CN111091106B - 图像聚类方法及装置、存储介质、电子装置 - Google Patents
图像聚类方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN111091106B CN111091106B CN201911341089.7A CN201911341089A CN111091106B CN 111091106 B CN111091106 B CN 111091106B CN 201911341089 A CN201911341089 A CN 201911341089A CN 111091106 B CN111091106 B CN 111091106B
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- sets
- face features
- face
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像聚类方法及装置、存储介质、电子装置,该方法包括:将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合;将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。通过本发明,可以解决相关技术中图像聚类不准确的技术问题,达到准确聚类的效果。
Description
技术领域
本发明涉及聚类领域,具体而言,涉及一种图像聚类方法及装置、存储介质、电子装置。
背景技术
布置有人脸卡口的场景会产生海量人脸抓拍数据,在没有人员档案的前提下对抓拍数据进行人脸识别分析,将同一个人的所有人脸聚集成一个档案,这一技术实施过程称为人脸聚类(也称为一人一档),准确可靠的人脸聚类结果是人员轨迹分析、频次分析等实际运用的数据基础。
当前的人脸聚类方法主要基于传统的聚类算法,利用特征距离模型进行相似度匹配,将其归属于与类中心距离最近那一类,该方法由于需要提前确定类中心个数,且类中心一经选定则不会改变,所以在面临海量数据时准确率急剧下降;另外在实时处理人脸抓拍数据的方法中,一方面由于数据规模之大,当同一档内数据增多时,原先选定的聚类中心点不再具有代表性,其容错率就会逐渐降低。此外,在实时数据的同一个人的多张抓拍图片中,由于抓拍场景、人脸角度、图片质量以及出现的顺序等多方面原因,跟所有聚类中心都无法比中,从而出现一人多档的问题。
针对相关技术中存在的图像聚类不准确的技术问题,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图像聚类方法及装置、存储介质、电子装置,以至少解决相关技术中图像聚类不准确的技术问题。
根据本发明的一个实施例,提供了一种图像聚类方法,包括:将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出上述N个图像集合中的K个目标图像集合,其中,上述待处理图像的人脸特征分别与上述K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个上述图像集合包括与同一个身份相关的一组图像,上述图像集合中的上述中心图像是上述图像集合中包括的上述一组图像中用于表明上述同一个身份的图像,N≥K>0;将上述待处理图像的人脸特征与上述K个目标图像集合中的图像的人脸特征进行比对,确定出上述K个目标图像集合中的M个目标图像集合,其中,上述M个目标图像集合中至少有一个图像的人脸特征与上述待处理图像的人脸特征的相似度大于或等于第二预设阈值,上述M>0;将上述待处理图像聚类到上述M个目标图像集合中的部分或全部目标图像集合。
根据本发明的另一个实施例,提供了一种图像聚类装置,包括:第一确定模块,用于将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出上述N个图像集合中的K个目标图像集合,其中,上述待处理图像的人脸特征分别与上述K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个上述图像集合包括与同一个身份相关的一组图像,上述图像集合中的上述中心图像是上述图像集合中包括的上述一组图像中用于表明上述同一个身份的图像,N≥K>0;第二确定模块,用于将上述待处理图像的人脸特征与上述K个目标图像集合中的图像的人脸特征进行比对,确定出上述K个目标图像集合中的M个目标图像集合,其中,上述M个目标图像集合中至少有一个图像的人脸特征与上述待处理图像的人脸特征的相似度大于或等于第二预设阈值,上述M>0;聚类模块,用于将上述待处理图像聚类到上述M个目标图像集合中的部分或全部目标图像集合。
根据本发明的又一个实施例,还提供了一种存储介质,所述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,由于将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,其中,待处理图像的人脸特征分别与K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,图像集合中的中心图像是图像集合中包括的一组图像中用于表明同一个身份的图像,N≥K>0;将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。可以实现将待处理图像准确的聚类至目标图像集合中。因此,可以解决相关技术中图像聚类不准确的技术问题,达到准确聚类的效果。
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图像聚类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图像聚类方法的流程图;
图3是本实施例中的余弦相似度比较的示意图;
图4是根据本发明实施例的图像聚类装置的结构框图。
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图像聚类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图像聚类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图像聚类方法,图2是根据本发明实施例的图像聚类方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,其中,待处理图像的人脸特征分别与K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,图像集合中的中心图像是图像集合中包括的一组图像中用于表明同一个身份的图像,N≥K>0;
可选地,在本实施例中,待处理图像的人脸特征包括待处理图像中的一个人物的五官特征。本实施例包括但不限于应用于需要进行人脸特征比对的场景中,例如,火车站验证乘客身份的进站口、各种支付费用的场景等等。
可选地,待处理图像的人脸特征可以先与中心图像的人脸特征进行比对,而不是将待处理图像的人脸特征与N个图像集合中的所有的图像的人脸特征进行一一比对,通过中心图像的比对可以筛选出K个目标图像集合,从而可以减少比对的图像数量,提高比对的效率。
步骤S204,将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;
可选地,在本实施例中,M个目标图像集合是进行二次比对的结果,在K个目标图像集合中只要存在一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,则待处理图像的人脸特征归属于该目标图像集合。
可选地,在实时数据的同一个人的多张抓拍图像中,由于抓拍场景、人脸角度、图片质量以及出现的顺序等多方面原因,跟所有类中心都无法比中,就会出现一人多档的问题,本实施例中,进行二次对比,可以满足实时性和大规模性的同时,避免或减少了一人多档问题的出现。
可选地,在本实施例中,第一预设阈值小于第二预设阈值,第一预设阈值是初筛的阈值,第二阈值是待处理图像中的人脸特征与目标图像集合中的人脸特征是否是同一个身份的阈值。
步骤S206,将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。
可选地,在本实施例中,待处理图像可能会聚类到所有的目标图像集合中,也存在聚类至其中一个或多个目标图像集合中。
需要说明的是,如果待处理图像聚类到多个目标图像集合中,多个目标图像集合可能是同一个人的目标图像集合,可以进行合并处理。
通过上述步骤,由于将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,其中,待处理图像的人脸特征分别与K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,图像集合中的中心图像是图像集合中包括的一组图像中用于表明同一个身份的图像,N≥K>0;将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。可以实现将待处理图像准确的聚类至目标图像集合中。因此,可以解决相关技术中图像聚类不准确的技术问题,达到准确聚类的效果。
可选地,上述步骤的执行主体可以为终端等,但不限于此。
在一个可选的实施例中,在将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对之前,方法还包括:对N个图像集合中的每个图像集合执行以下步骤,以获取每个图像集中的中心图像,其中,在执行以下步骤时每个图像集合被视为当前图像集合:
S1,确定当前图像集合中的每个图像的人脸特征在预设坐标系中的特征点,其中,特征点用于标识当前图像集合中的每个图像的人脸特征的特征值在预设坐标系中的分布;
S2,将当前图像集合中每个图像的人脸特征的特征点中距离其他特征点最近的特征点确定为中心特征点;
S3,将中心特征点对应的图像确定为当前图像集合中的中心图像。
可选地,在本实施例中,每个图像的人脸特征的特征值的特征点在预设坐标系中形成聚类。将当前图像集合中每个图像的人脸特征的特征点中距离其他特征点最近的特征点确定为中心特征点,即是聚类中的类中心。类中心对应的图像即是中心图像。
通过本实施例,通过对中心图像的确定,利用中心图像的人脸特征与待处理图像的人脸特征进行比对,可以减少比对量,增加聚类的效率。
在一个可选的实施例中,将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,包括:
S1,确定待处理图像的人脸特征的特征值在预设坐标系中的坐标点,其中,待处理图像的人脸特征的坐标点用于标识待处理图像的人脸特征在预设坐标系中的特征分布;
S2,在预设坐标系中确定预设坐标系中的原点连接至待处理图像的人脸特征的坐标点的有向线段,得到待处理图像的人脸特征的特征向量;
S3,在预设坐标系中确定N个图像集合中的中心图像的人脸特征的坐标点,其中,中心图像的人脸特征的坐标点用于标识中心图像的人脸特征在预设坐标系中的特征分布;
S4,根据待处理图像的人脸特征的特征向量在N个图像集合中确定出K个目标图像集合,其中,待处理图像的人脸特征的特征向量与K个目标图像集合中的中心图像的人脸特征的特征向量之间的夹角的余弦值大于第一预设阈值。
可选地,在本实施例中,利用待处理图像的人脸特征的向量与K个目标图像集合中的中心图像的人脸特征的向量之间的夹角的余弦值的比对,即是利用余弦相似度进行的比对。
可选地,图3是本实施例中的余弦相似度比较的示意图,如图3所示,待处理图像以人脸图像为例进行说明,包括以下步骤:
S301:获取一张相机实时抓拍的人脸图片;
S302:提取人脸图片的人脸特征;
S303:将上述人脸特征与已经完成聚类的类中心(相当于中心图像)进行余弦相似度比较,取出前k个大于或等于设定相似度第一预设阈值L1的类中心;
S304:判断k的值,若k>=1,转至S305,否则转至S309;
S305:将人脸特征再次与k个类中所有类成员(包括类中心)进行余弦相似度比较,假定所有相似度大于或等于第二预设阈值L2的类成员数量为M;
S306:判断M的值是否大于1,若M>=1,转至S307,否则,转至S308;
S307:将其归为相似度最高类成员所在的类,更新该类的类中心,同时判断比中的类成员是否来自同一个类,若不是,还要将他们所属类进行合并,并更新合并形成的新类的类中心;
S308:新建一类,将人脸图片设置为该类的类中心;
S309:未比中,新建一类,将人脸图片设置为该类的类中心。
可选地,设置中心图像的相似度阈值L1小于类成员的相似度阈值L2,L1为初筛,L2为同一人脸相似度阈值;
可选地,中心图像更新方式为,计算所有图像的人脸特征的特征均值,选取与该均值余弦相似度最高的图像作为新的中心图像;
可选地,大规模应用场景由于抓拍数量庞大,可将提取的人脸特征进行降维处理以满足内存消耗的合理性。
通过本实施例,利用余弦相似度对待处理图像进行聚类,可以提高聚类的效率以及准确性。
在一个可选的实施例中,将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,包括:
S1,确定待处理图像的人脸特征在预设坐标系中的坐标点,其中,待处理图像的人脸特征的坐标点用于标识待处理图像的人脸特征在预设坐标系中的特征分布;
S2,在预设坐标系中确定预设坐标系中的原点连接至待处理图像的人脸特征的坐标点的有向线段,得到待处理图像的人脸特征的特征向量;
S3,在预设坐标系中确定K个目标图像集合中的图像的人脸特征的坐标点与预设坐标系中的原点之间的向量,得到K个目标图像集合中的图像的人脸特征的特征向量;
S4,根据待处理图像的人脸特征的特征向量在K个目标图像集合中确定出M个目标图像集合,其中,待处理图像的人脸特征的特征向量与M个目标图像集合中至少一个图像的人脸特征的特征向量之间的夹角的余弦值大于或等于第二预设阈值。
可选地,在本实施例中,利用余弦相似度将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,可以进一步的筛选出待处理图像所聚类的图像集合。提高聚类的准确性。使得聚类满足实时性和大规模性的同时,避免或尽量减少一人多档问题的出现。
在一个可选的实施例中,将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合,包括:
S1,获取M个目标图像集合中每个图像的人脸特征的特征向量;
S2,将M个目标图像集合中人脸特征的特征向量与待处理图像中人脸特征的特征向量的夹角的余弦值最大的图像所在的图像集合确定为待聚类图像集合,其中,部分或全部目标图像集合包括待聚类图像集合;
S3,将待处理图像聚类到待聚类图像集合中。
可选地,在本实施例中,利用特征值的比较从多个聚类中确定出待聚类图像集合,可以进一步的减少比较亮,提高聚类的效率。
在一个可选的实施例中,将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合之后,方法还包括:
S1,建立与待处理图像的人脸特征对应的待处理图像集合。
可选地,在本实施例中,即是在待处理图像与所有图像集合均未匹配上的情况下,新建一个聚类。可以准确的实现一人一档。
在一个可选的实施例中,将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合之后,方法还包括:
S1,确定M个目标图像集合中的部分或全部目标图像集合中的图像的人脸特征的特征向量的均值;
S2,在目标图像集合中,将与均值之间的夹角最小的特征向量对应的图像确定为中心图像。
可选地,在本实施例中,在待处理图像的特征值大于M个目标图像集合中的部分或全部目标图像集合中的图像的特征值的情况下,可以将待处理图像更新为部分或全部目标图像集合中的中心图像。可以确定出更加符合要求的图像,例如,确定出人脸特征更加清晰的图像。
在一个可选的实施例中,将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合之后,方法还包括:
S1,在部分或全部目标图像集合为多个图像集合的情况下,将部分或全部目标图像集合合并成一个图像集合,以重新确定所述中心图像。
可选地,在本实施例中,存在于待处理图像匹配的多个聚类,可以认为是同一对象的聚类,进行图像集合的合并,可以实现一人一档。满足实时性和大规模性的同时,避免或尽量减少一人多档问题的出现。
综上所述,利用第一预设阈值和第二预设阈值两层相似度比对,避免了因类中心图像选取不合理或计算误差导致的实时抓拍图片特征与所有类中心都无法比中,造成一人多档问题出现;针对在第二预设阈值层跟多个档均有比中的情形,设计了类合并的过程,该过程能对已经出现的一人多档问题进行改善。
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图像聚类装置,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4是根据本发明实施例的图像聚类装置的结构框图,如图4所示,该装置包括:
第一确定模块42,用于将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,其中,待处理图像的人脸特征分别与K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,图像集合中的中心图像是图像集合中包括的一组图像中用于表明同一个身份的图像,N≥K>0;
可选地,在本实施例中,待处理图像的人脸特征包括待处理图像中的一个人物的五官特征。本实施例包括但不限于应用于需要进行人脸特征比对的场景中,例如,火车站验证乘客身份的进站口、各种支付费用的场景等等。
可选地,待处理图像的人脸特征可以先与中心图像的人脸特征进行比对,而不是将待处理图像的人脸特征与N个图像集合中的所有的图像的人脸特征进行一一比对,通过中心图像的比对可以筛选出K个目标图像集合,从而可以减少比对的图像数量,提高比对的效率。
第二确定模块44,用于将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;
可选地,在本实施例中,M个目标图像集合是进行二次比对的结果,在K个目标图像集合中只要存在一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,则待处理图像的人脸特征归属于该目标图像集合。
可选地,在实时数据的同一个人的多张抓拍图像中,由于抓拍场景、人脸角度、图片质量以及出现的顺序等多方面原因,跟所有类中心都无法比中,就会出现一人多档的问题,本实施例中,进行二次对比,可以满足实时性和大规模性的同时,避免或减少了一人多档问题的出现。
可选地,在本实施例中,第一预设阈值小于第二预设阈值,第一预设阈值是初筛的阈值,第二阈值是待处理图像中的人脸特征与目标图像集合中的人脸特征是否是同一个身份的阈值。
聚类模块46,用于将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。
可选地,在本实施例中,待处理图像可能会聚类到所有的目标图像集合中,也存在聚类至其中一个或多个目标图像集合中。
需要说明的是,如果待处理图像聚类到多个目标图像集合中,多个目标图像集合可能是同一个人的目标图像集合,可以进行合并处理。
通过本发明,由于将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,其中,待处理图像的人脸特征分别与K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,图像集合中的中心图像是图像集合中包括的一组图像中用于表明同一个身份的图像,N≥K>0;将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。可以实现将待处理图像准确的聚类至目标图像集合中。因此,可以解决相关技术中图像聚类不准确的技术问题,达到准确聚类的效果。
在一个可选的实施例中,上述装置还包括:处理模块,用于在将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对之前,方法还包括:对N个图像集合中的每个图像集合执行以下步骤,以获取每个图像集中的中心图像,其中,在执行以下步骤时每个图像集合被视为当前图像集合:
S1,确定当前图像集合中的每个图像的人脸特征在预设坐标系中的特征点,其中,特征点用于标识当前图像集合中的每个图像的人脸特征的特征值在预设坐标系中的分布;
S2,将当前图像集合中每个图像的人脸特征的特征点中距离其他特征点最近的特征点确定为中心特征点;
S3,将中心特征点对应的图像确定为当前图像集合中的中心图像。
可选地,在本实施例中,每个图像的人脸特征的特征值的特征点在预设坐标系中形成聚类。将当前图像集合中每个图像的人脸特征的特征点中距离其他特征点最近的特征点确定为中心特征点,即是聚类中的类中心。类中心对应的图像即是中心图像。
通过本实施例,通过对中心图像的确定,利用中心图像的人脸特征与待处理图像的人脸特征进行比对,可以减少比对量,增加聚类的效率。
在一个可选的实施例中,上述第一步确定模块包括:
第一确定单元,用于确定待处理图像的人脸特征的特征值在预设坐标系中的坐标点,其中,待处理图像的人脸特征的坐标点用于标识待处理图像的人脸特征在预设坐标系中的特征分布;
第二确定单元,用于在预设坐标系中确定预设坐标系中的原点连接至待处理图像的人脸特征的坐标点的有向线段,得到待处理图像的人脸特征的特征向量;
第三确定单元,用于在预设坐标系中确定N个图像集合中的中心图像的人脸特征的坐标点,其中,中心图像的人脸特征的坐标点用于标识中心图像的人脸特征在预设坐标系中的特征分布;
第四确定单元,用于根据待处理图像的人脸特征的特征向量在N个图像集合中确定出K个目标图像集合,其中,待处理图像的人脸特征的特征向量与K个目标图像集合中的中心图像的人脸特征的特征向量之间的夹角的余弦值大于第一预设阈值。
可选地,在本实施例中,利用待处理图像的人脸特征的向量与K个目标图像集合中的中心图像的人脸特征的向量之间的夹角的余弦值的比对,即是利用余弦相似度进行的比对。
可选地,图3是本实施例中的余弦相似度比较的示意图,如图3所示,待处理图像以人脸图像为例进行说明,包括以下步骤:
S301:获取一张相机实时抓拍的人脸图片;
S302:提取人脸图片的人脸特征;
S303:将上述人脸特征与已经完成聚类的类中心(相当于中心图像)进行余弦相似度比较,取出前k个大于或等于设定相似度第一预设阈值L1的类中心;
S304:判断k的值,若k>=1,转至S305,否则转至S309;
S305:将人脸特征再次与k个类中所有类成员(包括类中心)进行余弦相似度比较,假定所有相似度大于或等于第二预设阈值L2的类成员数量为M;
S306:判断M的值是否大于1,若M>=1,转至S307,否则,转至S308;
S307:将其归为相似度最高类成员所在的类,更新该类的类中心,同时判断比中的类成员是否来自同一个类,若不是,还要将他们所属类进行合并,并更新合并形成的新类的类中心;
S308:新建一类,将人脸图片设置为该类的类中心。
S309:未比中,新建一类,将人脸图片设置为该类的类中心。
可选地,设置中心图像的相似度阈值L1小于类成员的相似度阈值L2,L1为初筛,L2为同一人脸相似度阈值;
可选地,中心图像更新方式为,计算所有图像的人脸特征的特征均值,选取与该均值余弦相似度最高的图像作为新的中心图像;
可选地,大规模应用场景由于抓拍数量庞大,可将提取的人脸特征进行降维处理以满足内存消耗的合理性。
通过本实施例,利用余弦相似度对待处理图像进行聚类,可以提高聚类的效率以及准确性。
在一个可选的实施例中,上述第二确定模块包括:
第五确定单元,用于确定待处理图像的人脸特征在预设坐标系中的坐标点,其中,待处理图像的人脸特征的坐标点用于标识待处理图像的人脸特征在预设坐标系中的特征分布;
第六确定单元,用于在预设坐标系中确定预设坐标系中的原点连接至待处理图像的人脸特征的坐标点的有向线段,得到待处理图像的人脸特征的特征向量;
第七确定单元,用于在预设坐标系中确定K个目标图像集合中的图像的人脸特征的坐标点与预设坐标系中的原点之间的向量,得到K个目标图像集合中的图像的人脸特征的特征向量;
第八确定单元,用于根据待处理图像的人脸特征的特征向量在K个目标图像集合中确定出M个目标图像集合,其中,待处理图像的人脸特征的特征向量与M个目标图像集合中至少一个图像的人脸特征的特征向量之间的夹角的余弦值大于或等于第二预设阈值。
可选地,在本实施例中,利用余弦相似度将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,可以进一步的筛选出待处理图像所聚类的图像集合。提高聚类的准确性。使得聚类满足实时性和大规模性的同时,避免或尽量减少一人多档问题的出现。
在一个可选的实施例中,上述聚类模块,包括:
第一获取单元,用于获取M个目标图像集合中每个图像的人脸特征的特征向量;
第九确定单元,用于将M个目标图像集合中人脸特征向量与待处理图像中人脸特征的特征向量的夹角的余弦值最大的图像所在的图像集合确定为待聚类图像集合,其中,部分或全部目标图像集合包括待聚类图像集合;
第一聚类单元,用于将待处理图像聚类到待聚类图像集合中。
可选地,在本实施例中,利用特征值的比较从多个聚类中确定出待聚类图像集合,可以进一步的减少比较亮,提高聚类的效率。
在一个可选的实施例中,上述装置还包括:第一建立模块,用于将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合之后,建立与待处理图像的人脸特征对应的待处理图像集合。
可选地,在本实施例中,即是在待处理图像与所有图像集合均未匹配上的情况下,新建一个聚类。可以准确的实现一人一档。
在一个可选的实施例中,上述装置还包括第四确定模块,用于将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合之后,确定M个目标图像集合中的部分或全部目标图像集合中的图像的人脸特征的特征向量的均值;在目标图像集合中,将与均值之间的夹角最小的特征向量对应的图像确定为中心图像。
可选地,在本实施例中,在待处理图像的特征值大于M个目标图像集合中的部分或全部目标图像集合中的图像的特征值的情况下,可以将待处理图像更新为部分或全部目标图像集合中的中心图像。可以确定出更加符合要求的图像,例如,确定出人脸特征更加清晰的图像。
在一个可选的实施例中,上述装置还包括:合并模块,用于将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合之后,在部分或全部目标图像集合为多个图像集合的情况下,将部分或全部目标图像集合合并成一个图像集合,以重新确定所述中心图像。
可选地,在本实施例中,存在于待处理图像匹配的多个聚类,可以认为是同一对象的聚类,进行图像集合的合并,可以实现一人一档。满足实时性和大规模性的同时,避免或尽量减少一人多档问题的出现。
综上所述,利用第一预设阈值和第二预设阈值两层相似度比对,避免了因类中心图像选取不合理或计算误差导致的实时抓拍图片特征与所有类中心都无法比中,造成一人多档问题出现;针对在第二预设阈值层跟多个档均有比中的情形,设计了类合并的过程,该过程能对已经出现的一人多档问题进行改善。
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存储介质,该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,将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,其中,待处理图像的人脸特征分别与K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,图像集合中的中心图像是图像集合中包括的一组图像中用于表明同一个身份的图像,N≥K>0;
S2,将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;
S3,将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。
可选地,在本实施例中,上述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,将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出N个图像集合中的K个目标图像集合,其中,待处理图像的人脸特征分别与K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,图像集合中的中心图像是图像集合中包括的一组图像中用于表明同一个身份的图像,N≥K>0;
S2,将待处理图像的人脸特征与K个目标图像集合中的图像的人脸特征进行比对,确定出K个目标图像集合中的M个目标图像集合,其中,M个目标图像集合中至少有一个图像的人脸特征与待处理图像的人脸特征的相似度大于或等于第二预设阈值,M>0;
S3,将待处理图像聚类到M个目标图像集合中的部分或全部目标图像集合。
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 (9)
1.一种图像聚类方法,其特征在于,包括:
将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出所述N个图像集合中的K个目标图像集合,其中,所述待处理图像的人脸特征分别与所述K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个图像集合包括与同一个身份相关的一组图像,所述图像集合中的所述中心图像是所述图像集合中包括的所述一组图像中用于表明所述同一个身份的图像,N≥K>0;
将所述待处理图像的人脸特征与所述K个目标图像集合中的图像的人脸特征进行比对,确定出所述K个目标图像集合中的M个目标图像集合,其中,所述M个目标图像集合中至少有一个图像的人脸特征与所述待处理图像的人脸特征的相似度大于或等于第二预设阈值,所述M>0;
将所述待处理图像聚类到所述M个目标图像集合中的部分或全部目标图像集合;
将所述待处理图像聚类到所述M个目标图像集合中的部分或全部目标图像集合之后,所述方法还包括:
确定所述M个目标图像集合中的部分或全部目标图像集合中的图像的人脸特征的特征向量的均值;
在所述目标图像集合中,将与所述均值余弦相似度最高的图像确定为所述中心图像。
2.根据权利要求1所述的方法,其特征在于,在所述将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对之前,所述方法还包括:对所述N个图像集合中的每个图像集合执行以下步骤,以获取所述每个图像集中的中心图像,其中,在执行以下步骤时所述每个图像集合被视为当前图像集合:
确定所述当前图像集合中的每个图像的人脸特征在预设坐标系中的特征点,其中,所述特征点用于标识所述当前图像集合中的每个图像的人脸特征的特征值在所述预设坐标系中的分布;
将所述当前图像集合中每个图像的人脸特征的特征点中距离其他特征点最近的特征点确定为中心特征点;
将所述中心特征点对应的图像确定为所述当前图像集合中的中心图像。
3.根据权利要求1所述的方法,其特征在于,将所述待处理图像的人脸特征与所述N个图像集合中的中心图像的人脸特征进行比对,确定出所述N个图像集合中的K个目标图像集合,包括:
确定所述待处理图像的人脸特征的特征值在预设坐标系中的坐标点,其中,所述待处理图像的人脸特征的坐标点用于标识所述待处理图像的人脸特征在所述预设坐标系中的特征分布;
在所述预设坐标系中确定所述预设坐标系中的原点连接至所述待处理图像的人脸特征的坐标点的有向线段,得到所述待处理图像的人脸特征的特征向量;
在所述预设坐标系中确定所述N个图像集合中的中心图像的人脸特征的坐标点,其中,所述中心图像的人脸特征的坐标点用于标识所述中心图像的人脸特征在所述预设坐标系中的特征分布;
根据所述待处理图像的人脸特征的特征向量在所述N个图像集合中确定出所述K个目标图像集合,其中,所述待处理图像的人脸特征的特征向量与所述K个目标图像集合中的中心图像的人脸特征的特征向量之间的夹角的余弦值大于所述第一预设阈值。
4.根据权利要求1所述的方法,其特征在于,将所述待处理图像的人脸特征与所述K个目标图像集合中的图像的人脸特征进行比对,确定出所述K个目标图像集合中的M个目标图像集合,包括:
确定所述待处理图像的人脸特征在预设坐标系中的坐标点,其中,所述待处理图像的人脸特征的坐标点用于标识所述待处理图像的人脸特征在所述预设坐标系中的特征分布;
在所述预设坐标系中确定所述预设坐标系中的原点连接至所述待处理图像的人脸特征的坐标点的有向线段,得到所述待处理图像的人脸特征的特征向量;
在所述预设坐标系中确定所述K个目标图像集合中的图像的人脸特征的坐标点与所述预设坐标系中的原点之间的向量,得到所述K个目标图像集合中的图像的人脸特征的特征向量;
根据所述待处理图像的人脸特征的特征向量在所述K个目标图像集合中确定出所述M个目标图像集合,其中,所述待处理图像的人脸特征的特征向量与所述M个目标图像集合中至少一个图像的人脸特征的特征向量之间的夹角的余弦值大于或等于所述第二预设阈值。
5.根据权利要求1所述的方法,其特征在于,将所述待处理图像聚类到所述M个目标图像集合中的部分或全部目标图像集合,包括:
获取所述M个目标图像集合中每个图像的人脸特征的特征向量;
将所述M个目标图像集合中人脸特征的特征向量与所述待处理图像中人脸特征的特征向量的夹角的余弦值最大的图像所在的图像集合确定为待聚类图像集合,其中,所述部分或全部目标图像集合包括所述待聚类图像集合;
将所述待处理图像聚类到所述待聚类图像集合中。
6.根据权利要求1所述的方法,其特征在于,将所述待处理图像聚类到所述M个目标图像集合中的部分或全部目标图像集合之后,所述方法还包括:
在所述部分或全部目标图像集合为多个图像集合的情况下,将所述部分或全部目标图像集合合并成一个图像集合,以重新确定所述中心图像。
7.一种图像聚类装置,其特征在于,包括:
第一确定模块,用于将待处理图像的人脸特征与N个图像集合中的中心图像的人脸特征进行比对,确定出所述N个图像集合中的K个目标图像集合,其中,所述待处理图像的人脸特征分别与所述K个目标图像集合中的中心图像的人脸特征的相似度大于或等于第一预设阈值,每个所述图像集合包括与同一个身份相关的一组图像,所述图像集合中的所述中心图像是所述图像集合中包括的所述一组图像中用于表明所述同一个身份的图像,N≥K>0;
第二确定模块,用于将所述待处理图像的人脸特征与所述K个目标图像集合中的图像的人脸特征进行比对,确定出所述K个目标图像集合中的M个目标图像集合,其中,所述M个目标图像集合中至少有一个图像的人脸特征与所述待处理图像的人脸特征的相似度大于或等于第二预设阈值,所述M>0;
聚类模块,用于将所述待处理图像聚类到所述M个目标图像集合中的部分或全部目标图像集合;
所述装置还用于将所述待处理图像聚类到所述M个目标图像集合中的部分或全部目标图像集合之后,确定所述M个目标图像集合中的部分或全部目标图像集合中的图像的人脸特征的特征向量的均值;在所述目标图像集合中,将与所述均值余弦相似度最高的图像确定为所述中心图像。
8.一种存储介质,其特征在于,所述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。
9.一种电子装置,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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341089.7A CN111091106B (zh) | 2019-12-23 | 2019-12-23 | 图像聚类方法及装置、存储介质、电子装置 |
PCT/CN2020/110156 WO2021128883A1 (en) | 2019-12-23 | 2020-08-20 | Systems and methods for managing portrait data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341089.7A CN111091106B (zh) | 2019-12-23 | 2019-12-23 | 图像聚类方法及装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091106A CN111091106A (zh) | 2020-05-01 |
CN111091106B true CN111091106B (zh) | 2023-10-10 |
Family
ID=70395902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911341089.7A Active CN111091106B (zh) | 2019-12-23 | 2019-12-23 | 图像聚类方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091106B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021128883A1 (en) * | 2019-12-23 | 2021-07-01 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for managing portrait data |
CN111738120B (zh) * | 2020-06-12 | 2023-12-05 | 北京奇艺世纪科技有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN112949751B (zh) * | 2021-03-25 | 2023-03-24 | 深圳市商汤科技有限公司 | 车辆图像聚类及轨迹还原方法 |
CN115687249B (zh) * | 2022-12-30 | 2023-03-28 | 浙江大华技术股份有限公司 | 一种图像聚档方法、装置、终端及计算机可读存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2977959A2 (en) * | 2014-07-23 | 2016-01-27 | Xiaomi Inc. | Method and device for adjusting skin color |
CN107766822A (zh) * | 2017-10-23 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
CN107909104A (zh) * | 2017-11-13 | 2018-04-13 | 腾讯数码(天津)有限公司 | 一种图片的人脸聚类方法、装置及存储介质 |
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 |
WO2019052316A1 (zh) * | 2017-09-15 | 2019-03-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
CN109685044A (zh) * | 2019-02-18 | 2019-04-26 | 上海德拓信息技术股份有限公司 | 基于k均值聚类算法的人脸识别检索方法 |
WO2019105218A1 (zh) * | 2017-11-30 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 图像特征的识别方法和装置、存储介质、电子装置 |
CN110147455A (zh) * | 2017-08-30 | 2019-08-20 | 中兴通讯股份有限公司 | 一种人脸匹配检索装置及方法 |
CN110175555A (zh) * | 2019-05-23 | 2019-08-27 | 厦门市美亚柏科信息股份有限公司 | 人脸图像聚类方法和装置 |
CN110245132A (zh) * | 2019-06-12 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机可读存储介质和计算机设备 |
CN110443297A (zh) * | 2019-07-30 | 2019-11-12 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
WO2019223313A1 (zh) * | 2018-05-22 | 2019-11-28 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
CN110569918A (zh) * | 2019-09-12 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 一种样本分类的方法以及相关装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5178611B2 (ja) * | 2009-04-15 | 2013-04-10 | 株式会社東芝 | 画像処理装置、画像処理方法及びプログラム |
-
2019
- 2019-12-23 CN CN201911341089.7A patent/CN111091106B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2977959A2 (en) * | 2014-07-23 | 2016-01-27 | Xiaomi Inc. | Method and device for adjusting skin color |
CN110147455A (zh) * | 2017-08-30 | 2019-08-20 | 中兴通讯股份有限公司 | 一种人脸匹配检索装置及方法 |
WO2019052316A1 (zh) * | 2017-09-15 | 2019-03-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
CN107766822A (zh) * | 2017-10-23 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 |
CN107909104A (zh) * | 2017-11-13 | 2018-04-13 | 腾讯数码(天津)有限公司 | 一种图片的人脸聚类方法、装置及存储介质 |
WO2019105218A1 (zh) * | 2017-11-30 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 图像特征的识别方法和装置、存储介质、电子装置 |
WO2019223313A1 (zh) * | 2018-05-22 | 2019-11-28 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
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 |
CN109685044A (zh) * | 2019-02-18 | 2019-04-26 | 上海德拓信息技术股份有限公司 | 基于k均值聚类算法的人脸识别检索方法 |
CN110175555A (zh) * | 2019-05-23 | 2019-08-27 | 厦门市美亚柏科信息股份有限公司 | 人脸图像聚类方法和装置 |
CN110245132A (zh) * | 2019-06-12 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机可读存储介质和计算机设备 |
CN110443297A (zh) * | 2019-07-30 | 2019-11-12 | 浙江大华技术股份有限公司 | 图像的聚类方法、装置及计算机存储介质 |
CN110569918A (zh) * | 2019-09-12 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 一种样本分类的方法以及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111091106A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091106B (zh) | 图像聚类方法及装置、存储介质、电子装置 | |
CN109376596B (zh) | 人脸匹配方法、装置、设备及存储介质 | |
CN110147722A (zh) | 一种视频处理方法、视频处理装置及终端设备 | |
CN111858869B (zh) | 一种数据匹配方法、装置、电子设备和存储介质 | |
CN110147710B (zh) | 人脸特征的处理方法、装置和存储介质 | |
CN110969215B (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN109461133B (zh) | 桥梁螺栓脱落检测方法及终端设备 | |
CN114970899A (zh) | 一种智慧园区运维系统、方法、介质和电子设备 | |
CN111598176B (zh) | 一种图像匹配处理方法及装置 | |
CN108647699A (zh) | 任务图像处理方法、装置、设备及存储介质 | |
JP5430636B2 (ja) | データ取得装置、方法及びプログラム | |
CN113505720A (zh) | 图像处理方法及装置、存储介质、电子装置 | |
CN114422776B (zh) | 摄像设备的检测方法及装置、存储介质、电子装置 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN113743533B (zh) | 一种图片聚类方法、装置及存储介质 | |
CN112613396B (zh) | 一种任务紧急程度处理方法及系统 | |
CN112257666B (zh) | 目标图像内容的聚合方法、装置、设备及可读存储介质 | |
CN113936157A (zh) | 异常信息的处理方法及装置、存储介质、电子装置 | |
CN111382628B (zh) | 同行判定方法及装置 | |
CN111899187A (zh) | 场景信息的处理方法、装置、存储介质及电子装置 | |
CN113505736B (zh) | 对象的识别方法及装置、存储介质、电子装置 | |
CN113360688B (zh) | 信息库的构建方法、装置及系统 | |
CN111862161B (zh) | 一种目标跟踪处理方法及装置 | |
CN117156200B (zh) | 海量视频的去重方法、系统、电子设备和介质 | |
CN112738207B (zh) | 关键字数据的传输方法及装置、存储介质、电子装置 |
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 |