CN111310664A - 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 PDF

Info

Publication number
CN111310664A
CN111310664A CN202010098842.0A CN202010098842A CN111310664A CN 111310664 A CN111310664 A CN 111310664A CN 202010098842 A CN202010098842 A CN 202010098842A CN 111310664 A CN111310664 A CN 111310664A
Authority
CN
China
Prior art keywords
features
feature
density
images
target
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
CN202010098842.0A
Other languages
English (en)
Other versions
CN111310664B (zh
Inventor
郭森辉
徐静
陈大鹏
赵瑞
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 Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology 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 Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010098842.0A priority Critical patent/CN111310664B/zh
Priority to JP2021526214A priority patent/JP7114811B2/ja
Priority to PCT/CN2020/081364 priority patent/WO2021164100A1/zh
Priority to SG11202105513VA priority patent/SG11202105513VA/en
Priority to TW109116706A priority patent/TWI738349B/zh
Publication of CN111310664A publication Critical patent/CN111310664A/zh
Priority to US17/328,432 priority patent/US20210279508A1/en
Application granted granted Critical
Publication of CN111310664B publication Critical patent/CN111310664B/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
    • G06V40/10—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (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：根据待处理的多个第一图像的第一特征，分别确定各第一特征的密度；根据目标特征的密度，确定与目标特征对应的密度链信息，目标特征为任意一个第一特征，与目标特征对应的密度链信息包括N个特征，N个特征的第i个特征为第i‑1个特征的第一近邻特征中的一个，且第i个特征的密度大于第i‑1个特征的密度；根据与各第一特征对应的密度链信息，分别对各第一特征进行调整，得到多个第一图像的第二特征；对多个第一图像的第二特征进行聚类，得到多个第一图像的处理结果。本公开实施例能够提高图像的聚类效果。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，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
聚类可将属于同一类别的多个目标(例如人脸)聚在一起，例如，可将图像库中属于同一人的图像聚类在一起，从而将不同人的图像区分开。在相关技术中，可提取图像中目标的特征，并对特征进行聚类。然而，目标的特征可能具有较复杂的分布，例如有的人的人脸特征比较分散，有的人的人脸特征比较集中，还有一些人的特征可能会有一部分重合等，导致根据相关技术的聚类方式的聚类效果较差。
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：根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度，所述第一特征的密度表示与所述第一特征之间的距离小于或等于第一距离阈值的第一特征的数量；根据目标特征的密度，确定与所述目标特征对应的密度链信息，其中，所述目标特征为任意一个第一特征，与所述目标特征对应的密度链信息包括N个特征，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中的一个，且所述第i个特征的密度大于所述第i-1个特征的密度，N，i为正整数且1＜i≤N，所述第一近邻特征包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征，所述目标特征为所述N个特征中的第一个；根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征；对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。
在一种可能的实现方式中，与所述目标特征对应的密度链信息还包括所述N个特征的第二近邻特征，所述N个特征的第i-1个特征的第二近邻特征包括与所述第i-1个特征之间的距离小于或等于第三距离阈值的至少一个第一特征，所述根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征，包括：针对所述目标特征，对所述N个特征及所述N个特征的第二近邻特征分别进行融合，得到所述目标特征的N个融合特征；根据所述目标特征的N个融合特征，确定所述N个融合特征之间的关联特征；根据所述目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征。
在一种可能的实现方式中，根据所述目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征，包括：将所述关联特征分别与所述N个融合特征进行拼接，得到N个拼接特征；对所述N个拼接特征进行归一化，得到所述N个融合特征的N个权值；根据所述N个权值，对所述N个融合特征进行融合，得到与所述目标特征对应的第一图像的第二特征。
在一种可能的实现方式中，所述根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度之前，所述方法还包括：根据所述多个第一图像的第三特征，建立特征图网络，所述特征图网络包括多个节点及所述节点之间的连线，每个所述节点包括一个所述第三特征，所述连线的值表示所述节点与所述节点的近邻节点之间的距离，所述节点的近邻节点包括与所述节点之间的距离最小的K个节点，K为正整数；对所述特征图网络进行图卷积处理，得到所述多个第一图像的第一特征。
在一种可能的实现方式中，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中密度最大的特征。
在一种可能的实现方式中，所述根据所述多个第一图像的第三特征，建立特征图网络之前，所述方法还包括：对所述多个第一图像分别进行特征提取，得到所述多个第一图像的第三特征。
在一种可能的实现方式中，所述对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果，包括：对所述多个第一图像的第二特征进行聚类，确定至少一个图像组，每个所述图像组中包括至少一个第一图像；分别确定所述至少一个图像组对应的目标类别，所述目标类别表示所述第一图像中目标的身份，所述处理结果包括所述至少一个图像组以及所述至少一个图像组对应的目标类别。
根据本公开的一方面，提供了一种图像处理装置，包括：
密度确定模块，用于根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度，所述第一特征的密度表示与所述第一特征之间的距离小于或等于第一距离阈值的第一特征的数量；密度链确定模块，用于根据目标特征的密度，确定与所述目标特征对应的密度链信息，其中，所述目标特征为任意一个第一特征，与所述目标特征对应的密度链信息包括N个特征，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中的一个，且所述第i个特征的密度大于所述第i-1个特征的密度，N，i为正整数且1＜i≤N，所述第一近邻特征包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征，所述目标特征为所述N个特征中的第一个；特征调整模块，用于根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征；结果确定模块，用于对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。
在一种可能的实现方式中，与所述目标特征对应的密度链信息还包括所述N个特征的第二近邻特征，所述N个特征的第i-1个特征的第二近邻特征包括与所述第i-1个特征之间的距离小于或等于第三距离阈值的至少一个第一特征，所述特征调整模块，包括：融合子模块，用于针对所述目标特征，对所述N个特征及所述N个特征的第二近邻特征分别进行融合，得到所述目标特征的N个融合特征；特征子模块，用于根据所述目标特征的N个融合特征，确定所述N个融合特征之间的关联特征；特征确定子模块，用于根据所述目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征。
在一种可能的实现方式中，所述特征确定子模块用于：将所述关联特征分别与所述N个融合特征进行拼接，得到N个拼接特征；对所述N个拼接特征进行归一化，得到所述N个融合特征的N个权值；根据所述N个权值，对所述N个融合特征进行融合，得到与所述目标特征对应的第一图像的第二特征。
在一种可能的实现方式中，所述密度确定模块之前，所述装置还包括：图网络建立模块，用于根据所述多个第一图像的第三特征，建立特征图网络，所述特征图网络包括多个节点及所述节点之间的连线，每个所述节点包括一个所述第三特征，所述连线的值表示所述节点与所述节点的近邻节点之间的距离，所述节点的近邻节点包括与所述节点之间的距离最小的K个节点，K为正整数；图卷积模块，用于对所述特征图网络进行图卷积处理，得到所述多个第一图像的第一特征。
在一种可能的实现方式中，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中密度最大的特征。
在一种可能的实现方式中，所述图网络建立模块之前，所述装置还包括：特征提取模块，用于对所述多个第一图像分别进行特征提取，得到所述多个第一图像的第三特征。
在一种可能的实现方式中，所述结果确定模块包括：聚类子模块，用于对所述多个第一图像的第二特征进行聚类，确定至少一个图像组，每个所述图像组中包括至少一个第一图像；类别确定子模块，用于分别确定所述至少一个图像组对应的目标类别，所述目标类别表示所述第一图像中目标的身份，所述处理结果包括所述至少一个图像组以及所述至少一个图像组对应的目标类别。
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调用所述存储器存储的指令，以执行上述方法。
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方法。
根据本公开的实施例，能够确定多个图像特征的密度，根据特征密度确定特征的密度链信息，根据密度链信息对特征进行调整，对调整后的特征进行聚类以得到处理结果，通过特征的空间密度分布对特征进行调整，能够提高图像的聚类效果。
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图像处理方法中的密度链确定过程的示意图。
图3示出根据本公开实施例的图像处理方法中的密度链信息的示意图。
图4a、图4b、图4c及图4d示出根据本公开实施例的图像处理过程的示意图。
图5示出根据本公开实施例的图像处理装置的框图。
图6示出根据本公开实施例的一种电子设备的框图。
图7示出根据本公开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。
图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述方法包括：
在步骤S11中，根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度，所述第一特征的密度表示与所述第一特征之间的距离小于或等于第一距离阈值的第一特征的数量；
在步骤S12中，根据目标特征的密度，确定与所述目标特征对应的密度链信息，其中，所述目标特征为任意一个第一特征，与所述目标特征对应的密度链信息包括N个特征，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中的一个，且所述第i个特征的密度大于所述第i-1个特征的密度，N，i为正整数且1＜i≤N，所述第一近邻特征包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征，所述目标特征为所述N个特征中的第一个；
在步骤S13中，根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征；
在步骤S14中，对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。
在一种可能的实现方式中，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，所述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。
在一种可能的实现方式中，待处理的多个第一图像可以是由图像采集设备(例如摄像头)采集的图像，或者从采集图像中截取的局部图像等。第一图像中包括待识别的目标(例如人脸、人体、车辆等)。其中，多个第一图像中的目标可能为同一类别的目标(例如同一个人的人脸)，因此可通过聚类将同一类别的目标聚在一起，以便于后续处理。本公开对第一图像的获取方式以及第一图像中目标的具体类型不作限制。
在一种可能的实现方式中，可例如通过卷积神经网络提取多个第一图像中的特征信息，将提取到的特征信息作为第一特征；也可对提取到的特征信息进行初步处理，将处理后的特征信息作为第一特征。本公开对第一特征的获取方式以及用于提取特征的卷积神经网络的类型不作限制。
在一种可能的实现方式中，在步骤S11中，可根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度。第一特征的密度与该第一特征之间的距离小于或等于第一距离阈值的第一特征的数量。也就是说，可根据特征在空间中的分布，确定出每个第一特征的一定范围内周围特征的个数，作为每个第一特征所处位置的密度。本领域技术人员可根据实际情况设定第一距离阈值的具体取值，本公开对此不作限制。
在一种可能的实现方式中，在步骤S12中，对于多个第一特征中的任意一个(可称为目标特征)，根据该目标特征的密度，可寻找该目标特征周围一个密度较大的第一特征(大于目标特征的密度)，或大于目标特征的密度的第一特征中密度最大的第一特征，并建立一个指向该第一特征的标记。对于每个第一特征分别进行上述处理，可形成一个树状结构。可对每个第一特征顺着树状结构找到密度最大的一个第一特征，这样可寻找得到一条密度链，称为密度链信息。
在一种可能的实现方式中，对于目标特征，可确定出与该目标特征对应的密度链信息。设该密度链信息包括N个特征，则目标特征为N个特征中的第一个。可寻找到目标特征的第一近邻特征，包括与该目标特征之间的距离小于或等于第二距离阈值的第一特征，如果各个第一近邻特征的密度均小于或等于目标特征的密度，则N＝1，也即与该目标特征对应的密度链信息包括目标特征本身。如果存在密度大于目标特征的密度的第一近邻特征，则将该第一近邻特征作为密度链信息中的下一个特征。本公开对第二距离阈值的具体取值不作限制。
在一种可能的实现方式中，对于N个特征的第i-1个特征，可寻找到第i-1个特征的第一近邻特征，包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征；并将密度大于所述第i-1个特征的密度的一个第一近邻特征，确定为N个特征的第i个特征，N，i为正整数且1＜i≤N。以此类推，可得到所有的N个特征，也即得到与该目标特征对应的密度链信息。
在一种可能的实现方式中，在步骤S13中，根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征。可例如将密度链信息输入长短期记忆网络(Long-Short Term Memory，LSTM)中处理，学习密度链信息中的各个特征之间的依赖关系，，得到一个新的特征，也即与该密度链信息对应的第一图像的第二特征，从而实现对相应的第一特征的调整。
在一种可能的实现方式中，在步骤S14中，可对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。该处理结果可包括聚类得到的一个或多个图像组(或图像特征组)以及各个图像组对应的目标类别。例如在第一图像为人脸图像时，处理结果包括同一人物的人脸图像组及该人物的身份。本公开对聚类的具体方式不作限制。
根据本公开的实施例，能够确定多个图像特征的密度，根据特征密度确定特征的密度链信息，根据密度链信息对特征进行调整，对调整后的特征进行聚类以得到处理结果，通过特征的空间密度分布对特征进行调整，能够提高图像的聚类效果。
在一种可能的实现方式中，在步骤S11之前，所述方法还包括：对所述多个第一图像分别进行特征提取，得到所述多个第一图像的第三特征。
举例来说，针对待处理的多个第一图像，可将各个第一图像分别输入例如卷积神经网络中进行特征提取，得到各个第一图像的特征信息，可称为第三特征。可将提取到的第三特征作为第一特征；也可对提取到的第三特征进行初步处理，将处理后的特征作为第一特征。本公开对特征提取的具体方式不作限制。
通过这种方式，可以得到图像中目标的特征信息，以便后续处理。
在一种可能的实现方式中，在提取到第三特征后，在步骤S11之前，所述方法还包括：
根据所述多个第一图像的第三特征，建立特征图网络，所述特征图网络包括多个节点及所述节点之间的连线，每个所述节点包括一个所述第三特征，所述连线的值表示所述节点与所述节点的近邻节点之间的距离，所述节点的近邻节点包括与所述节点之间的距离最小的K个节点，K为正整数；
对所述特征图网络进行图卷积处理，得到所述多个第一图像的第一特征。
举例来说，可以通过图卷积对提取到的图像特征进行初步处理。可对多个第一图像的第三特征进行建图，建立特征图网络。该特征图网络包括多个节点，每个节点即为一个第三特征。对于每个节点，可寻找与该节点最近(也即距离最小)的K个近邻节点，建立该节点与K个近邻节点之间的连线(或称为边)，并为各个连线赋值。连线的值可表示该节点与该节点的近邻节点之间的距离(或相似度)。对各个节点分别进行上述处理，可得到建立特征图网络，其包括多个节点及各个节点之间的连线。本领域技术人员可采用相关技术中的各种方式确定各个节点的近邻节点，本公开对确定近邻节点的方式及近邻节点的数量K不作限制。
在一种可能的实现方式中，在建立特征图网络后，可采用图卷积对特征图网络进行计算，对每个节点重新计算一个特征，该特征是融合了邻居特征信息后的综合特征，可称为第一特征。这样，可以得到多个第一图像的第一特征。本公开对图卷积的具体计算方式不作限制。
通过这种方式，可以融合各特征周围较接近的邻居特征的信息，实现局部的特征融合，从而提高后续聚类处理的效果。
在一种可能的实现方式中，在得到多个第一图像的第一特征后，可根据特征在空间中的分布，在步骤S11中确定各个第一特征的密度，也即每个第一特征的一定范围内周围特征的个数。在步骤S12中，对于多个第一特征中的任意一个(称为目标特征)，可获取该目标特征的密度链信息。该密度链信息包括N个特征，该目标特征为N个特征中的第一个。
在一种可能的实现方式中，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中密度最大的特征。也就是说，可寻找到第i-1个特征的第一近邻特征，包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征；将第一近邻特征中密度大于第i-1个特征的密度，且密度最大的第一近邻特征，确定为N个特征的第i个特征。
图2示出根据本公开实施例的图像处理方法中的密度链确定过程的示意图。如图2所示，各个圆圈表示第一特征，圆圈的颜色越深表示特征的密度越大，圆圈的颜色越深表示特征的密度越小。对于任意一个第一特征，也即目标特征vk，其密度链信息可表示为C(vk)，包括以目标特征vk为起点，密度由低到高排列的一组第一特征。k表示特征编号，为正整数。
在一种可能的实现方式中，与所述目标特征对应的密度链信息还包括所述N个特征的第二近邻特征，所述N个特征的第i-1个特征的第二近邻特征包括与所述第i-1个特征之间的距离小于或等于第三距离阈值的至少一个第一特征。也就是说，密度链中的每个特征都关联其最近的几个邻居(称为第二近邻特征)，将密度链中的N个特征以及N个特征的第二近邻特征共同作为密度链信息。本公开对第三距离阈值的具体取值不作限制。
图3示出根据本公开实施例的图像处理方法中的密度链信息的示意图。如图3所示，对于目标特征vk，密度链信息可表示为C(vk)，密度链信息C(vk)包括N个特征
Figure BDA0002386233620000121
以及N个特征的第二近邻特征
Figure BDA0002386233620000122
在一种可能的实现方式中，在步骤S13中，根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征。其中，步骤S13可包括：
针对所述目标特征，对所述N个特征及所述N个特征的第二近邻特征分别进行融合，得到所述目标特征的N个融合特征；
根据所述目标特征的N个融合特征，确定所述N个融合特征之间的关联特征；
根据所述目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征。
举例来说，对于目标特征的密度链信息中的第i个特征，可将该第i个特征与该第i个特征的第二近邻特征进行融合，也即将第i个特征与该第i个特征的第二近邻特征直接叠加(concat)，或根据预设的权重值对第i个特征与该第i个特征的第二近邻特征进行加权叠加(concat)，得到第i个融合特征。对N个特征中的每一个特征都这样处理，可得到N个融合特征。
在一种可能的实现方式中，可将目标特征的N个融合特征输入预先训练的LSTM网络中处理，学习N个融合特征之间的依赖关系，输出N个融合特征之间的关联特征(也可称为查询特征Query)。本领域技术人员可根据实际情况设置LSTM网络，本公开对LSTM网络的网络结构不作限制。
在一种可能的实现方式中，根据目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征的步骤可包括：
将所述关联特征分别与所述N个融合特征进行拼接，得到N个拼接特征；
对所述N个拼接特征进行归一化，得到所述N个融合特征的N个权值；
根据所述N个权值，对所述N个融合特征进行融合，得到与所述目标特征对应的第一图像的第二特征。
也就是说，可将关联特征分别与N个融合特征进行拼接，得到N个拼接特征(也可称为关键特征Key)；通过例如Softmax函数分别对N个拼接特征进行归一化处理，可得到每个融合特征的权值，共得到N个权值；进而，可根据各个融合特征的权值，对N个融合特征进行加权平均(weighted average)，得到一个新的特征，也即与该目标特征对应的第一图像的第二特征，从而实现对目标特征的调整过程。这样，对每个第一特征进行上述处理，可得到所述多个第一图像的第二特征。
通过这种方式，能够根据特征的空间密度分布对特征进行调整，提高图像的聚类效果。
图4a、图4b、图4c及图4d示出根据本公开实施例的图像处理过程的示意图。在示例中，对多个第一图像进行特征提取后，可得到多个第三特征，其中圆圈和三角可分别表示不同类别的目标的特征。图4a示出了初始的特征分布情况，如图4a所示，第三特征的分布较为分散，直接聚类时的效果较差。
在示例中，可对多个第三特征进行建图，得到特征图网络，其包括多个节点及近邻节点之间的连线；图建立完成后使用图卷积进行计算，实现局部的特征融合，得到多个第一特征。图4b示出了经图卷积处理后的特征分布情况，如图4b所示，经图卷积处理后，邻近的第一特征之间的距离变小，能够提高聚类的效果。
在示例中，可根据各个第一特征的密度，按照密度由低到高的顺序建立指向标记，形成树状结构，如图4c所示。进而，可确定出每个第一特征的密度链信息。
在示例中，可将各个第一特征的密度链信息分别输入LSTM网络，对各个第一特征进行调整，得到调整后的多个第二特征。图4d示出了最终的特征分布情况，如图4d所示，可见经调整后，同一类别的第二特征之间的距离明显变小，更容易聚类，能够显著提高聚类的效果。
在一种可能的实现方式中，在完成特征调整(也可称为特征重学习)后，可在步骤S14中对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。其中，步骤S14可包括：
对所述多个第一图像的第二特征进行聚类，确定至少一个图像组，每个所述图像组中包括至少一个第一图像；
分别确定所述至少一个图像组对应的目标类别，所述目标类别表示所述第一图像中目标的身份，
所述处理结果包括所述至少一个图像组以及所述至少一个图像组对应的目标类别。
举例来说，可通过聚类将包括同一类别的目标的第一图像聚合在一起。可对多个第一图像的第二特征进行聚类，确定至少一个图像组，每个所述图像组中包括至少一个第一图像。本领域技术人员可采用相关技术中的任意聚类方式实现该聚类过程，本公开对此不作限制。
在一种可能的实现方式中，可分别确定所述至少一个图像组对应的目标类别。在第一图像中的目标为人脸或人体时，目标类别表示第一图像中的人的身份(例如为顾客A)，可通过人脸识别确定各个图像组中人物的身份信息。这样，经聚类及识别后，最终得到处理结果，该处理结果包括所述至少一个图像组以及所述至少一个图像组对应的目标类别。通过这种方式，可以将不同人的图像区分开，便于查看或进行后续的分析处理。
根据本公开实施例的方法，采用密度导向的思路，根据特征的空间密度分布对特征进行重学习，通过图卷积和LSTM网络对特征进行个性化的学习和调整，在速度与效果上均比已有的学习算法要更好，解决了传统方法细粒度差，算法总体效果不好的问题。
根据本公开实施例的方法，能够与相关技术中的聚类方法进行叠加，具有较强的可扩展性。也即，如果相关技术中的聚类方法的流程包括获得特征->聚类的步骤，则叠加后的流程包括获得特征->特征重学习->新特征->聚类的步骤。经叠加后，能够提高相关技术中的聚类方法的效果。
根据本公开实施例的方法的应用场景包括但不限于人脸聚类，一般数据聚类等，能够应用于智能视频分析，安防监控等领域，有效提高图像的分析处理效果。
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。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
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。
图5示出根据本公开实施例的图像处理装置的框图，如图5所示，所述装置包括：
密度确定模块51，用于根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度，所述第一特征的密度表示与所述第一特征之间的距离小于或等于第一距离阈值的第一特征的数量；
密度链确定模块52，用于根据目标特征的密度，确定与所述目标特征对应的密度链信息，其中，所述目标特征为任意一个第一特征，与所述目标特征对应的密度链信息包括N个特征，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中的一个，且所述第i个特征的密度大于所述第i-1个特征的密度，N，i为正整数且1＜i≤N，所述第一近邻特征包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征，所述目标特征为所述N个特征中的第一个；
特征调整模块53，用于根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征；
结果确定模块54，用于对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。
在一种可能的实现方式中，与所述目标特征对应的密度链信息还包括所述N个特征的第二近邻特征，所述N个特征的第i-1个特征的第二近邻特征包括与所述第i-1个特征之间的距离小于或等于第三距离阈值的至少一个第一特征，所述特征调整模块，包括：融合子模块，用于针对所述目标特征，对所述N个特征及所述N个特征的第二近邻特征分别进行融合，得到所述目标特征的N个融合特征；特征子模块，用于根据所述目标特征的N个融合特征，确定所述N个融合特征之间的关联特征；特征确定子模块，用于根据所述目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征。
在一种可能的实现方式中，所述特征确定子模块用于：将所述关联特征分别与所述N个融合特征进行拼接，得到N个拼接特征；对所述N个拼接特征进行归一化，得到所述N个融合特征的N个权值；根据所述N个权值，对所述N个融合特征进行融合，得到与所述目标特征对应的第一图像的第二特征。
在一种可能的实现方式中，所述密度确定模块之前，所述装置还包括：图网络建立模块，用于根据所述多个第一图像的第三特征，建立特征图网络，所述特征图网络包括多个节点及所述节点之间的连线，每个所述节点包括一个所述第三特征，所述连线的值表示所述节点与所述节点的近邻节点之间的距离，所述节点的近邻节点包括与所述节点之间的距离最小的K个节点，K为正整数；图卷积模块，用于对所述特征图网络进行图卷积处理，得到所述多个第一图像的第一特征。
在一种可能的实现方式中，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中密度最大的特征。
在一种可能的实现方式中，所述图网络建立模块之前，所述装置还包括：特征提取模块，用于对所述多个第一图像分别进行特征提取，得到所述多个第一图像的第三特征。
在一种可能的实现方式中，所述结果确定模块包括：聚类子模块，用于对所述多个第一图像的第二特征进行聚类，确定至少一个图像组，每个所述图像组中包括至少一个第一图像；类别确定子模块，用于分别确定所述至少一个图像组对应的目标类别，所述目标类别表示所述第一图像中目标的身份，所述处理结果包括所述至少一个图像组以及所述至少一个图像组对应的目标类别。
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调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备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6，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7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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的技术的改进，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：
根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度，所述第一特征的密度表示与所述第一特征之间的距离小于或等于第一距离阈值的第一特征的数量；
根据目标特征的密度，确定与所述目标特征对应的密度链信息，其中，所述目标特征为任意一个第一特征，与所述目标特征对应的密度链信息包括N个特征，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中的一个，且所述第i个特征的密度大于所述第i-1个特征的密度，N，i为正整数且1＜i≤N，所述第一近邻特征包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征，所述目标特征为所述N个特征中的第一个；
根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征；
对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。
2.根据权利要求1所述的方法，其特征在于，与所述目标特征对应的密度链信息还包括所述N个特征的第二近邻特征，所述N个特征的第i-1个特征的第二近邻特征包括与所述第i-1个特征之间的距离小于或等于第三距离阈值的至少一个第一特征，
所述根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征，包括：
针对所述目标特征，对所述N个特征及所述N个特征的第二近邻特征分别进行融合，得到所述目标特征的N个融合特征；
根据所述目标特征的N个融合特征，确定所述N个融合特征之间的关联特征；
根据所述目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征。
3.根据权利要求2所述的方法，其特征在于，根据所述目标特征的N个融合特征以及所述关联特征，确定与所述目标特征对应的第一图像的第二特征，包括：
将所述关联特征分别与所述N个融合特征进行拼接，得到N个拼接特征；
对所述N个拼接特征进行归一化，得到所述N个融合特征的N个权值；
根据所述N个权值，对所述N个融合特征进行融合，得到与所述目标特征对应的第一图像的第二特征。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度之前，所述方法还包括：
根据所述多个第一图像的第三特征，建立特征图网络，所述特征图网络包括多个节点及所述节点之间的连线，每个所述节点包括一个所述第三特征，所述连线的值表示所述节点与所述节点的近邻节点之间的距离，所述节点的近邻节点包括与所述节点之间的距离最小的K个节点，K为正整数；
对所述特征图网络进行图卷积处理，得到所述多个第一图像的第一特征。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中密度最大的特征。
6.根据权利要求4所述的方法，其特征在于，所述根据所述多个第一图像的第三特征，建立特征图网络之前，所述方法还包括：
对所述多个第一图像分别进行特征提取，得到所述多个第一图像的第三特征。
7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果，包括：
对所述多个第一图像的第二特征进行聚类，确定至少一个图像组，每个所述图像组中包括至少一个第一图像；
分别确定所述至少一个图像组对应的目标类别，所述目标类别表示所述第一图像中目标的身份，
所述处理结果包括所述至少一个图像组以及所述至少一个图像组对应的目标类别。
8.一种图像处理装置，其特征在于，包括：
密度确定模块，用于根据待处理的多个第一图像的第一特征，分别确定各个所述第一特征的密度，所述第一特征的密度表示与所述第一特征之间的距离小于或等于第一距离阈值的第一特征的数量；
密度链确定模块，用于根据目标特征的密度，确定与所述目标特征对应的密度链信息，其中，所述目标特征为任意一个第一特征，与所述目标特征对应的密度链信息包括N个特征，所述N个特征的第i个特征为所述N个特征的第i-1个特征的第一近邻特征中的一个，且所述第i个特征的密度大于所述第i-1个特征的密度，N，i为正整数且1＜i≤N，所述第一近邻特征包括与所述第i-1个特征之间的距离小于或等于第二距离阈值的至少一个第一特征，所述目标特征为所述N个特征中的第一个；
特征调整模块，用于根据与各个所述第一特征对应的密度链信息，分别对各个所述第一特征进行调整，得到所述多个第一图像的第二特征；
结果确定模块，用于对所述多个第一图像的第二特征进行聚类，得到所述多个第一图像的处理结果。
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。
CN202010098842.0A 2020-02-18 2020-02-18 图像处理方法及装置、电子设备和存储介质 Active CN111310664B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010098842.0A CN111310664B (zh) 2020-02-18 2020-02-18 图像处理方法及装置、电子设备和存储介质
JP2021526214A JP7114811B2 (ja) 2020-02-18 2020-03-26 画像処理方法及び装置、電子機器並びに記憶媒体
PCT/CN2020/081364 WO2021164100A1 (zh) 2020-02-18 2020-03-26 图像处理方法及装置、电子设备和存储介质
SG11202105513VA SG11202105513VA (en) 2020-02-18 2020-03-26 Image processing method and apparatus, electronic device and storage medium
TW109116706A TWI738349B (zh) 2020-02-18 2020-05-20 圖像處理方法及圖像處理裝置、電子設備和電腦可讀儲存媒體
US17/328,432 US20210279508A1 (en) 2020-02-18 2021-05-24 Image processing method, apparatus and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098842.0A CN111310664B (zh) 2020-02-18 2020-02-18 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111310664A true CN111310664A (zh) 2020-06-19
CN111310664B CN111310664B (zh) 2022-11-22

Family

ID=71158298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098842.0A Active CN111310664B (zh) 2020-02-18 2020-02-18 图像处理方法及装置、电子设备和存储介质

Country Status (6)

Country Link
US (1) US20210279508A1 (zh)
JP (1) JP7114811B2 (zh)
CN (1) CN111310664B (zh)
SG (1) SG11202105513VA (zh)
TW (1) TWI738349B (zh)
WO (1) WO2021164100A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021164100A1 (zh) * 2020-02-18 2021-08-26 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN113706367A (zh) * 2021-08-26 2021-11-26 北京市商汤科技开发有限公司 节点排布方式确定方法及装置、电子设备和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11860977B1 (en) * 2021-05-04 2024-01-02 Amazon Technologies, Inc. Hierarchical graph neural networks for visual clustering

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015014882A1 (en) * 2013-07-31 2015-02-05 Connaught Electronics Ltd. Method for detecting a target object by clustering of characteristic features of an image, camera system and motor vehicle
CN110348521A (zh) * 2019-07-12 2019-10-18 创新奇智(重庆)科技有限公司 图像处理聚类方法及其系统、电子设备
CN110781975A (zh) * 2019-10-31 2020-02-11 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100116404A (ko) * 2009-04-22 2010-11-01 계명대학교 산학협력단 영상정보로부터 독립세포와 군집세포를 분류하는 방법 및 장치
JP5174068B2 (ja) * 2010-03-11 2013-04-03 株式会社東芝 信号分類装置
CN103207879B (zh) * 2012-01-17 2016-03-30 阿里巴巴集团控股有限公司 图像索引的生成方法及设备
JP2015184061A (ja) * 2014-03-20 2015-10-22 株式会社東芝 抽出装置、方法及びプログラム
CN106874923A (zh) * 2015-12-14 2017-06-20 阿里巴巴集团控股有限公司 一种商品的风格分类确定方法及装置
CN108776787B (zh) * 2018-06-04 2020-09-29 京东数字科技控股有限公司 图像处理方法及装置、电子设备、存储介质
CN108920580B (zh) * 2018-06-25 2020-05-26 腾讯科技（深圳）有限公司 图像匹配方法、装置、存储介质及终端
CN109801260B (zh) * 2018-12-20 2021-01-26 北京海益同展信息科技有限公司 牲畜个数的识别方法、装置、控制装置及可读存储介质
CN110135295A (zh) * 2019-04-29 2019-08-16 华南理工大学 一种基于迁移学习的无监督行人重识别方法
CN111310664B (zh) * 2020-02-18 2022-11-22 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015014882A1 (en) * 2013-07-31 2015-02-05 Connaught Electronics Ltd. Method for detecting a target object by clustering of characteristic features of an image, camera system and motor vehicle
CN110348521A (zh) * 2019-07-12 2019-10-18 创新奇智(重庆)科技有限公司 图像处理聚类方法及其系统、电子设备
CN110781975A (zh) * 2019-10-31 2020-02-11 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗彦福，钱晓东: "基于局部密度的不确定数据聚类算法", 《数据分析与知识发现》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021164100A1 (zh) * 2020-02-18 2021-08-26 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN113706367A (zh) * 2021-08-26 2021-11-26 北京市商汤科技开发有限公司 节点排布方式确定方法及装置、电子设备和存储介质
CN113706367B (zh) * 2021-08-26 2024-05-17 北京市商汤科技开发有限公司 节点排布方式确定方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
JP7114811B2 (ja) 2022-08-08
CN111310664B (zh) 2022-11-22
SG11202105513VA (en) 2021-09-29
US20210279508A1 (en) 2021-09-09
WO2021164100A1 (zh) 2021-08-26
JP2022524254A (ja) 2022-05-02
TW202133030A (zh) 2021-09-01
TWI738349B (zh) 2021-09-01

Similar Documents

Publication Publication Date Title
CN110348537B (zh) 图像处理方法及装置、电子设备和存储介质
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN110688951B (zh) 图像处理方法及装置、电子设备和存储介质
CN111462268B (zh) 图像重建方法及装置、电子设备和存储介质
CN109784255B (zh) 神经网络训练方法及装置以及识别方法及装置
CN113743535A (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287671B (zh) 验证方法及装置、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
CN111310664B (zh) 图像处理方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN109711546B (zh) 神经网络训练方法及装置、电子设备和存储介质
CN111435432B (zh) 网络优化方法及装置、图像处理方法及装置、存储介质
CN111553864A (zh) 图像修复方法及装置、电子设备和存储介质
CN112219224B (zh) 图像处理方法及装置、电子设备和存储介质
CN110909815A (zh) 神经网络训练、图像处理方法、装置及电子设备
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN111259967A (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
CN111582383A (zh) 属性识别方法及装置、电子设备和存储介质
CN112270288A (zh) 活体识别、门禁设备控制方法和装置、电子设备
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN110929545A (zh) 人脸图像的整理方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40021019

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant