CN111191602A - 行人相似度获取方法、装置、终端设备及可读存储介质 - Google Patents

行人相似度获取方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN111191602A
CN111191602A CN201911405642.9A CN201911405642A CN111191602A CN 111191602 A CN111191602 A CN 111191602A CN 201911405642 A CN201911405642 A CN 201911405642A CN 111191602 A CN111191602 A CN 111191602A
Authority
CN
China
Prior art keywords
pedestrian
matrix
weight
same
row
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.)
Granted
Application number
CN201911405642.9A
Other languages
English (en)
Other versions
CN111191602B (zh
Inventor
李景皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201911405642.9A priority Critical patent/CN111191602B/zh
Publication of CN111191602A publication Critical patent/CN111191602A/zh
Application granted granted Critical
Publication of CN111191602B publication Critical patent/CN111191602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于行人预测技术领域，提供了一种行人相似度获取方法、装置、终端设备及可读存储介质，该方法包括：获取同行次数矩阵。根据预设规则将同行次数矩阵映射为权重矩阵。通过预设的相似度算法，获取行人相似度矩阵。根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵。由于权重矩阵是通过同行次数矩阵映射得到的，可以根据同行次数表示每对行人与行人的同行权重，使用权重矩阵更新得到行人相似度矩阵，使得更新后的行人相似度矩阵中的行人与行人相似度考虑到了每对行人与行人之间的同行权重，可以排除掉同行误判，因此其表达的行人与行人相似度更加准确，使用该行人与行人相似度预测行人关系时，也更加准确。

Description

行人相似度获取方法、装置、终端设备及可读存储介质
技术领域
本申请属于行人预测技术领域，尤其涉及一种行人相似度获取方法、装置、终端设备及可读存储介质。
背景技术
行人关系是指两个行人之间的关系，例如，两个行人之间可能是陌生人、朋友、情侣、亲属、同事等关系。对行人关系进行预测，需要采集大量的样本数据，并从多个维度进行预测，其中一个用于预测的维度是行人的相似度。
在现有技术中对行人的相似度进行预测时，利用了行人之间是否同行的同行数据，来对行人之间的相似度进行计算。
但现有技术中计算行人之间的相似度时，只是利用了行人之间是否同行的同行数据，并未考虑同行数据中存在的误判，导致根据行人之间是否同行的同行数据计算的得到的行人之间的相似度不够准确，预测的行人关系存在误差。
发明内容
本申请实施例提供了一种行人相似度获取方法、装置、终端设备及可读存储介质，可以解决现有技术中计算的行人之间的相似度的准确率较低，导致预测的行人关系存在误差的问题。
第一方面，本申请实施例提供了一种行人相似度获取方法，在第一方面的一种可能的实现方式中，行人相似度获取方法，包括：
获取同行次数矩阵，同行次数矩阵描述了多个行人中每两个行人之间的同行次数。根据预设规则将同行次数矩阵映射为权重矩阵，其中，权重矩阵描述了每两个行人之间的同行次数的权重值。通过预设的相似度算法，获取行人相似度矩阵，其中，行人相似度矩阵为多个行人与行人之间的相似度构成的矩阵。根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵，行人相似度矩用于描述两个行人之间的关系。
一些实施方式中，根据预设规则将同行次数矩阵映射为权重矩阵，包括：若同行次数数据小于预设阈值，则按照预设的映射函数将每个同行次数数据映射为对应的权重值。若同行次数数据大于或等于预设阈值，则将大于或等于预设阈值的每个同行次数数据映射为第一权重值。根据每个同行次数数据对应的权重值和/或第一权重值，得到权重矩阵。
一些实施方式中，根据每个同行次数对应的权重值和/或第一权重值，得到权重矩阵，包括：将每个同行次数数据对应的权重值以及第一权重值归一化，得到多个归一化后的权重值。根据多个归一化后的权重值，得到权重矩阵。
一些实施方式中，通过预设的相似度算法，获取行人相似度矩阵，包括：获取同行矩阵，同行矩阵为多个行人与行人之间的同行数据构成的矩阵，同行数据用于指示行人与行人同行或行人与行人未同行。根据同行矩阵，获取同行矩阵中每个行人与行人同行数据的K个邻近同行数据，其中，近邻近同行数据为和行人与行人同行数据的距离小于第二预设阈值的同行数据，K为大于1的整数。通过预设的重构算法，依次将每个行人与行人同行数据的K个邻近同行数据重构为每个行人与行人同行数据，得到多个重构后的行人与行人同行数据以及每个重构后的行人与行人同行数据对应的重构权重。将每个重构后的行人与行人同行数据对应的重构权重，作为每个行人与行人之间的相似度，以得到行人相似度矩阵。
一些实施方式中，根据预设规则将同行次数矩阵映射为权重矩阵之后，还包括：根据权重矩阵，获取权重矩阵中每个权重值的K个近邻权重值，其中，近邻权重值为与权重值的距离小于第一预设阈值的权重值，K为大于1的整数。依次根据每个权重值的K个近邻权重值，通过预设的重构算法，重构每个权重值，得到多个重构后的权重值以及每个权重值对应的重构权重。将每个权重值对应的重构权重归一化后，作为权重矩阵中的权重值，得到更新的权重矩阵。
一些实施方式中，根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵，包括：根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到更新后的行人相似度矩阵，其中，在每次迭代后，都将权重矩阵与迭代后的行人相似度矩阵的乘积结果，作为下一次迭代的输入。
一些实施方式中，根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵，包括：根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到收敛的行人相似度矩阵。将权重矩阵与收敛的行人相似度矩阵的乘积结果，作为更新后的行人相似度矩阵。
第二方面，本申请实施例提供了一种行人相似度获取装置，包括：
获取模块，用于获取同行次数矩阵，同行次数矩阵描述了多个行人中每两个行人之间的同行次数。映射模块，用于根据预设规则将同行次数矩阵映射为权重矩阵，其中，权重矩阵描述了每两个行人之间的同行次数的权重值。获取模块，还用于通过预设的相似度算法，获取行人相似度矩阵，其中，行人相似度矩阵为多个行人与行人之间的相似度构成的矩阵。更新模块，用于根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵，行人相似度矩用于描述两个行人之间的关系。
一些实施方式中，映射模块，具体用于若同行次数数据小于预设阈值，则按照预设的映射函数将每个同行次数数据映射为对应的权重值。若同行次数数据大于或等于预设阈值，则将大于或等于预设阈值的每个同行次数数据映射为第一权重值。根据每个同行次数数据对应的权重值和/或第一权重值，得到权重矩阵。
一些实施方式中，映射模块，具体用于将每个同行次数数据对应的权重值以及第一权重值归一化，得到多个归一化后的权重值。根据多个归一化后的权重值，得到权重矩阵。
一些实施方式中，获取模块，具体用于获取同行矩阵，同行矩阵为多个行人与行人之间的同行数据构成的矩阵，同行数据用于指示行人与行人同行或行人与行人未同行。根据同行矩阵，获取同行矩阵中每个行人与行人同行数据的K个邻近同行数据，其中，近邻近同行数据为和行人与行人同行数据的距离小于第二预设阈值的同行数据，K为大于1的整数。通过预设的重构算法，依次将每个行人与行人同行数据的K个邻近同行数据重构为每个行人与行人同行数据，得到多个重构后的行人与行人同行数据以及每个重构后的行人与行人同行数据对应的重构权重。将每个重构后的行人与行人同行数据对应的重构权重，作为每个行人与行人之间的相似度，以得到行人相似度矩阵。
一些实施方式中，获取模块，还用于根据权重矩阵，获取权重矩阵中每个权重值的K个近邻权重值，其中，近邻权重值为与权重值的距离小于第一预设阈值的权重值，K为大于1的整数。依次根据每个权重值的K个近邻权重值，通过预设的重构算法，重构每个权重值，得到多个重构后的权重值以及每个权重值对应的重构权重。将每个权重值对应的重构权重归一化后，作为权重矩阵中的权重值，得到更新的权重矩阵。
一些实施方式中，更新模块，具体用于根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到更新后的行人相似度矩阵，其中，在每次迭代后，都将权重矩阵与迭代后的行人相似度矩阵的乘积结果，作为下一次迭代的输入。
一些实施方式中，更新模块，具体用于根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到收敛的行人相似度矩阵。将权重矩阵与收敛的行人相似度矩阵的乘积结果，作为更新后的行人相似度矩阵。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面提供的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面提供的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：通过将同行次数矩阵映射为权重矩阵，并根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵。由于权重矩阵是通过同行次数矩阵映射得到的，可以根据同行次数表示每对行人与行人的同行权重，使用权重矩阵更新得到行人相似度矩阵，使得更新后的行人相似度矩阵中的行人与行人相似度考虑到了每对行人与行人之间的同行权重，可以排除掉同行误判，因此其表达的行人与行人相似度更加准确，使用该行人与行人相似度预测行人关系时，也更加准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的行人相似度获取方法应用场景示意图；
图2是本申请一实施例提供的行人相似度获取方法的流程示意图；
图3是本申请另一实施例提供的行人相似度获取方法的流程示意图；
图4是本申请另一实施例提供的行人相似度获取方法的流程示意图；
图5是本申请另一实施例提供的行人相似度获取方法的流程示意图；
图6是是本申请另一实施例提供的行人相似度获取方法的流程示意图；
图7是是本申请另一实施例提供的行人相似度获取方法的流程示意图；
图8是是本申请一实施例提供的行人相似度获取装置的结构示意图；
图9是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施方式”或“一些实施方式”等意味着在本申请的一个或多个实施方式中包括结合该实施方式描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施方式中”、“在一些实施方式中”、“在其他一些实施方式中”、“在另外一些实施方式中”等不是必然都参考相同的实施方式，而是意味着“一个或多个但不是所有的实施方式”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1示出本申请一实施例提供的行人相似度获取方法应用场景示意图
如图1所示，该场景中包括：摄像头11、终端设备12、移动设备13。
其中，摄像头11可以是监控摄像头，或者其他能够拍摄行人的摄像头，在此不做限制。摄像头11通过网络与终端设备12连接，摄像头11可以将拍摄的行人图像发送给终端设备12，终端设备12用于识别行人图像中的行人，得到的行人的同行数据并生成行人与行人同行矩阵，其中，终端设备12可以服务器、云端服务器、台式计算机、笔记本电脑或者其他具有图像处理能力的设备。移动设备13与终端设备12也可以通过网络连接，移动设备13可以获取终端设备12计算得到的识别结果。移动设备13可以是智能手机、平板电脑、可穿戴设备等，在此不做限制。
图2示出了本申请一实施例提供的行人相似度获取方法的流程示意图，作为示例而非限定，该方法可以应用于上述终端设备12中。
S21、获取同行次数矩阵。
其中，同行次数矩阵描述了多个行人中每两个行人之间的同行次数。
一些实施方式中，参考图1的场景，同行次数矩阵表示了一段时间内，监控摄像头拍摄的多个行人中，每两个行人同行的次数，例如，某建筑物内的监控摄像头拍摄了A B C三个行人，其中A和B同行了3次，B和C同行了5次，A和C没有同行，则A与B在同行次数矩阵内的值为3，B与C在同行次数矩阵内的值为5，A与C在同行次数矩阵内的值为0，则A、B、C的同行次数矩阵为：
Figure BDA0002348554850000071
其中，该矩阵中，从左至右的每一列分别表示A、B、C，从上至下每一行分别表示A、B、C，矩阵中，矩阵的值表示其行列所代表的两个行人的同行次数。
S22、根据预设规则将同行次数矩阵映射为权重矩阵。
其中，权重矩阵描述了每两个行人之间的同行次数的权重值。
一些实施方式中，每两个行人之间的同行次数的权重值用于表示这两个人为同行关系的可能性，参考S21中的示例，两个人同行3次和两个人同行5次时，为同行关系的可能性并不相同，因此，可以根据同行次数将其映射为不同的权重值，以更加准确地表示这两个人为同行关系的可能性。
S23、通过预设的相似度算法，获取行人相似度矩阵。
其中，行人相似度矩阵为多个行人与行人之间的相似度构成的矩阵。
一些实施方式中，行人相似度矩阵可以根据行人与行人之间是否同行计算，仅作为示例而非限制，计算行人相似度矩阵时，所用的相似度计算方法可以有多种，例如，Jaccard相似度、Cosine相似度、Gauss相似度、线性邻居相似度(Linear NeighborhoodsSimilarity，LNS)等，在此不做限制。
S24、根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵。
其中，行人相似度矩用于描述两个行人之间的关系。
需要说明的是，行人之间的关系不仅通过行人相似度进行表示，还需要根据其他变量进行确定，例如行人同行的时间相似度、行人性别、行人年龄等，根据行人相似度以及其他变量，可以确定两个行人之间为同事、朋友、家人等关系，其具体确定方式为现有技术，在此不再赘述。
在本实施例中，通过将同行次数矩阵映射为权重矩阵，并根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵。由于权重矩阵是通过同行次数矩阵映射得到的，可以根据同行次数表示每对行人与行人的同行权重，使用权重矩阵更新得到行人相似度矩阵，使得更新后的行人相似度矩阵中的行人与行人相似度考虑到了每对行人与行人之间的同行权重，可以排除掉同行误判，因此其表达的行人与行人相似度更加准确，使用该行人与行人相似度预测行人关系时，也更加准确。
图3示出了本申请另一实施例提供的行人相似度获取方法的流程示意图。
一些实施方式中，如图3所示，根据预设规则将同行次数矩阵映射为权重矩阵，包括：
S221、若同行次数数据小于预设阈值，则按照预设的映射函数将每个同行次数数据映射为对应的权重值。
仅作为示例而非限制，同行次数越多，则表明这两个行人之间的为同行的可能性更高，例如，若权重值范围为1至100，两个行人之间的同行次数为2，则这两个行人可能是偶然出现在同一画面中，而非同行，则权重降低，可以将权重值映射为2，若两个行人之间的同行次数为5，则这两个行人为同行的可能性较高，可以提高权重，可以将权重值映射为5。
S222、若同行次数数据大于或等于预设阈值，则将大于或等于预设阈值的每个同行次数数据映射为第一权重值。
还有一些实施方式中，若同行次数大于与设阈值，则表示这两个行人为同行的可能性极高，可以确定这两个行人为同行，例如，若两个人的同行次数大于或等于10次，则可以将权重值映射为100。
S223、根据每个同行次数数据对应的权重值和/或第一权重值，得到权重矩阵。
如S221、S222中所示，将同行次数矩阵中每个行人与行人同行次数映射为对应的权重值和/或第一权重值后，将对应的权重值和/或第一权重值填入矩阵，即可得到权重矩阵。
图4示出了本申请另一实施例提供的行人相似度获取方法的流程示意图。
一些实施方式中，如图4所示，根据每个同行次数对应的权重值和/或第一权重值，得到权重矩阵，包括：
S2231、将每个同行次数数据对应的权重值以及第一权重值归一化，得到多个归一化后的权重值。
一些实施方式中，将权重矩阵中各个权重值进行归一化，以更加清晰的确定两个行人之间是否同行，例如，参考S221、S222中所示，可以将权重值大于60的，归一化为1，表示这两个行人之间的关系为同行，将权重值小于60的归一化为0，表示这两个行人之间的关系为未同行。
S2232、根据多个归一化后的权重值，得到权重矩阵。
需要说明的是，得到的权重矩阵中，每个行人与行人的权重值为1或0，用以表示这两个行人之间的同行关系的权重。
图5示出了本申请另一实施例提供的行人相似度获取方法的流程示意图。
一些实施方式中，根据同行矩阵，通过预设的相似度算法，获取行人相似度矩阵，包括：
S231、获取同行矩阵。
其中，同行矩阵为多个行人与行人之间的同行数据构成的矩阵，同行数据用于指示行人与行人同行或行人与行人未同行。
一些实施方式中，参考图1的场景，同行矩阵表示了一段时间内，监控摄像头拍摄的多个行人中，每两个行人是否同行，例如，某建筑物内的监控摄像头拍摄了A B C三个行人，其中A和B同行了3次，B和C同行了5次，A和C没有同行，则A与B在同行次数矩阵内的值为1，B与C在同行次数矩阵内的值为1，A与C在同行次数矩阵内的值为0，则A、B、C的同行矩阵为：
Figure BDA0002348554850000101
其中，该矩阵中，从左至右的每一列分别表示A、B、C，从上至下每一行分别表示A、B、C，矩阵中，1表示其行列所代表的两个行人同行，0则表示其行列所代表的两个行人未同行。
S232、根据同行矩阵，获取同行矩阵中每个行人与行人同行数据的K个邻近同行数据。
其中，近邻近同行数据为和行人与行人同行数据的距离小于第二预设阈值的同行数据，K为大于1的整数。
S233、依次根据每个行人与行人同行数据的K个邻近同行数据，通过预设的重构算法，重构每个行人与行人同行数据，得到多个重构后的行人与行人同行数据以及每个重构后的行人与行人同行数据对应的重构权重。
S234、将每个重构后的行人与行人同行数据对应的重构权重，作为每个行人与行人之间的相似度，得到行人相似度矩阵。
仅作为示例而非限制，在本实施方式中，以LNS为例，进行说明。
在LNS中，假设同行矩阵中，每个同行数据xi都可以由与其距离小于第二预设阈值的K个同行数据重构，其公式为：
Figure BDA0002348554850000111
Figure BDA0002348554850000112
其中，
Figure BDA0002348554850000113
‖·‖为2-范数，N(xi)为xi的K近邻集合，ωi,j是xj重构xi的权重，若
Figure BDA0002348554850000114
则ωi,j＝0。ωi,j即为xi和
Figure BDA0002348554850000115
的相似度。
还有一些实施方式中，为防止过拟合并增强模型的泛化能力，可以引入L2正则化项，以优化上述的相似度，其公式为：
Figure BDA0002348554850000116
s.t.eTωi＝1,ωi≥0,j＝1,…,K
其中λ为L2正则化参数，e＝(1,1,…,1)T。
图6是是本申请另一实施例提供的行人相似度获取方法的流程示意图。
一些实施方式中，如图6所示，在将同行次数矩阵，根据预设规则映射为权重矩阵之后，还包括：
S25、根据权重矩阵，获取权重矩阵中每个权重值的K个近邻权重值。
其中，近邻权重值为与权重值的距离小于第一预设阈值的权重值，K为大于1的整数。
S26、依次根据每个权重值的K个近邻权重值，通过预设的重构算法，重构每个权重值，得到多个重构后的权重值以及每个权重值对应的重构权重。
S27、将每个权重值对应的重构权重归一化后，作为权重矩阵中的权重值，得到更新的权重矩阵。
需要说明的是，S24、S25、S26中的权重矩阵的重构更新方式，与上述S221、S222、S223中提供的重构方式相同，在此不再赘述。
一些实施方式中，根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵，包括：
根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到更新后的行人相似度矩阵。
其中，在每次迭代后，都将权重矩阵与迭代后的行人相似度矩阵的乘积结果，作为下一次迭代的输入。
一些实施方式中，在得到行人相似度矩阵后，可以利用标签传递算法来进行迭代，即迭代地将邻近同行数据的行人相似度信息传递到当前的行人相似度，同时保持着该行人相似度原有的相似度信息。具体如下：
F(k)＝αWF(k-1)+(1-α)Y
其中，0<α<1，Y是行人相似度矩阵。
在迭代后，上述迭代会收敛至一个稳定的状态，即：
F＝(1-α)(I-αW)-1Y
其中，F即为迭代后的行人相似度矩阵。
还有一些实施方式中，根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵，包括：
根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到收敛的行人相似度矩阵。
将权重矩阵与收敛的行人相似度矩阵的乘积结果，作为更新后的行人相似度矩阵。
其中，对行人相似度矩阵进行迭代的方式与上述类似，在此不再赘述。
图7是是本申请另一实施例提供的行人相似度获取方法的流程示意图。
一些实施方式中，如图7所示，提供了一种行人相似度获取方法的整体流程，包括：
S31、获取行人与行人同行矩阵。
S32、根据行人与行人同行矩阵获取行人相似度矩阵。
S33、获取行人与行人同行次数矩阵。
S34、根据行人与行人同行次数矩阵获取权重矩阵。
S35、根据权重矩阵更新行人相似度矩阵。
S36、确定更新后的行人相似度矩阵是否收敛，若未收敛，则执行S35。
S37、若收敛，确定更新后的行人相似度矩阵。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的行人相似度获取方法，图8示出了本申请一实施例提供的行人相似度获取装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
一种行人相似度获取装置，包括：
获取模块41，用于获取同行次数矩阵，同行次数矩阵描述了多个行人中每两个行人之间的同行次数。映射模块42，用于根据预设规则将同行次数矩阵映射为权重矩阵，其中，权重矩阵描述了每两个行人之间的同行次数的权重值。获取模块41，还用于通过预设的相似度算法，获取行人相似度矩阵，其中，行人相似度矩阵为多个行人与行人之间的相似度构成的矩阵。更新模块43，用于根据权重矩阵更新行人相似度矩阵，得到更新后的行人相似度矩阵，行人相似度矩用于描述两个行人之间的关系。
一些实施方式中，映射模块42，具体用于若同行次数数据小于预设阈值，则按照预设的映射函数将每个同行次数数据映射为对应的权重值。若同行次数数据大于或等于预设阈值，则将大于或等于预设阈值的每个同行次数数据映射为第一权重值。根据每个同行次数数据对应的权重值和/或第一权重值，得到权重矩阵。
一些实施方式中，映射模块42，具体用于将每个同行次数数据对应的权重值以及第一权重值归一化，得到多个归一化后的权重值。根据多个归一化后的权重值，得到权重矩阵。
一些实施方式中，获取模块41，具体用于获取同行矩阵，同行矩阵为多个行人与行人之间的同行数据构成的矩阵，同行数据用于指示行人与行人同行或行人与行人未同行。根据同行矩阵，获取同行矩阵中每个行人与行人同行数据的K个邻近同行数据，其中，近邻同行数据为和行人与行人同行数据的距离小于第二预设阈值的同行数据，K为大于1的整数。通过预设的重构算法，依次将每个行人与行人同行数据的K个邻近同行数据重构为每个行人与行人同行数据，得到多个重构后的行人与行人同行数据以及每个重构后的行人与行人同行数据对应的重构权重。将每个重构后的行人与行人同行数据对应的重构权重，作为每个行人与行人之间的相似度，以得到行人相似度矩阵。
一些实施方式中，获取模块41，还用于根据权重矩阵，获取权重矩阵中每个权重值的K个近邻权重值，其中，近邻权重值为与权重值的距离小于第一预设阈值的权重值，K为大于1的整数。依次根据每个权重值的K个近邻权重值，通过预设的重构算法，重构每个权重值，得到多个重构后的权重值以及每个权重值对应的重构权重。将每个权重值对应的重构权重归一化后，作为权重矩阵中的权重值，得到更新的权重矩阵。
一些实施方式中，更新模块43，具体用于根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到更新后的行人相似度矩阵，其中，在每次迭代后，都将权重矩阵与迭代后的行人相似度矩阵的乘积结果，作为下一次迭代的输入。
一些实施方式中，更新模块43，具体用于根据预设的迭代算法对行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到收敛的行人相似度矩阵。将权重矩阵与收敛的行人相似度矩阵的乘积结果，作为更新后的行人相似度矩阵。
需要说明的是，上述装置各模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，图9示出了终端设备的结构示意图。
如图9所示，终端设备5包括存储器52、处理器51以及存储在存储器52中并可在处理器51上运行的计算机程序53，处理器51执行计算机程序53时实现上述的行人相似度获取方法。
处理器51可以是中央处理单元(Central Processing Unit，CPU)，该处理器51还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field与Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52在一些实施例中可以是终端设备5的内部存储单元，例如终端设备5的硬盘、闪存或内存。存储器52在另一些实施例中也可以是终端设备5的外部存储设备，例如终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器52还可以既包括终端设备5的内部存储单元也包括外部存储设备。存储器52用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如计算机程序53的程序代码、视频等。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
本申请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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read与Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种行人相似度获取方法，其特征在于，包括：
获取同行次数矩阵，所述同行次数矩阵描述了多个行人中每两个行人之间的同行次数；
根据预设规则将所述同行次数矩阵映射为权重矩阵，其中，所述权重矩阵描述了每两个行人之间的同行次数的权重值；
通过预设的相似度算法，获取行人相似度矩阵，其中，所述行人相似度矩阵为多个行人与行人之间的相似度构成的矩阵；
根据所述权重矩阵更新所述行人相似度矩阵，得到更新后的行人相似度矩阵，所述行人相似度矩用于描述两个行人之间的关系。
2.根据权利要求1所述的方法，其特征在于，所述根据预设规则将所述同行次数矩阵映射为权重矩阵，包括：
若所述同行次数数据小于预设阈值，则按照预设的映射函数将每个所述同行次数数据映射为对应的权重值；
若所述同行次数数据大于或等于所述预设阈值，则将大于或等于所述预设阈值的每个所述同行次数数据映射为第一权重值；
根据所述每个同行次数数据对应的权重值和/或所述第一权重值，得到所述权重矩阵。
3.根据权利要求2所述的方法，其特征在于，根据所述每个同行次数对应的权重值和/或所述第一权重值，得到所述权重矩阵，包括：
将所述每个同行次数数据对应的权重值以及所述第一权重值归一化，得到多个归一化后的权重值；
根据所述多个归一化后的权重值，得到所述权重矩阵。
4.根据权利要求1与3任一项所述的方法，其特征在于，所述通过预设的相似度算法，获取行人相似度矩阵，包括：
获取同行矩阵，所述同行矩阵为多个行人与行人之间的同行数据构成的矩阵，所述同行数据用于指示行人与行人同行或行人与行人未同行；
根据所述同行矩阵，获取所述同行矩阵中每个行人与行人同行数据的K个邻近同行数据，其中，所述近邻近同行数据为与所述行人与行人同行数据的距离小于第二预设阈值的同行数据，K为大于1的整数；
通过预设的重构算法，依次将每个所述行人与行人同行数据的K个邻近同行数据重构为每个所述行人与行人同行数据，得到多个重构后的行人与行人同行数据以及每个所述重构后的行人与行人同行数据对应的重构权重；
将每个所述重构后的行人与行人同行数据对应的重构权重，作为所述每个所述行人与行人之间的相似度，以得到所述行人相似度矩阵。
5.根据权利要求4所述的方法，其特征在于，所述根据预设规则将所述同行次数矩阵映射为权重矩阵之后，还包括：
根据所述权重矩阵，获取所述权重矩阵中每个权重值的K个近邻权重值，其中，所述近邻权重值为与所述权重值的距离小于第一预设阈值的权重值，K为大于1的整数；
依次根据每个所述权重值的K个近邻权重值，通过预设的重构算法，重构每个所述权重值，得到多个重构后的权重值以及每个所述权重值对应的重构权重；
将每个所述权重值对应的重构权重归一化后，作为所述权重矩阵中的权重值，得到更新的权重矩阵。
6.根据权利要求5所述的方法，其特征在于，所述根据所述权重矩阵更新所述行人相似度矩阵，得到更新后的行人相似度矩阵，包括：
根据预设的迭代算法对所述行人相似度矩阵进行迭代，直至迭代后的行人相似度矩阵收敛，得到更新后的行人相似度矩阵，其中，在每次迭代后，都将所述权重矩阵与所述迭代后的行人相似度矩阵的乘积结果，作为下一次迭代的输入。
7.一种行人相似度获取装置，其特征在于，包括：
获取模块，用于获取同行次数矩阵，所述同行次数矩阵描述了多个行人中每两个行人之间的同行次数；
映射模块，用于根据预设规则将所述同行次数矩阵映射为权重矩阵，其中，所述权重矩阵描述了每两个行人之间的同行次数的权重值；
获取模块，还用于通过预设的相似度算法，获取行人相似度矩阵，其中，所述行人相似度矩阵为多个行人与行人之间的相似度构成的矩阵；
更新模块，用于根据所述权重矩阵更新所述行人相似度矩阵，得到更新后的行人相似度矩阵，所述行人相似度矩用于描述两个行人之间的关系。
8.根据权利要求7所述的装置，其特征在于，所述映射模块，具体用于若所述同行次数数据小于预设阈值，则按照预设的映射函数将每个所述同行次数数据映射为对应的权重值；
若所述同行次数数据大于或等于所述预设阈值，则将大于或等于所述预设阈值的每个所述同行次数数据映射为第一权重值；
根据所述每个同行次数数据对应的权重值和/或所述第一权重值，得到所述权重矩阵。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN201911405642.9A 2019-12-31 2019-12-31 行人相似度获取方法、装置、终端设备及可读存储介质 Active CN111191602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911405642.9A CN111191602B (zh) 2019-12-31 2019-12-31 行人相似度获取方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911405642.9A CN111191602B (zh) 2019-12-31 2019-12-31 行人相似度获取方法、装置、终端设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111191602A true CN111191602A (zh) 2020-05-22
CN111191602B CN111191602B (zh) 2023-06-13

Family

ID=70709643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911405642.9A Active CN111191602B (zh) 2019-12-31 2019-12-31 行人相似度获取方法、装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111191602B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836599A (zh) * 2021-01-19 2021-05-25 东方网力科技股份有限公司 基于人脸抓拍数据的同行人员查询方法、装置和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324630A1 (en) * 2014-05-08 2015-11-12 Shutterfly, Inc. Grouping face images using statistic distribution estimate
CN106682606A (zh) * 2016-12-23 2017-05-17 湘潭大学 一种人脸确认方法及安全认证装置
CN107066476A (zh) * 2016-12-13 2017-08-18 江苏途致信息科技有限公司 一种基于物品相似度的实时推荐方法
CN108108662A (zh) * 2017-11-24 2018-06-01 深圳市华尊科技股份有限公司 深度神经网络识别模型及识别方法
CN109344842A (zh) * 2018-08-15 2019-02-15 天津大学 一种基于语义区域表达的行人重识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324630A1 (en) * 2014-05-08 2015-11-12 Shutterfly, Inc. Grouping face images using statistic distribution estimate
CN107066476A (zh) * 2016-12-13 2017-08-18 江苏途致信息科技有限公司 一种基于物品相似度的实时推荐方法
CN106682606A (zh) * 2016-12-23 2017-05-17 湘潭大学 一种人脸确认方法及安全认证装置
CN108108662A (zh) * 2017-11-24 2018-06-01 深圳市华尊科技股份有限公司 深度神经网络识别模型及识别方法
CN109344842A (zh) * 2018-08-15 2019-02-15 天津大学 一种基于语义区域表达的行人重识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836599A (zh) * 2021-01-19 2021-05-25 东方网力科技股份有限公司 基于人脸抓拍数据的同行人员查询方法、装置和设备

Also Published As

Publication number Publication date
CN111191602B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN108280477B (zh) 用于聚类图像的方法和装置
US9348898B2 (en) Recommendation system with dual collaborative filter usage matrix
KR20160083900A (ko) 얼굴 표현을 위한 시스템 및 방법
CN115953665B (zh) 一种目标检测方法、装置、设备及存储介质
US11714921B2 (en) Image processing method with ash code on local feature vectors, image processing device and storage medium
CN113920382B (zh) 基于类一致性结构化学习的跨域图像分类方法和相关装置
CN111191602B (zh) 行人相似度获取方法、装置、终端设备及可读存储介质
CN116090504A (zh) 图神经网络模型训练方法及装置、分类方法、计算设备
CN112651467A (zh) 卷积神经网络的训练方法和系统以及预测方法和系统
CN114155388B (zh) 一种图像识别方法、装置、计算机设备和存储介质
CN114997259A (zh) 图像聚类方法、图像聚类模型训练方法和电子设备
CN115169433A (zh) 基于元学习的知识图谱分类方法及相关设备
CN116127083A (zh) 内容推荐方法、装置、设备及存储介质
CN114821140A (zh) 基于曼哈顿距离的图像聚类方法、终端设备及存储介质
CN114493674A (zh) 一种广告点击率预测模型及方法
CN114494379A (zh) 基于fpfh的凸包辅助三维点云配准方法、设备及介质
US11551041B2 (en) Method and device for conducting measurements for an N-dimensional data structure
CN110689513A (zh) 彩色图像融合方法、装置和终端设备
CN115689648B (zh) 应用于定向投放的用户信息处理方法及系统
CN116630629B (zh) 基于域适应的语义分割方法、装置、设备及存储介质
CN116740481A (zh) 面向目标计数的选择性继承学习方法、装置以及电子设备
CN116501993A (zh) 房源数据推荐方法及装置
CN116912518A (zh) 图像的多尺度特征处理方法及装置
CN116385512A (zh) 三维医学图像配准方法、装置、电子设备及存储介质
CN118097293A (zh) 基于残差图卷积网络和自注意力的小样本数据分类方法及系统

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