CN111062407B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111062407B CN111062407B CN201910979338.9A CN201910979338A CN111062407B CN 111062407 B CN111062407 B CN 111062407B CN 201910979338 A CN201910979338 A CN 201910979338A CN 111062407 B CN111062407 B CN 111062407B
- Authority
- CN
- China
- Prior art keywords
- cluster
- image
- relation
- images
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 85
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:获取至少一个聚类簇,其中,每个所述聚类簇中包括第一图像和/或第二图像;根据每个所述聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图;基于所述多个关系图的融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。本公开实施例可以提高图像归档的准确率。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
随着视频监控技术的发展,视频监控可以应用在城镇建设的交通、社会治安、重点区域防范等城镇管理中。视频监控技术可以提供大量的视频、图像,为城镇建设提供有效的数据基础。
基于抓拍机、摄像头等监控设备可以产生海量的抓拍图像,通过对抓拍图像进行图像识别,可以将实现将同一人物的图像归类到一个档案中。但是现有的图像归类方案无法达到很好的归档效果。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:
获取至少一个聚类簇,其中,每个所述聚类簇中包括第一图像和/或第二图像;
根据每个所述聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图;
基于所述多个关系图的融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
在一种可能的实现方式中,所述获取至少一个聚类簇之前,还包括:
对待处理图像进行聚类处理,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述对待处理图像进行聚类处理包括:
获取第一图像,并对所述第一图像进行聚类,得到至少一个第一簇;
根据每个所述第一簇中的第一图像,获取与所述第一图像关联的第二图像;
对所述第二图像进行聚类处理,得到至少一个第二簇;
根据所述第一簇和所述第二簇,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述对所述第一图像进行聚类,得到至少一个第一簇之后,还包括:
对所述第一簇进行聚类扩展,得到至少一个扩展的第一簇;
所述根据每个所述第一簇中的第一图像,获取与所述第一图像关联的第二图像,包括:
根据每个所述扩展的第一簇中的第一图像,获取与所述第一图像关联的第二图像。
在一种可能的实现方式中,所述对所述第一图像进行聚类扩展,得到至少一个扩展的第一簇,包括:
根据所述第一簇中第一图像的图像特征,确定所述第一簇的簇心;
获取与所述簇心之间的距离小于预设阈值的图像;
将与所述簇心之间的距离小于预设阈值的图像归类到所述第一簇中,得到至少一个扩展的第一簇。
在一种可能的实现方式中,所述根据所述第一簇和所述第二簇,得到所述至少一个聚类簇之前,还包括:
对所述第二簇进行聚类扩展,得到至少一个扩展的第二簇;
所述根据所述第一簇和所述第二簇,得到所述至少一个聚类簇,包括:
根据所述第一簇和所述扩展的第二簇,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述图像特征包括与所述第一图像对应的第一图像特征和/或与所述第二图像对应的第二图像特征,所述根据每个所述聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图,包括:
确定用于表征每个聚类簇中的所述第一图像和/或所述第二图像的节点;
根据每个聚类簇中所述第一图像特征和/或所述第二图像特征,确定任意两个所述节点之间的第一相似度;
根据所述第一相似度,生成每个所述聚类簇对应的多个关系图。
在一种可能的实现方式中,所述基于所述多个关系图的融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像,包括:
对所述多个关系图中的每个关系图进行卷积操作,得到每个关系图分别对应的卷积特征;
根据多个关系图分别对应的卷积特征,得到所述融合结果;
基于所述融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
在一种可能的实现方式中,所述多个关系图包括第一关系图、第二关系图以及第三关系图;
所述根据多个关系图分别对应的卷积特征,得到所述融合结果,包括:
根据每个关系图对应的卷积特征,确定每个关系图中节点之间的第二相似度;
利用所述第一关系图中节点之间的第二相似度,对所述第二关系图和所述第三关系图的第二相似度进行调整,得到所述第二关系图中节点之间的关联关系,以及,得到所述第三关系图中节点之间的关联关系;其中,根据所述第一图像特征和所述第二图像特征确定所述第一关系图;
根据所述第二关系图和所述第三关系图对应的卷积特征,确定所述第一关系图中节点之间的关联关系;
根据每个关系图中节点之间的关联关系,得到所述融合结果。
在一种可能的实现方式中,所述基于所述多个关系图的融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像之后,还包括:
将具有相同的目标图像的聚类簇合并,得到合并后的聚类簇;
根据所述合并后的聚类簇对应的多个关系图,确定每个所述聚类簇中属于同一目标对象的目标图像。
根据本公开的一方面,提供了一种图像处理装置,所述装置包括:
获取模块,用于获取至少一个聚类簇,其中,每个所述聚类簇中包括第一图像和/或第二图像;
第一确定模块,用于根据每个所述聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图;
第二确定模块,用于基于所述多个关系图的融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
在一种可能的实现方式中,所述装置还包括:
聚类模块,用于对待处理图像进行聚类处理,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述聚类模块,具体用于,
获取第一图像,并对所述第一图像进行聚类,得到至少一个第一簇;
根据每个所述第一簇中的第一图像,获取与所述第一图像关联的第二图像;
对所述第二图像进行聚类处理,得到至少一个第二簇;
根据所述第一簇和所述第二簇,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述聚类模块,还用于,
对所述第一簇进行聚类扩展,得到至少一个扩展的第一簇;
根据每个所述扩展的第一簇中的第一图像,获取与所述第一图像关联的第二图像。
在一种可能的实现方式中,所述聚类模块,具体用于,
根据所述第一簇中第一图像的图像特征,确定所述第一簇的簇心;
获取与所述簇心之间的距离小于预设阈值的图像;
将与所述簇心之间的距离小于预设阈值的图像归类到所述第一簇中,得到至少一个扩展的第一簇。
在一种可能的实现方式中,所述聚类模块,还用于,
对所述第二簇进行聚类扩展,得到至少一个扩展的第二簇;
根据所述第一簇和所述扩展的第二簇,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述图像特征包括与所述第一图像对应的第一图像特征和/或与所述第二图像对应的第二图像特征,所述第二确定模块,具体用于,
确定用于表征每个聚类簇中的所述第一图像和/或所述第二图像的节点;
根据每个聚类簇中所述第一图像特征和/或所述第二图像特征,确定任意两个所述节点之间的第一相似度;
根据所述第一相似度,生成每个所述聚类簇对应的多个关系图。
在一种可能的实现方式中,所述第二确定模块,具体用于,
对所述多个关系图中的每个关系图进行卷积操作,得到每个关系图分别对应的卷积特征;
根据多个关系图分别对应的卷积特征,得到所述融合结果;
基于所述融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
在一种可能的实现方式中,所述多个关系图包括第一关系图、第二关系图以及第三关系图;
所述第二确定模块,具体用于,
根据每个关系图对应的卷积特征,确定每个关系图中节点之间的第二相似度;
利用所述第一关系图中节点之间的第二相似度,对所述第二关系图和所述第三关系图的第二相似度进行调整,得到所述第二关系图中节点之间的关联关系,以及,得到所述第三关系图中节点之间的关联关系;其中,根据所述第一图像特征和所述第二图像特征确定所述第一关系图;
根据所述第二关系图和所述第三关系图对应的卷积特征,确定所述第一关系图中节点之间的关联关系;
根据每个关系图中节点之间的关联关系,得到所述融合结果。
在一种可能的实现方式中,所述第二确定模块,还用于,
将具有相同的目标图像的聚类簇合并,得到合并后的聚类簇;
根据所述合并后的聚类簇对应的多个关系图,确定每个合并后的聚类簇中属于同一目标对象的目标图像。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中,可以获取至少一个聚类簇,其中,每个聚类簇中包括第一图像和/或第二图像,然后根据每个聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图,再基于多个关系图的融合结果,确定每个聚类簇中属于同一目标对象的目标图像。这样,可以利用每个聚类簇对应的多个关系图,在每个聚类簇中的图像中确定属于同一目标对象的目标图像,为构造一人一档提供基础,提高归档的效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的形成聚类簇一示例的流程图。
图3示出根据本公开实施例的确定多个关系图一示例的流程图。
图4示出根据本公开实施例的确定属于同一目标对象的目标图像一示例的流程图。
图5示出根据本公开实施例的确定融合结果一示例的框图。
图6示出根据本公开实施例的图像处理装置的框图。
图7示出根据一示例性实施例的一种电子设备的框图。
图8示出根据一示例性实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例提供的图像处理方案,可以获取至少一个聚类簇,然后根据每个聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图,再基于多个关系图的融合结果,确定每个聚类簇中属于同一目标对象的目标图像,其中,聚类簇中包括第一图像和/或第二图像,第一图像与第二图像具有不同类型的图像特征,这样,通过每个聚类簇对应的多个关系图,可以建立每个聚类簇中图像之间的联系,即使第一图像和第二图像具有不同类型的图像特征,也可以确定每个聚类簇中属于同一目标对象的目标图像,从而可以更好地对同一目标对象不同图像特征类型的第一图像和/第二图像进行归类,例如,将同一目标人物的人脸图像和/或人体图像进行归类,为实现一人一档提供基础。
通常针对大量的图像,通常是通过人脸特征对不同人物的图像进行聚类。但是对于拍摄的大量图像而言,大部分图像往往不具有人脸特征,这种情况下,仅可以对具有人脸特征的图像进行聚类,不仅会造成大量的图像资源的浪费,还会使聚类后的结果不够准确,聚类效果差。本公开实施例提供的图像处理方案,可以利用每个聚类簇对应的关系图,将同一个聚类簇中的图像之间联系起来,例如,将具有人脸图像和人体图像进行关联,不仅可以减少图像资源的浪费,还可以提高图像聚类的效果,为实现一人一档提供基础。
图1示出根据本公开实施例的图像处理方法的流程图。所述图像处理方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。下面以电子设备作为执行主体为例对本公开实施例提供的图像处理方法进行说明。
如图1所示,所述图像处理方法包括:
步骤S11,获取至少一个聚类簇,其中,每个所述聚类簇中包括第一图像和/或第二图像。
在本公开实施例中,电子设备可以对待处理图像进行聚类,得到的至少一个聚类簇,或者,电子设备可以从其他设备直接获取待处理图像聚类后形成的至少一个聚类簇。每个聚类簇可以包括第一图像和/或第二图像。这里,第一图像可以为人脸图像,其对应的图像特征为第一图像特征,第二图像可以为人体图像,其对应的图像特征为第二图像特征,第一图像与第二图像可以是不同类型的图像。
在一个可能的实现方式中,对待处理图像进行聚类处理,得到至少一个聚类簇。
在该实现方式中,电子设备可以对当前场景进行拍摄,得到多个待处理图像,或者,电子设备可以接收其他设备采集的图像,得到多个待处理图像。在一个实现方式中,电子设备可以获取数据库中的待处理图像,数据库中的待处理图像可以是对多个场景进行拍摄并进行汇总得到的图像。在获取多个待处理图像之后,电子设备可以对多个待处理图像进行聚类,例如,根据待处理图像的图像特征进行聚类,如,利用待处理图像的人脸特征和/或人体特征等对待处理图像进行聚类,可以得到聚类之后的至少一个聚类簇。通过将待处理图像进行聚类处理的方式,可以将可能属于同一个目标对象的图像快速地聚集在一起。
这里,对于每个聚类簇中的任意一个图像而言,可以只具有一种图像特征,或者,可以同时具有多种图像特征。例如,一个聚类簇中的某个图像可以只具有第一图像特征或第二图像特征,也可以同时具有第一图像特征和第二图像特征。
步骤S12,根据每个所述聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图。
在本公开实施例中,针对每个聚类簇,电子设备可以提取每个聚类簇中图像的图像特征,由于聚类簇中的图像可以对应多种图像特征,从而可以分别提取每个聚类图中图像的第一图像特征和第二图像特征,例如,可以分别提取一个聚类簇中每个图像的人脸特征和人体特征。然后可以根据每个聚类簇中图像的第一图像特征和/或第二图像特征,可以确定每个聚类簇对应的多个关系图,例如,第一图像特征对应第一关系图,第二图像特征对应第二关系图,第一图像特征与第二图像特征结合的结合特征对应第三关系图。这里,每个关系图可以表征每种图像特征下图像之间的关联关系,即可以理解为,每种图像特征下任意两个图像之间每种图像特征之间的相似度。
举例来说,第一关系图可以表征一个聚类簇中图像之间人脸特征的关联关系,第二关系图可以表征一个聚类簇中图像之间人体特征的关联关系,第三关联图可以表征一个聚类簇中图像之间结合特征的关联关系。结合特征可以是人脸特征和人体特征相结合的图像特征。通过将每个聚类簇中图像在不同图像特征下的关联关系表征为相应的关系图,可以将每个聚类簇中图像之间的关联关系直观地表示出来,更便于后续的图像处理。
步骤S13,基于所述多个关系图的融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
在本公开实施例中,可以对每个聚类簇对应的多个关系图进行融合,例如,对多个关系图表征的关联关系进行加权平均,得到融合结果。该融合结果可以表征在多种图像特征融合后,每个聚类簇中的图像之间的关联关系。然后根据多个关系图的融合结果,可以确定获取的待处理图像中属于同一目标对象的目标图像,实现对待处理图像的归类。由于融合结果结合了每个聚类簇中的图像在多种图像特征下的关联关系,从而可以准确地判断任意两个图像是否相互关联,进而在聚类簇中筛选出不属于同一个目标对象的图像,得到属于同一目标对象的目标图像,这样,可以在大量的待处理图像中对同一目标对象的目标图像进行归类,例如,在公安行业中,可以在大量的抓拍图像中确定属于嫌疑人的所有抓拍图像,进而可以嫌疑人的所有抓拍图像得到嫌疑人的行为轨迹等信息,辅助相关案情的研判。
图2示出根据本公开实施例的形成聚类簇一示例的流程图。在上述步骤S11中,可以对待处理图像进行聚类处理,得到至少一个聚类簇,为了在大量的待处理图像中尽可能多地确定属于同一目标对象的目标图像,下面介绍一种对待处理图像进行聚类的方式:
步骤S21,获取第一图像,并对所述第一图像进行聚类,得到至少一个第一簇。
这里,电子设备可以在大量的待处理图像中,搜索具有第一图像特征的第一图像。第一图像特征可以是多种图像特征中的一种图像特征,例如,人脸特征或人体特征。在获取具有第一图像特征的第一图像之后,可以根据第一图像的第一图像特征对第一图像进行聚类,例如,根据第一图像的人脸特征或人体特征对第一图像进行聚类,可以得到至少一个第一簇。
步骤S22,根据每个所述第一簇中的第一图像,获取与所述第一图像关联的第二图像。
这里,可以在待处理图像中,获取与每个第一簇中第一图像关联的第二图像。举例来说,可以对每个待处理图像同时进行人脸检测和人体检测,如果同时检测到人脸和人体,则可以认为该人脸和人体属于同一个目标对象,相应的人脸特征和人体特征对应同一个目标对象,假设某个第一簇中的第一图像是通过人脸特征(第一图像特征)获取的,从而可以通过第一图像的人脸特征获取待处理图像中与第一图像关联的第二图像,第二图像具有人体特征(第二图像特征)。
步骤S23,对所述第二图像进行聚类处理,得到至少一个第二簇。
这里,在获取与第一图像关联的第二图像之后,可以对第二图像进行聚类,例如,将与每个第一簇中第一图像关联的第二图像聚类为一个第二簇,或者,将根据获取的第二图像的第二图像特征,如,根据第二图像的人体特征,对第二图像进行聚类,得到至少一个第二簇。
步骤S24,根据所述第一簇和所述第二簇,得到所述至少一个聚类簇。
这里,可以将任意一个第一簇与该第一簇中的第一图像关联的第二图像形成的第二簇进行合并,可以得到至少一个聚类簇。通过这种方式,可以将尽可能多的可能属于同一目标对象的第一图像和第二图像聚类到一个聚类簇中。
在一种可能的实现方式中,可以对所述第一簇进行聚类扩展,得到至少一个扩展的第一簇,然后根据每个扩展的第一簇中的第一图像,获取与第一图像关联的第二图像。
在该实现方式中,可以在对待处理图像中的第一图像进行聚类之后,进一步对第一图像形成的每个第一簇进行扩展,例如,可以在待处理图像中查找第一图像特征与每个第一簇的第一图像相同或相近的待处理图像,并将查找到的待处理图像加入第一簇中,得到扩展后的至少一个第一簇。然后再根据每个扩展的第一簇中的第一图像,获取与第一图像关联的第二图像。通过这种方式,可以对第一簇中的第一图像进行扩展,使一个第一簇中聚集更加完整的第一图像,进而可以获取更多地与第一图像关联的第二图像。
在该实现方式的一个示例中,可以根据第一簇中第一图像的图像特征,确定第一簇的簇心,然后获取簇心之间的距离小于预设阈值的图像,将与簇心之间的距离小于预设阈值的图像归类到第一簇中,得到至少一个扩展的第一簇。
在该示例中,可以通过第一簇中第一图像的第一图像特征,例如,第一图像的人脸特征或者人体特征,确定每个第一簇的簇心,然后在所有的待处理图像中搜索第一图像特征与该簇心的距离小于预设阈值的图像,然后将第一图像特征与任意一个第一簇的簇心的距离小于预设阈值的图像归类到该第一簇中,得到至少一个扩展后的第一簇。其中,第一簇的簇心可以通过第一簇中第一图像的第一图像特征的平均值或中间值得到。这样,可以通过第一图像的第一图像特征,将同一目标对象的第一图像较为完整地聚类在同一个第一簇中。
在一个可能的实现方式中,可以对第二簇进行聚类扩展,得到至少一个扩展的第二簇,根据第一簇和扩展的第二簇,得到所述至少一个聚类簇。
在该实现方式中,可以在得到至少一个第二簇之后,根据第二簇中第二图像的第二图像特征,进一步对第每个第二簇进行扩展,例如,可以在待处理图像中查找第二图像特征与每个第二簇的第二图像相同或相近的待处理图像,并将查找到的待处理图像加入第二簇中,得到扩展后的至少一个第二簇。然后可以将第一簇与扩展的第二簇进行合并,例如,将任意一个第一簇与该第一簇中的第一图像关联的第二图像形成的扩展的第二簇进行合并,可以得到至少一个聚类簇。这里的第一簇可以是扩展后的聚类簇。这样,可以通过对每个第二簇中的第一图像进行扩展,使一个第二簇中聚集更加完整的第二图像,进而使每个聚类簇更多可能属于同一个目标对象的图像。
图3示出根据本公开实施例的确定多个关系图一示例的流程图。在上述步骤S12中,可以根据每个聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图,从而可以利用关系图表征在每种图像特征下,每个聚类簇中图像之间的关联关系。下面通过一可能的实现方式对确定每个聚类簇对应的多个关系图进行说明。上述步骤S12可以包括以下步骤:
步骤S121,确定用于表征每个聚类簇中的所述第一图像和/或所述第二图像的节点。
这里,可以将每个聚类簇中的图像表示为一个节点。每个聚类簇可以包括第一图像和/或第二图像,一个节点可能表示第一图像或者第二图像。其中第一图像对应的图像特征为第一图像特征,第二图像对应的图像特征为第二图像特征。一个图像可以同时具有第一图像特征和第二图像特征,例如,既具有人脸特征也具有人体特征。相应地,一个节点可以具有第一图像特征、第二图像特征或者同时具有第一图像特征和第二图像特征。
步骤S122,根据每个聚类簇中所述第一图像特征和/或所述第二图像特征,确定任意两个所述节点之间的第一相似度。
这里,根据第一图像特征和/或第二图像特征,可以确定任意两个节点之间的第一相似度。这里,每种图像特征可以对应一个第一相似度,例如,根据第一图像特征可以确定任意两个节点对应于第一图像特征的第一相似度,根据第二图像特征可以确定任意两个节点对应于第二图像特征的第一相似度,根据第一图像特征和第二图像特征可以确定对应于结合特征的第一相似度,其中,结合特征包括第一图像特征与第二图像特征,结合特征可以将第一图像特征和第二图像特征相结合,例如,将第一图像特征或第二图像特征进行加权平均,得到结合特征。第一相似度可以表示在每种图像特征下,不同的节点之间的相似程度。
在一个可能的实现方式中,每种图像特征下节点之间的第一相似度可以通过每种图像特征下节点之间的余弦距离或欧式距离进行计算。举例来说,在人脸特征下,节点1对应的人脸特征是x,节点2对应的人脸特征是y,节点1和节点2之间对应于人脸特征的第一相似度similarity可以通过公式(1)进行计算:
其中,similarity可以是节点1和节点2之间对应于人脸特征的第一相似度,x可以是节点1对应的人脸特征,y可以是节点2对应的人脸特征。
相应地,利用上述公式(1),可以得到节点1与节点2在人体特征下的第一相似度。节点1与节点2在人脸特征和人体特征相结合的结合特征下的第一相似度,可以通过人脸特征的第一相似度和人体特征的第一相似度进行加权平均得到。
步骤S123,根据所述第一相似度,生成每个所述聚类簇对应的多个关系图。
这里,可以利用关系图表示节点之间对应的多个第一相似度,一个关系图对应一种图像特征下的第一相似度。这里,关系图可以是一个相似度矩阵,例如,相似度矩阵可以表示为A,A中的元素aij可以表示节点i与节点j之间对应于一种图像特征的第一相似度。举例来说,人脸特征(第一图像特征)下节点之间的第一相似度可以用人脸关系图表示,人体特征(第二图像特征)下节点之间的第一相似度可以用人体关系图表示,结合特征下节点之间的第一相似度可以用通信关系图表示。
图4示出根据本公开实施例的确定属于同一目标对象的目标图像一示例的流程图。在上述步骤S13中,可以基于多个关系图的融合结果,确定每个聚类簇中属于同一目标对象的目标图像,可以提高得到同一目标对象的目标图像的准确性。下面通过一可能的实现方式对确定每个聚类簇中属于同一目标对象的目标图像的过程进行说明。上述步骤S13可以包括以下步骤:
步骤S131,对所述多个关系图中的每个关系图进行卷积操作,得到每个关系图分别对应的卷积特征。
这里,可以对每个聚类簇对应的多个关系图分别进行卷积操作,其中的卷积操作可以是图卷积操作。在对多个关系图进行卷积操作时,可以将每个关系图的相似度矩阵以及节点对应的图像特征输入构建的图卷积网络中,可以得到每个关系图对应的卷积特征。
举例来说,假设图卷积网络具有多个网络层,其中,每一层的计算方式可以如公式(2)所示:
其中,H(l+1)可以表示第l+1层的图像特征;H(l)可以表示第l层的图像特征;W(l)可以表示第l层的权重矩阵;其中,A可以是关系图的相似度矩阵,I可以是单位矩阵;/>可以是对角矩阵,/>其中,/>可以是/>中的元素,/>可以表示/>中的元素。σ可以表示非线性激活函数。
步骤S132,根据多个关系图分别对应的卷积特征,得到所述融合结果。
这里,可以根据多个关系图对应的卷积特征,确定每个关系图中节点之间的第二相似度,例如,计算任意两个节点的卷积特征之间的余弦距离或欧式距离,得到节点之间的第二相似度。然后可以对多个关系图对应的第二相似度进行融合,例如,对多个第二相似度进行加权平均,可以得到最终的融合结果。该融合结果可以表征在多种图像特征融合后,每个聚类簇中图像之间的关联关系,相比于根据一种图像特征确定的关联关系而言,融合结果的准确性更高。
在一个可能的实现方式中,多个关系图包括第一关系图、第二关系图以及第三关系图。可以根据每个关系图对应的卷积特征,确定每个关系图中节点之间的第二相似度,然后利用第一关系图中节点之间的第二相似度,对第二关系图和第三关系图的第二相似度进行调整,得到第二关系图中节点之间的关联关系,以及,得到所述第三关系图中节点之间的关联关系。再根据第二关系图和第三关系图对应的卷积特征,确定第一关系图中节点之间的关联关系,最后可以根据每个关系图中节点之间的关联关系,得到融合结果。其中,根据第一图像特征和第二图像特征确定第一关系图。
在该实现方式中,可以分别计算第一关系图、第二关系图和第三关系图中节点的卷积特征之间的余弦距离或欧式距离,得到每个关系图中节点的第二相似度。然后可以利用第一关系图中节点的第二相似度对第二关系图和第三关系图中节点的第二相似度分别进行调整,从而使第一关系图表征节点之间的关联关系传播到第二关系图和第三关系图中,得到第二关系图和第三关系图中节点之间的关联关系。相应地,可以对第二关系图和第三关系图对应的卷积特征进行融合,得到第一关系图中节点的融合特征,然后可以通过计算第一关系图中节点的融合特征之间的余弦距离或欧式距离,得到第一关系图中节点之间的关联关系。最后,可以将各个关系图中节点之间的关联关系进行加权平均,得到最终的融合结果。这里,第一关系图对应的图像特征可以是第一图像特征和第二图像特征相结合的结合特征,即,第一关系图可以根据第一图像特征和第二图像特征确定,例如,可以对每个聚类簇中节点的第一图像特征对应的第一相似度,与第二图像特征对应的第一相似度进行加权平均,可以得到结合特征对应的第一相似度,根据结合特征对应的第一相似度可以得到第一关系图。这样,各个关系图的关联关系之间可以相互传播,使得到的融合结果更加准确,从而根据该融合结果,可以更好地在每个聚类簇中筛选出属于同一个目标对象的目标图像。
图5示出根据本公开实施例的确定融合结果一示例的框图。假设第一关系图是通信关系图,第二关系图是人脸关系图,第三关系图是人体关系图。通信关系图中节点的第一相似度可以表示为相似度矩阵Ac,相应地,结合特征表示为人脸关系图中节点的第一相似度可以表示为相似度矩阵Af,相应地,人脸特征表示为/>人体关系图中节点的第一相似度可以表示为相似度矩阵Ab,相应地,人脸特征表示为/>利用图卷积网络分别对每个关系图的相似度矩阵和图像特征进行图卷积操作,然后可以得到每种图像特征下的卷积特征/>和/>然后由/>可以计算第二相似度Ac1,由/>可以得到第二相似度Af1,由/>可以计算第二相似度Ab1。再利用Ac1分别对Af1和Ab1进行调整,分别得到第二相似度的相似度矩阵Af2和相似度矩阵Ab2。例如,Af2=Af1+β1Ac1,Ab2=Ab1+β2Ac1,其中,β1和β2可以是融合参数。然后可以对人脸关系图和人体关系图对应的卷积特征进行融合,得到通信关系图对应的融合特征/>然后由/>可以得到通信关系图对应的第二相似度的相似度矩阵Ac2。/>
步骤S133,基于所述融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
这里,根据融合结果可以确定任意两个节点之间的最终的关联关系,即,可以得到一个聚类簇中任意两个图像之间最终的关联关系。融合结果可以表征在多种图像特征的共同作用下聚类簇中图像之间的关联关系,准确性较高,可以根据该融合结果确定一个聚类簇中的图像是否属于同一目标对象,筛选出一个聚类簇中同一目标对象的目标图像。例如,可以在每个聚类簇中,查找融合结果大于预设的相似度阈值的图像,将这些图像确定为属于同一目标对象的目标图像。
在一个可能的实现方式中,在确定每个聚类簇中属于同一个目标对象的目标图像之后,可以将每个聚类簇中不是目标图像的待处理图像滤除,使每个聚类簇中仅保留同一个目标对象的目标图像。
在一个可能的实现方式中,可以将具有相同目标图像的聚类簇合并,得到合并之后的聚类簇,然后根据合并之后的聚类簇对应的多个关系图,确定每个合并后的聚类簇中属于同一目标对象的目标图像。
在该实现方式中,根据每个聚类簇对应的融合结果,可以得到每个聚类簇中属于同一目标对象的目标图像。对于多个聚类簇而言,不同聚类簇中会存在重叠的目标图像,从而可以将具有相同目标图像的聚类簇进行合并,得到合并之后的聚类簇,然后可以重复上述步骤S12和步骤S13,从合并之后的聚类簇中筛选出不属于同一个目标对象的图像,得到最终针对同一目标对象进行归类的目标图像。
本公开实施例提供的图像处理方案,可以通过每个聚类簇对应的多个关系图,表示图像不同类型的图像特征,建立具有不同类型图像特征的图像之间的联系,从而可以更好地对同一目标对象不同图像特征类型的待处理图像进行归类,例如,将同一目标人物的人脸图像和人体图像进行归类,为实现一人一档提供基础。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图6示出根据本公开实施例的图像处理装置的框图,如图6所示,所述图像处理装置包括:
获取模块61,用于获取至少一个聚类簇,其中,每个所述聚类簇中包括第一图像和/或第二图像;
第一确定模块62,用于根据每个所述聚类簇中图像的图像特征,确定每个聚类簇对应的多个关系图;
第二确定模块63,用于基于所述多个关系图的融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
在一种可能的实现方式中,所述装置还包括:
聚类模块,用于对待处理图像进行聚类处理,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述聚类模块,具体用于,
获取第一图像,并对所述第一图像进行聚类,得到至少一个第一簇;
根据每个所述第一簇中的第一图像,获取与所述第一图像关联的第二图像;
对所述第二图像进行聚类处理,得到至少一个第二簇;
根据所述第一簇和所述第二簇,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述聚类模块,还用于,
对所述第一簇进行聚类扩展,得到至少一个扩展的第一簇;
根据每个所述扩展的第一簇中的第一图像,获取与所述第一图像关联的第二图像。
在一种可能的实现方式中,所述聚类模块,具体用于,
根据所述第一簇中第一图像的图像特征,确定所述第一簇的簇心;
获取与所述簇心之间的距离小于预设阈值的图像;
将与所述簇心之间的距离小于预设阈值的图像归类到所述第一簇中,得到至少一个扩展的第一簇。
在一种可能的实现方式中,所述聚类模块,还用于,
对所述第二簇进行聚类扩展,得到至少一个扩展的第二簇;
根据所述第一簇和所述扩展的第二簇,得到所述至少一个聚类簇。
在一种可能的实现方式中,所述图像特征包括与所述第一图像对应的第一图像特征和/或与所述第二图像对应的第二图像特征,所述第一确定模块62,具体用于,
确定用于表征每个聚类簇中的所述第一图像和/或所述第二图像的节点;
根据每个聚类簇中所述第一图像特征和/或所述第二图像特征,确定任意两个所述节点之间的第一相似度;
根据所述第一相似度,生成每个所述聚类簇对应的多个关系图。
在一种可能的实现方式中,所述第二确定模块63,具体用于,
对所述多个关系图中的每个关系图进行卷积操作,得到每个关系图分别对应的卷积特征;
根据多个关系图分别对应的卷积特征,得到所述融合结果;
基于所述融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
在一种可能的实现方式中,所述多个关系图包括第一关系图、第二关系图以及第三关系图;
所述第二确定模块63,具体用于,
根据每个关系图对应的卷积特征,确定每个关系图中节点之间的第二相似度;
利用所述第一关系图中节点之间的第二相似度,对所述第二关系图和所述第三关系图的第二相似度进行调整,得到所述第二关系图中节点之间的关联关系,以及,得到所述第三关系图中节点之间的关联关系;其中,根据所述第一图像特征和所述第二图像特征确定所述第一关系图;
根据所述第二关系图和所述第三关系图对应的卷积特征,确定所述第一关系图中节点之间的关联关系;
根据每个关系图中节点之间的关联关系,得到所述融合结果。
在一种可能的实现方式中,所述第二确定模块63,还用于,
将具有相同的目标图像的聚类簇合并,得到合并后的聚类簇;
根据所述合并后的聚类簇对应的多个关系图,确定每个合并后的聚类簇中属于同一目标对象的目标图像。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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—包括局域网(LAN)或广域网(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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取至少一个聚类簇,其中,所述至少一个聚类簇包括第一图像和第二图像,每个所述聚类簇中包括所述第一图像和/或所述第二图像,所述第一图像和所述第二图像具有不同类型的图像特征;
确定用于表征每个聚类簇中的所述第一图像和/或所述第二图像的节点;
根据每个所述聚类簇中图像的图像特征,确定任意两个所述节点之间的第一相似度;
根据所述第一相似度,生成每个所述聚类簇对应的多个关系图,所述图像特征包括与所述第一图像对应的第一图像特征和与所述第二图像对应的第二图像特征,每个关系图根据所述第一图像特征和/或所述第二图像特征确定,所述多个关系图包括第一关系图、第二关系图以及第三关系图;
对所述多个关系图中的每个关系图进行卷积操作,得到每个关系图分别对应的卷积特征;
根据每个关系图对应的卷积特征,确定每个关系图中节点之间的第二相似度;
利用所述第一关系图中节点之间的第二相似度,对所述第二关系图和所述第三关系图的第二相似度进行调整,得到所述第二关系图中节点之间的关联关系,以及,得到所述第三关系图中节点之间的关联关系;其中,根据所述第一图像特征和所述第二图像特征确定所述第一关系图;
根据所述第二关系图和所述第三关系图对应的卷积特征,确定所述第一关系图中节点之间的关联关系;
根据每个关系图中节点之间的关联关系,得到所述多个关系图的融合结果;
基于所述融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述获取至少一个聚类簇之前,还包括:
对待处理图像进行聚类处理,得到所述至少一个聚类簇。
3.根据权利要求2所述的方法,其特征在于,所述对待处理图像进行聚类处理包括:
获取第一图像,并对所述第一图像进行聚类,得到至少一个第一簇;
根据每个所述第一簇中的第一图像,获取与所述第一图像关联的第二图像;
对所述第二图像进行聚类处理,得到至少一个第二簇;
根据所述第一簇和所述第二簇,得到所述至少一个聚类簇。
4.根据权利要求3所述的方法,其特征在于,所述对所述第一图像进行聚类,得到至少一个第一簇之后,还包括:
对所述第一簇进行聚类扩展,得到至少一个扩展的第一簇;
所述根据每个所述第一簇中的第一图像,获取与所述第一图像关联的第二图像,包括:
根据每个所述扩展的第一簇中的第一图像,获取与所述第一图像关联的第二图像。
5.根据权利要求4所述的方法,其特征在于,所述对所述第一图像进行聚类扩展,得到至少一个扩展的第一簇,包括:
根据所述第一簇中第一图像的图像特征,确定所述第一簇的簇心;
获取与所述簇心之间的距离小于预设阈值的图像;
将与所述簇心之间的距离小于预设阈值的图像归类到所述第一簇中,得到至少一个扩展的第一簇。
6.根据权利要求3所述的方法,其特征在于,所述根据所述第一簇和所述第二簇,得到所述至少一个聚类簇之前,还包括:
对所述第二簇进行聚类扩展,得到至少一个扩展的第二簇;
所述根据所述第一簇和所述第二簇,得到所述至少一个聚类簇,包括:
根据所述第一簇和所述扩展的第二簇,得到所述至少一个聚类簇。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述基于所述融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像之后,还包括:
将具有相同的目标图像的聚类簇合并,得到合并后的聚类簇;
根据所述合并后的聚类簇对应的多个关系图,确定每个合并后的聚类簇中属于同一目标对象的目标图像。
8.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取至少一个聚类簇,其中,所述至少一个聚类簇包括第一图像和第二图像,每个所述聚类簇中包括所述第一图像和/或所述第二图像,所述第一图像和所述第二图像具有不同类型的图像特征;
第一确定模块,用于确定用于表征每个聚类簇中的所述第一图像和/或所述第二图像的节点;根据每个所述聚类簇中图像的图像特征,确定任意两个所述节点之间的第一相似度;根据所述第一相似度,生成每个所述聚类簇对应的多个关系图,所述图像特征包括与所述第一图像对应的第一图像特征和与所述第二图像对应的第二图像特征,每个关系图根据所述第一图像特征和/或所述第二图像特征确定,所述多个关系图包括第一关系图、第二关系图以及第三关系图;
第二确定模块,用于对所述多个关系图中的每个关系图进行卷积操作,得到每个关系图分别对应的卷积特征;根据每个关系图对应的卷积特征,确定每个关系图中节点之间的第二相似度;利用所述第一关系图中节点之间的第二相似度,对所述第二关系图和所述第三关系图的第二相似度进行调整,得到所述第二关系图中节点之间的关联关系,以及,得到所述第三关系图中节点之间的关联关系;其中,根据所述第一图像特征和所述第二图像特征确定所述第一关系图;根据所述第二关系图和所述第三关系图对应的卷积特征,确定所述第一关系图中节点之间的关联关系;根据每个关系图中节点之间的关联关系,得到所述多个关系图的融合结果;基于所述融合结果,确定每个所述聚类簇中属于同一目标对象的目标图像。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979338.9A CN111062407B (zh) | 2019-10-15 | 2019-10-15 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979338.9A CN111062407B (zh) | 2019-10-15 | 2019-10-15 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062407A CN111062407A (zh) | 2020-04-24 |
CN111062407B true CN111062407B (zh) | 2023-12-19 |
Family
ID=70297722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910979338.9A Active CN111062407B (zh) | 2019-10-15 | 2019-10-15 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062407B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257801B (zh) * | 2020-10-30 | 2022-04-29 | 浙江商汤科技开发有限公司 | 图像的增量聚类方法、装置、电子设备及存储介质 |
CN112560731B (zh) * | 2020-12-22 | 2022-07-01 | 苏州科达科技股份有限公司 | 特征聚类方法、数据库更新方法、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095516A (zh) * | 2015-09-16 | 2015-11-25 | 中国传媒大学 | 基于谱聚类集成的广播电视用户分群系统及方法 |
CN109241378A (zh) * | 2018-08-29 | 2019-01-18 | 北京旷视科技有限公司 | 档案建立方法、装置、设备及存储介质 |
CN109447186A (zh) * | 2018-12-13 | 2019-03-08 | 深圳云天励飞技术有限公司 | 聚类方法及相关产品 |
CN109544167A (zh) * | 2018-11-16 | 2019-03-29 | 北京三快在线科技有限公司 | 交易数据验证方法、装置、介质及电子设备 |
CN109543536A (zh) * | 2018-10-23 | 2019-03-29 | 北京市商汤科技开发有限公司 | 图像标识方法及装置、电子设备和存储介质 |
CN109697452A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 数据对象的处理方法、处理装置及处理系统 |
CN109800744A (zh) * | 2019-03-18 | 2019-05-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
CN109815788A (zh) * | 2018-12-11 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种图片聚类方法、装置、存储介质及终端设备 |
CN110046586A (zh) * | 2019-04-19 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备及存储介质 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN110263703A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 人员流量统计方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063737A (zh) * | 2018-07-03 | 2018-12-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及移动终端 |
-
2019
- 2019-10-15 CN CN201910979338.9A patent/CN111062407B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095516A (zh) * | 2015-09-16 | 2015-11-25 | 中国传媒大学 | 基于谱聚类集成的广播电视用户分群系统及方法 |
CN109697452A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 数据对象的处理方法、处理装置及处理系统 |
CN109241378A (zh) * | 2018-08-29 | 2019-01-18 | 北京旷视科技有限公司 | 档案建立方法、装置、设备及存储介质 |
CN109543536A (zh) * | 2018-10-23 | 2019-03-29 | 北京市商汤科技开发有限公司 | 图像标识方法及装置、电子设备和存储介质 |
CN109544167A (zh) * | 2018-11-16 | 2019-03-29 | 北京三快在线科技有限公司 | 交易数据验证方法、装置、介质及电子设备 |
CN109815788A (zh) * | 2018-12-11 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种图片聚类方法、装置、存储介质及终端设备 |
CN109447186A (zh) * | 2018-12-13 | 2019-03-08 | 深圳云天励飞技术有限公司 | 聚类方法及相关产品 |
CN109800744A (zh) * | 2019-03-18 | 2019-05-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
CN110046586A (zh) * | 2019-04-19 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备及存储介质 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN110263703A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 人员流量统计方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111062407A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210089799A1 (en) | Pedestrian Recognition Method and Apparatus and Storage Medium | |
CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112001321B (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
CN113538519B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
WO2021031609A1 (zh) | 活体检测方法及装置、电子设备和存储介质 | |
TW202105199A (zh) | 資料更新方法、電子設備和儲存介質 | |
CN109948494B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111523346B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109977860B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN104636453A (zh) | 非法用户资料识别方法及装置 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN111259967A (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN113032627A (zh) | 视频分类方法、装置、存储介质及终端设备 | |
CN111062407B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110781842A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113807498B (zh) | 模型扩展方法及装置、电子设备和存储介质 | |
CN110929545A (zh) | 人脸图像的整理方法及装置 | |
CN110781975B (zh) | 图像处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |