两个人脸的相似度是否大于相似度阈值，如果判断结果为是，则执行步骤S510，如果判断结果为否，则执行步骤S516。

步骤S510，判断两个人脸所在的位置是否属于同一地理范围，如果判断结果为是，则执行步骤S518，如果判断结果为否，则执行步骤S512。

步骤S512，把两次出现的位置发送给地理信息子系统，获取在两个位置间移动的最短时间，再与两次人脸出现的时间差比较，判断是否为同一人脸。

步骤S514，判断两次人脸出现的时间差是否大于最短时间，如果判断结果为是，则执行步骤S518，如果判断结果为否，则执行步骤S516。

步骤S516，将新的人脸划定为新的类别。

步骤S518，将两个人脸聚类到同一类别。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本实施例中还提供了一种聚类处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是根据本发明实施例的聚类处理装置的结构框图，如图6所示，该装置包括：

确定模块62，用于确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；聚类模块64，用于在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；执行模块66，用于在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

在一个可选的实施例中，所述执行模块66包括：第一确定单元，用于确定所述第一对象由所述第一位置移动到所述第二位置的最短路径；第二确定单元，用于将所述最短路径以及所述第一对象的最大运动速度的比值确定为所述第一对象由所述第一位置移动到所述第二位置的最短时间；聚类单元，用于在确定所述时间差值大于所述最短时间时，将所述第一对象聚类到所述目标类别中；以及，在确定所述时间差值小于所述最短时间时，将所述第一对象聚类至除所述目标类别之外的其他类别中。

在一个可选的实施例中，所述装置还可以用于在确定第一图像与第二图像的相似度超过预定相似度阈值之前，设置所述预定相似度阈值以及所述距离阈值。

在一个可选的实施例中，所述装置还用于在预定聚类周期内对在至少两个位置中拍摄到的图像按照位置分别进行聚类，以得到多个类别；对于所述多个类别中的任意一个类别中的图像按照拍摄时间点进行排序，并基于排序后的结果确定出任意一个类别中包括的图像出现的频率大于预定频率的时间段；在所述预定聚类周期后，对所述多个类别按照图像相似度、拍摄时间段以及拍摄的位置进行二次聚类，以得到聚类结果；基于所述聚类结果对所述第一对象的聚类处理进行调整。

在一个可选的实施例中，所述装置可以通过如下方式对所述多个类别按照图像相似度、拍摄的时间段及拍摄的位置进行二次聚类，以得到聚类结果：确定出所述多个类别中图像相似度超过所述预定相似度阈值的第一类别和第二类别；对所述第一类别中的包括的时间段与所述第二类别中包括的时间段按照时间顺序进行整体排序，以得到整体排序结果，其中，在所述整体排序结果中同时包括有所述第一类别中包括的时间段以及所述第二类别中包括的时间段；判断在所述整体排序结果中任意两个相邻的且分别属于所述第一类别和所述第二类别的两个时间段中对应对象的位移是否满足预定位移关系；在判断结果为满足的情况下，将所述第一类别和所述第二类别聚类到一起；在判断结果为不满足的情况下，将所述第一类别和所述第二类别聚类到不同的类别中。

在一个可选的实施例中，所述装置可以通过以下方式基于所述聚类结果对所述第一对象的聚类处理进行调整：在确定所述聚类结果用于指示所述第一对象与所述目标类别为同一类别时，保持所述第一对象所在类别不变；在确定所述聚类结果用于指示所述第一对象与所述目标类别为不同类别时，将所述第一对象重新聚类至除所述目标类别之外的其他类别中。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；

S2，在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；

S3，在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

可选地，在本实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；

S2，在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；

S3，在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种聚类处理方法，其特征在于，包括：

确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；

在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；

在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

2.根据权利要求1所述的方法，其特征在于，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理包括：

确定所述第一对象由所述第一位置移动到所述第二位置的最短路径；

将所述最短路径以及所述第一对象的最大运动速度的比值确定为所述第一对象由所述第一位置移动到所述第二位置的最短时间；

在确定所述时间差值大于所述最短时间时，将所述第一对象聚类到所述目标类别中；

在确定所述时间差值小于所述最短时间时，将所述第一对象聚类至除所述目标类别之外的其他类别中。

3.根据权利要求1所述的方法，其特征在于，在确定第一图像与第二图像的相似度超过预定相似度阈值之前，所述方法还包括：

设置所述预定相似度阈值以及所述距离阈值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在预定聚类周期内对在至少两个位置中拍摄到的图像按照位置分别进行聚类，以得到多个类别；

对于所述多个类别中的任意一个类别中的图像按照拍摄时间点进行排序，并基于排序后的结果确定出任意一个类别中包括的图像出现的频率大于预定频率的时间段；

在所述预定聚类周期后，对所述多个类别按照图像相似度、拍摄时间段以及拍摄的位置进行二次聚类，以得到聚类结果；

基于所述聚类结果对所述第一对象的聚类处理进行调整。

5.根据权利要求4所述的方法，其特征在于，对所述多个类别按照图像相似度、拍摄的时间段及拍摄的位置进行二次聚类，以得到聚类结果包括：

确定出所述多个类别中图像相似度超过所述预定相似度阈值的第一类别和第二类别；

对所述第一类别中的包括的时间段与所述第二类别中包括的时间段按照时间顺序进行整体排序，以得到整体排序结果，其中，在所述整体排序结果中同时包括有所述第一类别中包括的时间段以及所述第二类别中包括的时间段；

判断在所述整体排序结果中任意两个相邻的且分别属于所述第一类别和所述第二类别的两个时间段中对应对象的位移是否满足预定位移关系；

在判断结果为满足的情况下，将所述第一类别和所述第二类别聚类到一起；

在判断结果为不满足的情况下，将所述第一类别和所述第二类别聚类到不同的类别中。

6.根据权利要求4所述的方法，其特征在于，基于所述聚类结果对所述第一对象的聚类处理进行调整包括：

在确定所述聚类结果用于指示所述第一对象与所述目标类别为同一类别时，保持所述第一对象所在类别不变；

在确定所述聚类结果用于指示所述第一对象与所述目标类别为不同类别时，将所述第一对象重新聚类至除所述目标类别之外的其他类别中。

7.一种聚类处理装置，其特征在于，包括：

确定模块，用于确定第一图像与目标图像的相似度超过预定相似度阈值，其中，所述第一图像为在第一时间点上拍摄到的位于第一位置上的第一对象的图像，所述目标图像为预先建立的目标类别中包括的图像，所述目标类别中聚类有同一对象的图像；

聚类模块，用于在确定所述第一位置与第二位置之间的距离小于或等于预定距离阈值时，将所述第一对象聚类到所述目标类别中，其中，所述第二位置为所述目标类别中包括的最后拍摄的第二对象的拍摄位置；

执行模块，用于在确定所述第一位置与所述第二位置之间的距离大于所述预定距离阈值时，基于所述第一时间点和拍摄所述第二对象的第二时间点之间的时间差值以及所述距离执行所述第一对象的聚类处理。

8.根据权利要求7所述的装置，其特征在于，所述执行模块包括：

第一确定单元，用于确定所述第一对象由所述第一位置移动到所述第二位置的最短路径；

第二确定单元，用于将所述最短路径以及所述第一对象的最大运动速度的比值确定为所述第一对象由所述第一位置移动到所述第二位置的最短时间；

聚类单元，用于在确定所述时间差值大于所述最短时间时，将所述第一对象聚类到所述目标类别中；以及，在确定所述时间差值小于所述最短时间时，将所述第一对象聚类至除所述目标类别之外的其他类别中。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。

Images