CN111414949A - 图片聚类方法、装置、电子设备及存储介质 - Google Patents
图片聚类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111414949A CN111414949A CN202010176472.8A CN202010176472A CN111414949A CN 111414949 A CN111414949 A CN 111414949A CN 202010176472 A CN202010176472 A CN 202010176472A CN 111414949 A CN111414949 A CN 111414949A
- Authority
- CN
- China
- Prior art keywords
- picture
- cluster group
- similarity
- screening
- pictures
- 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
Links
Images
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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种图片聚类方法、装置、电子设备及存储介质,方法包括:获取待聚类的图片集合;计算所述图片集合中任意两张图片之间的第一相似度;从所述待聚类的图片集合中,根据预设筛选条件进行筛选,得到多条筛选结果;其中,所述预设筛选条件为所述第一相似度大于预设相似度阈值;每一条所述筛选结果包括第一图片标识、第二图片标识、第一图片与第二图片之间的第一相似度;按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组。通过上述方法,减少了图片的误聚及漏聚,有效的提高了图片聚类效果。
Description
技术领域
本申请涉及图片处理技术领域,具体涉及一种图片聚类方法、装置、电子设备及存储介质。
背景技术
人脸聚类技术是人脸相关算法应用在安防等场景中的一项重要技术,以安防门禁场景为例,人脸聚类技术可以将人脸图像根据身份聚合起来,将针对单张图像的人脸识别转化为针对身份的人脸识别,大大降低因单张随机因素造成的误通过率与误报警率,同时在无注册信息的情况下,将采集到的人群建立身份,进行流向监控或陌生人检测。
但是,在实际使用中,由于图片拍摄的环境复杂多样,现阶段单靠现有的相关聚类算法,无法较好地对图片进行聚类,往往导致图片误聚、漏聚等情况发生。
发明内容
本申请的目的是提供一种图片聚类方法及装置、一种电子设备以及一种计算机可读介质。
本申请第一方面提供一种图片聚类方法,包括:
获取待聚类的图片集合;
计算所述图片集合中任意两张图片之间的第一相似度;
从所述待聚类的图片集合中,根据预设筛选条件进行筛选,得到多条筛选结果;其中,所述预设筛选条件为所述第一相似度大于预设相似度阈值;每一条所述筛选结果包括第一图片标识、第二图片标识、第一图片与第二图片之间的第一相似度;其中,所述第一图片标识用于标识所述第一图片,所述第二图片标识用于标识所述第二图片;
按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组。
本申请第二方面提供一种图片聚类装置,包括:
获取模块,用于获取待聚类的图片集合;
计算模块,用于计算所述图片集合中任意两张图片之间的第一相似度;
筛选模块,用于从所述待聚类的图片集合中,根据预设筛选条件进行筛选,得到多条筛选结果;其中,所述预设筛选条件为所述第一相似度大于预设相似度阈值;每一条所述筛选结果包括第一图片标识、第二图片标识、第一图片与第二图片之间的第一相似度;其中,所述第一图片标识用于标识所述第一图片,所述第二图片标识用于标识所述第二图片;
聚类模块,用于按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组。
本申请第三方面提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行以实现本申请第一方面所述的方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现本申请第一方面所述的方法。
相较于现有技术,本申请提供的图片聚类方法、装置、电子设备及介质,首先计算任意两张图片之间的相似度,然后根据所计算的相似度对所有图片进行分组,再根据分组结果进行图片聚类。由于各分组中图片具有一定的相似性,因此再对分组中的图片进行聚类,可以增加聚类的准确性。本方案中,通过图片分组处理的方式减少了图片的误聚及漏聚,有效地提高了图片聚类效果。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请的一些实施方式所提供的一种图片聚类方法的流程图;
图2示出了本申请的一些实施方式所提供的一种图片聚类装置的示意图;
图3示出了本申请的一些实施方式所提供的一种电子设备的示意图;
图4示出了本申请的一些实施方式所提供的一种计算机可读介质的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外,术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本申请实施例中用到的一些技术术语介绍如下:
人脸组:将一个类别或者是一个人的抓拍图片合并到一个集合中,该集合就是一个人脸组。
封面:封面指的是每个人脸组中的代表图片,一般与某一个封面的相似度达到给定阈值,即可分配到该封面所在的人脸组。
强制合并:当某个抓拍图片和一个非封面的抓拍图片(已经分配人脸组)相似度较高时,将该抓拍图片也合并到对应人脸组中。
人脸组合并:当两个人脸组中高相似度的图片达到一定数量后,将会对人脸组进行合并,合并后原人脸组的封面依旧是合并后的人脸组的封面。
本申请实施例提供一种图片聚类方法及装置、一种电子设备以及计算机可读介质,下面结合附图进行说明。
请参考图1,其示出了本申请的一些实施方式所提供的一种图片聚类方法的流程图,如图所示,所述图片聚类方法,可以包括以下步骤S101至S104:
步骤S101:获取待聚类的图片集合。
例如,获取待聚类的人脸抓拍图片集合,或者风景、物体等其它类型的图片集合。本实施例中以人脸抓拍图片集合进行示例。该人脸抓拍图片集合可以由设置在不同拍摄点位的摄像机拍摄通过该点位人员的面部获得,拍摄的同时,可以记录拍摄点位的空间位置即拍摄地点和拍摄时刻即拍摄时间。
步骤S102:计算所述图片集合中任意两张图片之间的第一相似度。
具体的,计算所述抓拍图片集合中任意两张抓拍图片之间的第一相似度,可以包括:针对任意两张抓拍图片,根据抓拍图片的抓拍地点和抓拍时间,计算得到所述两张图片中同一目标的移动速率;根据所述移动速率,确定所述两张图片的第一相似度。
在本申请的一些实施方式中,根据所述移动速率,确定所述两张图片的第一相似度,具体可以包括:
当所述移动速率大于最大移动速率阈值时,确定所述两张图片的第一相似度为0;
当所述移动速率小于最小移动速率阈值时,确定所述两张图片的第一相似度为图片相似度,所述图片相似度为通过对所述两张图片的图片内容进行比对确定的相似度;
当所述移动速率介于最小移动速率阈值和所述最大移动速率阈值时,确定所述两张抓拍图片的第一相似度介于0与所述图片相似度之间。
具体的,一般情况下,同一目标在一定的时间内,可能会移动一定的距离,但移动的距离是有限的,大概率不会超过一定的阈值,例如同一目标在一分钟时间内移动距离在50米范围内,则可以认为是非常可信的;如果同一目标在一分钟时间内移动距离超过了500米,则可以认为是非常不可信的;而同一目标在一分钟时间内移动的距离在50米和500米之间,则都是有一定可能的,只不过移动距离越大越不可信。
因此,当计算得到两张图片中同一目标的移动速率过大时,很可能是对同一目标的识别出现错误,此时再将两张图片聚类在同一组中,则会导致误聚,因此为了避免误聚,可以将识别得到的同一目标移动速率大于最大移动速率阈值的两张图片的相似度直接确定为0。当所述移动速率小于最小移动速率阈值时,可以认为两张图片是大概率相似的,根据图片内容进一步确定图片相似度。可以理解,当所述移动速率介于最小速率阈值和最大速率阈值时,则两张图片的第一相似度介于0与所述图片相似度之间。
以计算人脸抓拍图片集合中两人脸图片之间的相似度进行说明。
具体的,对于人脸图片,可以分别提取人脸抓拍图片集合中各人脸图片的人脸特征和时空特征来计算两张人脸图片之间的相似度。其中,所述人脸图片的时空特征包括拍摄该人脸图片的拍摄点位的空间位置即拍摄地点和拍摄时刻即拍摄时间。所述人脸特征可以通过相关人脸特征提取算法进行提取,本申请在此不做限定。
具体的,可以通过以下步骤计算所述人脸抓拍图片集合中任意两张人脸图片之间的相似度:
步骤S201:获取任意两张人脸图片的人脸特征和时空特征;
本实施例中,假设计算人脸抓拍图片a和b的相似度,首先获取a和b的人脸特征和时空特征。
步骤S202:计算所述两张人脸图片的人脸特征的相似度,得到两张人脸图片的初始相似度;
本实施例中,可以通过相关人脸特征比对算法,计算两张人脸图片a和b人脸特征的相似度,此时得到的人脸特征的相似度作为初始相似度,可以标记为Sim_Face(a,b)。
步骤S203:根据所述两张人脸图片的拍摄点位的空间位置和拍摄时刻,计算得到所述两张人脸图片中目标的移动速率;
本实施例中,可以根据人脸图片a和b的拍摄点位的空间位置计算得到两张人脸图片的拍摄点位之间的距离,标记为dist(a,b)。假设人脸图片a和b的拍摄时刻分别为ta、tb,则人脸图片a和b中同一目标(例如人员)的移动速率θ(a,b)可以计算如下:
步骤S204:根据所述初始相似度、所述移动速率以及预设的最小移动速率和最大移动速率,确定所述两张人脸图片之间的相似度。例如,最终计算得到的两张人脸图片a和b之间的相似度(即第一相似度),可以标记为Sim_Pic(a,b)。
步骤S204可以具体实现如下:
当所述移动速率小于预设的最小移动速率时,确定所述两张人脸图片之间的相似度等于所述两张人脸图片之间的初始相似度。
当所述移动速率大于等于预设的最小移动速率,小于等于预设的最大移动速率时,将所述初始相似度乘以预设系数后作为所述两张人脸图片之间的相似度。所述预设系数可以设置为:其中,θmax表示预设的最大移动速率,θmin表示预设的最小移动速率,θ(a,b)表示人脸图片a和b中同一目标的移动速率。
需要说明的是,以上预设系数的设置是因为,在一般情况下,抓拍人脸图片中的同一目标人物,在一定的时间内,可能会移动一定的距离,但移动的距离是有限的,大概率不会超过一定的阈值,例如同一目标人物在一分钟时间内移动距离在50米范围内,则可以认为是非常可信的;如果同一目标人物在一分钟时间内移动距离超过了500米,则可以认为是非常不可信的;而同一目标人物在一分钟时间内移动的距离在50米和500米之间,则都是有一定可能的,不过移动距离越大越不可信。
当所述移动速率大于预设的最大移动速率时,所述两张人脸图片之间的相似度为0。
具体的,两张人脸图片a和b之间的相似度Sim_Pic(a,b)计算如下:
也就是说,当θ(a,b)<θmin时,Sim_Pic(a,b)就是两张人脸图片a和b之间的初始相似度Sim_Face(a,b);当θmin≤θ(a,b)≤θmax时,Sim_Pic(a,b)由Sim_Face(a,b)乘以一个系数得到;当θ(a,b)>θmax时,Sim_Pic(a,b)直接为0,此时a和b因为时空的限制,可以直接确定不是属于同一个人的抓拍图片。
步骤S103:从所述待聚类的图片集合中,根据预设筛选条件进行筛选,得到多条筛选结果;其中,所述预设筛选条件为所述第一相似度大于预设相似度阈值;每一条所述筛选结果包括第一图片标识、第二图片标识、第一图片与第二图片之间的第一相似度。
其中,所述第一图片标识用于标识所述第一图片,所述第二图片标识用于标识所述第二图片。
还以上述人脸抓拍图片集合为例,预设一个相似度阈值,从所述人脸抓拍图片集合中,筛选出第一相似度大于预设相似度阈值的计算结果,作为筛选结果,每一条所述筛选结果包括第一人脸抓拍图片标识、第二人脸抓拍图片标识、第一人脸抓拍图片与第二人脸抓拍图片之间的第一相似度。
步骤S104:按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组。
具体的,步骤S104,可以实现如下:
按照所述第一相似度降序的顺序,对每一条所述筛选结果进行排序,依次遍历所有筛选结果。
针对同一条所述筛选结果,如果其中的第一图片和第二图片均未分配到任何聚类组中,则将第一图片和第二图片分配到新建的同一个聚类组中,同时将第一图片和第二图片作为所在聚类组的封面。
针对同一条筛选结果,如果其中的第一图片已经分配到第一聚类组,且第一图片为第一聚类组的封面,而第二图片未分配到任一聚类组,则将第二图片分配到第一聚类组中。如果第一聚类组的封面个数尚未达到预设封面数阈值,则将第二图片作为聚类组的封面。
针对同一条筛选结果,如果第一图片已经分配到第一聚类组,且第一图片不是第一聚类组的封面,但第一图片和第二图片的第一相似度大于预设的强制合并阈值,则将第二图片分配到第一聚类组中。如果第一图片已被分配到第一聚类组,第二图片已被分配到第二聚类组,且第一图片和第二图片之间的第一相似度大于预设的聚类组合并阈值,则在所述第一聚类组和所述第二聚类组满足预设聚类组合并条件的情况下,对所述第一聚类组和所述第二聚类组进行合并。
在所述第一聚类组和所述第二聚类组满足预设聚类组合并条件的情况下,对所述第一聚类组和所述第二聚类组进行合并,具体包括:
计算所述第一聚类组中各张图片和所述第二聚类组中各张图片之间的第二相似度,确定所述第二相似度大于预设的聚类组合并阈值的数量;计算所述数量与所述第一聚类组中图片数量的第一比值,以及所述数量与所述第一聚类组中图片数量的第二比值;根据所述第一比值和所述第二比值,对所述第一聚类组和所述第二聚类组进行合并。
根据本申请的一个实施方式中,可以设定一个合并阈值,若所述第一比值和所述第二比值均超过所设定的合并阈值,则可以对所述第一聚类组和所述第二聚类组进行合并。
还以上述人脸抓拍图片集合示例:
按照上述分组处理方式依次处理在人脸抓拍图片集合中筛选出各条筛选结果,以将每一条筛选结果对应的人脸图片分配至人脸组(即,聚类组),完成对所述人脸抓拍图片集合的聚类。
本实施例中,可以预设每一条筛选结果中的第一人脸图片标识为a,第二人脸图片标识为b,及第一人脸图片与第二人脸图片之间的相似度为sim。在将每一条筛选结果中的人脸图片分配人脸组的过程中,会遇到三种情况:
第一种情况:人脸图片a和b均未分配到任何人脸组中;就是说,在处理之前的筛选结果中,人脸图片a和b还未被分配至任何人脸组。
第二种情况:人脸图片a和b中有一个已经分配到某个人脸组,另一个未分配到人脸组。就是说,人脸图片a和b中有一个已经在之前处理筛选结果时,被分配至某一个人脸组了,另一个还未被分配。
第三种情况:人脸图片a和b均已经分配到不同的人脸组。
对于上述三种情况,本实施例中的分组处理方式如下:
方式一:如果a和b均未分配到任何人脸组中,则将a和b分配到新建的同一个人脸组中,同时将a和b标记为所在人脸组的代表图片;
本实施例中,代表图片可以称为是对应人脸组的封面,每一个人脸组的封面可以设置为多张,即采用多封面策略,以减少误聚及漏聚。也就说,如果此时处理的一条筛选结果中,a和b均未在之前的处理中分配到任何人脸组中,则将a和b分配到同一个人脸组,同时将a和b标记为所在人脸组的封面。
方式二:如果a和b中有一个已经分配到某个人脸组,另一个未分配到人脸组;假设a已经分配到某个人脸组,b未分配到人脸组,如果a为所在人脸组的代表图片之一,则将b分配到a所在的人脸组中,如果此时a所在的人脸组的代表图片个数尚未达到预设代表图片个数阈值,则将b也标记为a所在的人脸组的代表图片;如果a不是所在人脸组的代表图片之一,且sim大于预设的强制合并阈值,则将b分配到a所在的人脸组中;
本实施例中,预设代表图片个数阈值,即封面个数阈值为coverNum。在第二种情况下,可以将未分配人脸组的人脸图片b分配至另一人脸图片a所在人脸组,当该人脸组的封面未达到封面个数阈值为coverNum时,进一步将人脸图片b设为封面。该方式中,采用强制合并的策略进行辅助,可以有效的提高图片聚类效果。
方式三:如果a和b已经分配到不同的人脸组,且sim大于预设的人脸组合并阈值(即,聚类组合并阈值),则计算a和b所在的两个人脸组中任意两个人脸图片的合并相似度(即,第二相似度),统计计算出的超过所述人脸组合并阈值的合并相似度的第一个数,计算第一个数与a所在人脸组中图片数量的第一比值,以及第一个数与b所在人脸组中图片数量的第二比值,然后可以根据所述第一比值和所述第二比值,对a和b已经分配的不同人脸组进行合并。具体的,可以设定一合并阈值,若所述第一比值和所述第二比值均超过所设定的合并阈值,则可以将a和b所在的人脸组进行合并;
本实施例中,在处理当前的一条筛选结果时,如果其中的人脸图片a和b已经分配到了不同的人脸组,则进一步计算人脸图片a和b所在的人脸组是否可以合并。首先计算a和b所在的两个人脸组中任意两个人脸图片组成的筛选结果中,相似度sim超过了设定的人脸组合并阈值groupMergeSim的筛选结果个数,分别计算该筛选结果个数与两个人脸组包含的人脸图片的个数的比值,判断该比值是否超过了设定的比值阈值groupMergeRatio,如果是,则将a和b所在的人脸组进行合并。该方式中,采用人脸组合并的策略进行辅助,可以有效的提高图片聚类效果。
方式四:将所述多条筛选结果中,经过方式一、方式二和方式三处理后,仍未分配人脸组的人脸图片单独组合为一个人脸组。
本实施例中,将多组目标计算结果按照相似度从大到小进行排序之后,可以对多组目标计算结果按照排序结果进行处理,即优先处理相似度较大的筛选结果,可以进一步增强采用多封面、强制合并、人脸组合并等策略时的聚类效果。
上述图片聚类方法可用于服务器,本申请实施例中,所述服务器可以包括硬件,也可以包括软件。当服务器包括硬件时,其可以是具有显示屏并且支持信息交互的各种电子设备,例如,可以包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当服务器包括软件时,可以安装在上述电子设备中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
相较于现有技术,本申请实施例提供的上述图片聚类方法,首先计算任意两张图片之间的相似度,然后根据所计算的相似度对所有图片进行分组,再根据分组结果进行图片聚类。由于各分组中图片具有一定的相似性,因此再对分组中的图片进行聚类,可以增加聚类的准确性。本方案中,通过图片分组处理的方式减少了图片的误聚及漏聚,有效地提高了图片聚类效果。
在上述的实施例中,提供了一种图片聚类方法,与之相对应的,本申请还提供一种图片聚类装置。本申请实施例提供的图片聚类装置可以实施上述图片聚类方法,该图片聚类装置可以通过软件、硬件或软硬结合的方式来实现。例如,该图片聚类装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。请参考图2,其示出了本申请的一些实施方式所提供的一种图片聚类装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图2所示,所述图片聚类装置10可以包括:
获取模块101,用于获取待聚类的图片集合;
计算模块102,用于计算所述图片集合中任意两张图片之间的第一相似度;
筛选模块103,用于从所述待聚类的图片集合中,根据预设筛选条件进行筛选,得到多条筛选结果;其中,所述预设筛选条件为所述第一相似度大于预设相似度阈值;每一条所述筛选结果包括第一图片标识、第二图片标识、第一图片与第二图片之间的第一相似度;其中,所述第一图片标识用于标识所述第一图片,所述第二图片标识用于标识所述第二图片;
聚类模块104,用于按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组。
可选的,所述聚类模块104,具体用于:
按照所述第一相似度降序的顺序,对每一条所述筛选结果进行排序;
依次遍历所述筛选结果;
针对同一条所述筛选结果,如果所述第一图片和所述第二图片均未分配到任何聚类组中,则将所述第一图片和所述第二图片分配到新建的同一个聚类组中,同时将所述第一图片和所述第二图片作为所在聚类组的封面。
可选的,所述聚类模块104,具体用于:
针对同一条所述筛选结果,如果所述第一图片已经分配到第一聚类组,且所述第一图片为所述第一聚类组的封面,而所述第二图片未分配到任一聚类组,则将所述第二图片分配到所述第一聚类组中。
可选的,所述聚类模块104,还具体用于:
如果所述第一聚类组的封面个数尚未达到预设封面数阈值,则将所述第二图片作为所述聚类组的封面。
可选的,所述聚类模块104,还具体用于:
针对同一条所述筛选结果,如果所述第一图片已经分配到第一聚类组,且所述第一图片不是所述第一聚类组的封面,但所述第一相似度大于预设的强制合并阈值,则将所述第二图片分配到所述第一聚类组中。
可选的,所述聚类模块104,具体用于:
针对同一条所述筛选结果,如果所述第一图片已被分配到第一聚类组,所述第二图片已被分配到第二聚类组,且所述第一相似度大于预设的聚类组合并阈值,则在所述第一聚类组和所述第二聚类组满足预设聚类组合并条件的情况下,对所述第一聚类组和所述第二聚类组进行合并。
进一步的,所述聚类模块104,具体用于:
计算所述第一聚类组中各张图片和所述第二聚类组中各张图片之间的第二相似度,确定所述第二相似度大于预设的聚类组合并阈值的数量;
计算所述数量与所述第一聚类组中图片数量的第一比值,以及所述数量与所述第二聚类组中图片数量的第二比值;
根据所述第一比值和所述第二比值,对所述第一聚类组和所述第二聚类组进行合并。
可选的,所述计算模块102,具体用于:
针对任意两张图片,根据图片的拍摄地点和拍摄时间,计算得到所述两张图片中同一目标的移动速率;
根据所述移动速率,确定所述两张图片的第一相似度。
进一步的,所述计算模块102,具体用于:
当所述移动速率大于最大速率阈值时,确定所述两张图片的第一相似度为0;
当所述移动速率小于最小速率阈值时,确定所述两张图片的第一相似度为图片相似度,所述图片相似度为通过对所述两张图片的图片内容进行比对确定的相似度;
当所述移动速率介于最小速率阈值和最大速率阈值时,确定所述两张图片的第一相似度介于0与所述图片相似度之间。
本申请实施例提供的图片聚类装置10,与本申请前述实施例提供的图片聚类方法出于相同的发明构思,具有相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的图片聚类方法对应的电子设备,所述电子设备可以是用于客户端的电子设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行上述图片聚类方法。
请参考图3,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示,所述电子设备20包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的图片聚类方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述图片聚类方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的图片聚类方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的图片聚类方法对应的计算机可读介质,请参考图4,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的图片聚类方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的图片聚类方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,附图中的流程图和框图显示了根据本申请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、程序段或代码的一部分,所述模块、程序段或代码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。也应当注意,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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,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。
另外,在本申请各个实施例中的各功能单元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。
所述功能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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (15)
1.一种图片聚类方法,其特征在于,包括:
获取待聚类的图片集合;
计算所述图片集合中任意两张图片之间的第一相似度;
从所述待聚类的图片集合中,根据预设筛选条件进行筛选,得到多条筛选结果;其中,所述预设筛选条件为所述第一相似度大于预设相似度阈值;每一条所述筛选结果包括第一图片标识、第二图片标识、第一图片与第二图片之间的第一相似度;其中,所述第一图片标识用于标识所述第一图片,所述第二图片标识用于标识所述第二图片;
按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组。
2.根据权利要求1所述的方法,其特征在于,所述按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组,包括:
按照所述第一相似度降序的顺序,对每一条所述筛选结果进行排序;
依次遍历所述筛选结果;
针对同一条所述筛选结果,如果所述第一图片和所述第二图片均未分配到任何聚类组中,则将所述第一图片和所述第二图片分配到新建的同一个聚类组中,同时将所述第一图片和所述第二图片作为所在聚类组的封面。
3.根据权利要求2所述的方法,其特征在于,所述按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组,还包括:
针对同一条所述筛选结果,如果所述第一图片已经分配到第一聚类组,且所述第一图片为所述第一聚类组的封面,而所述第二图片未分配到任一聚类组,则将所述第二图片分配到所述第一聚类组中。
4.根据权利要求3所述的方法,其特征在于,所述按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组,还包括:
如果所述第一聚类组的封面个数尚未达到预设封面数阈值,则将所述第二图片作为所述聚类组的封面。
5.根据权利要求2所述的方法,其特征在于,所述按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组,还包括:
针对同一条所述筛选结果,如果所述第一图片已经分配到第一聚类组,且所述第一图片不是所述第一聚类组的封面,但所述第一相似度大于预设的强制合并阈值,则将所述第二图片分配到所述第一聚类组中。
6.根据权利要求2所述的方法,其特征在于,所述按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组,还包括:
针对同一条所述筛选结果,如果所述第一图片已被分配到第一聚类组,所述第二图片已被分配到第二聚类组,且所述第一相似度大于预设的聚类组合并阈值,则在所述第一聚类组和所述第二聚类组满足预设聚类组合并条件的情况下,对所述第一聚类组和所述第二聚类组进行合并。
7.根据权利要求6所述的方法,其特征在于,所述在所述第一聚类组和所述第二聚类组满足预设聚类组合并条件的情况下,对所述第一聚类组和所述第二聚类组进行合并,包括:
计算所述第一聚类组中各张图片和所述第二聚类组中各张图片之间的第二相似度,确定所述第二相似度大于预设的聚类组合并阈值的数量;
计算所述数量与所述第一聚类组中图片数量的第一比值,以及所述数量与所述第二聚类组中图片数量的第二比值;
根据所述第一比值和所述第二比值,对所述第一聚类组和所述第二聚类组进行合并。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述计算所述图片集合中任意两张图片之间的第一相似度,包括:
针对任意两张图片,执行如下步骤:
根据图片的拍摄地点和拍摄时间,计算得到所述两张图片中同一目标的移动速率;
根据所述移动速率,确定所述两张图片的第一相似度。
9.根据权利要求8所述的方法,其特征在于,所述根据所述移动速率,确定所述两张图片的第一相似度,包括:
当所述移动速率大于最大速率阈值时,确定所述两张图片的第一相似度为0;
当所述移动速率小于最小速率阈值时,确定所述两张图片的第一相似度为图片相似度,所述图片相似度为通过对所述两张图片的图片内容进行比对确定的相似度;
当所述移动速率介于最小速率阈值和最大速率阈值时,确定所述两张图片的第一相似度介于0与所述图片相似度之间。
10.一种图片聚类装置,其特征在于,包括:
获取模块,用于获取待聚类的图片集合;
计算模块,用于计算所述图片集合中任意两张图片之间的第一相似度;
筛选模块,用于从所述待聚类的图片集合中,根据预设筛选条件进行筛选,得到多条筛选结果;其中,所述预设筛选条件为所述第一相似度大于预设相似度阈值;每一条所述筛选结果包括第一图片标识、第二图片标识、第一图片与第二图片之间的第一相似度;其中,所述第一图片标识用于标识所述第一图片,所述第二图片标识用于标识所述第二图片;
聚类模块,用于按照预设分组处理方式依次处理每一条所述筛选结果,以将每一条所述筛选结果对应的所述第一图片和所述第二图片分配至聚类组。
11.根据权利要求10所述的装置,其特征在于,所述聚类模块,具体用于:
按照所述第一相似度降序的顺序,对每一条所述筛选结果进行排序;
依次遍历所述筛选结果;
针对同一条所述筛选结果,如果所述第一图片和所述第二图片均未分配到任何聚类组中,则将所述第一图片和所述第二图片分配到新建的同一个聚类组中,同时将所述第一图片和所述第二图片作为所在聚类组的封面。
12.根据权利要求11所述的装置,其特征在于,所述聚类模块,还具体用于:
针对同一条所述筛选结果,如果所述第一图片已经分配到第一聚类组,且所述第一图片为所述第一聚类组的封面,而所述第二图片未分配到任一聚类组,则将所述第二图片分配到所述第一聚类组中。
13.根据权利要求12所述的装置,其特征在于,所述聚类模块,还具体用于:
如果所述第一聚类组的封面个数尚未达到预设封面数阈值,则将所述第二图片作为所述聚类组的封面。
14.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现如权利要求1至9任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176472.8A CN111414949B (zh) | 2020-03-13 | 2020-03-13 | 图片聚类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176472.8A CN111414949B (zh) | 2020-03-13 | 2020-03-13 | 图片聚类方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414949A true CN111414949A (zh) | 2020-07-14 |
CN111414949B CN111414949B (zh) | 2023-06-27 |
Family
ID=71491103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010176472.8A Active CN111414949B (zh) | 2020-03-13 | 2020-03-13 | 图片聚类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414949B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112395447A (zh) * | 2020-11-27 | 2021-02-23 | 北京有竹居网络技术有限公司 | 基于图片的标签体系更新方法、装置、设备及存储介质 |
CN112651656A (zh) * | 2020-12-31 | 2021-04-13 | 四川弘和通讯有限公司 | 一种基于时间线方式检测火情动态趋势方法及系统 |
CN112966136A (zh) * | 2021-05-18 | 2021-06-15 | 武汉中科通达高新技术股份有限公司 | 一种人脸分类方法及装置 |
CN113111934A (zh) * | 2021-04-07 | 2021-07-13 | 杭州海康威视数字技术股份有限公司 | 一种图像分组方法、装置、电子设备及存储介质 |
CN113761263A (zh) * | 2021-09-08 | 2021-12-07 | 杭州海康威视数字技术股份有限公司 | 相似度确定方法、装置及计算机可读存储介质 |
CN114639052A (zh) * | 2022-03-23 | 2022-06-17 | 阿里巴巴(中国)有限公司 | 生成拍摄场次分组信息的方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070271296A1 (en) * | 2006-05-16 | 2007-11-22 | Khemdut Purang | Sorting media objects by similarity |
CN101523412A (zh) * | 2006-10-11 | 2009-09-02 | 惠普开发有限公司 | 基于人脸的图像聚类 |
US20150310309A1 (en) * | 2014-04-29 | 2015-10-29 | At&T Intellectual Property I, Lp | Method and apparatus for organizing media content |
CN107229640A (zh) * | 2016-03-24 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 相似度处理方法、对象筛选方法和装置 |
CN109086720A (zh) * | 2018-08-03 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸聚类方法、装置和存储介质 |
CN110413874A (zh) * | 2019-06-17 | 2019-11-05 | 浙江工业大学 | 一种基于服饰属性匹配的服装推荐方法 |
CN110414429A (zh) * | 2019-07-29 | 2019-11-05 | 佳都新太科技股份有限公司 | 人脸聚类方法、装置、设备和存储介质 |
WO2020038136A1 (zh) * | 2018-08-24 | 2020-02-27 | 深圳前海达闼云端智能科技有限公司 | 面部识别方法、装置、电子设备及计算机可读介质 |
-
2020
- 2020-03-13 CN CN202010176472.8A patent/CN111414949B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070271296A1 (en) * | 2006-05-16 | 2007-11-22 | Khemdut Purang | Sorting media objects by similarity |
CN101523412A (zh) * | 2006-10-11 | 2009-09-02 | 惠普开发有限公司 | 基于人脸的图像聚类 |
US20150310309A1 (en) * | 2014-04-29 | 2015-10-29 | At&T Intellectual Property I, Lp | Method and apparatus for organizing media content |
CN107229640A (zh) * | 2016-03-24 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 相似度处理方法、对象筛选方法和装置 |
CN109086720A (zh) * | 2018-08-03 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸聚类方法、装置和存储介质 |
WO2020038136A1 (zh) * | 2018-08-24 | 2020-02-27 | 深圳前海达闼云端智能科技有限公司 | 面部识别方法、装置、电子设备及计算机可读介质 |
CN110413874A (zh) * | 2019-06-17 | 2019-11-05 | 浙江工业大学 | 一种基于服饰属性匹配的服装推荐方法 |
CN110414429A (zh) * | 2019-07-29 | 2019-11-05 | 佳都新太科技股份有限公司 | 人脸聚类方法、装置、设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
DCG PEDRONETTE, ET.AL: "Exploiting pairwise recommendation and clustering strategies for image reranking" * |
KRAMM M: "Image cluster compression using partitioned iterated function systems and efficient inter-image similarity features" * |
徐新超: "基于异构图的排序与推荐算法研究" * |
王川川: "网络社区图像检索中的排序研究" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100425A (zh) * | 2020-09-17 | 2020-12-18 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112100425B (zh) * | 2020-09-17 | 2024-03-26 | 广州图普网络科技有限公司 | 基于人工智能的标签标注方法、装置、电子设备及介质 |
CN112395447A (zh) * | 2020-11-27 | 2021-02-23 | 北京有竹居网络技术有限公司 | 基于图片的标签体系更新方法、装置、设备及存储介质 |
CN112651656A (zh) * | 2020-12-31 | 2021-04-13 | 四川弘和通讯有限公司 | 一种基于时间线方式检测火情动态趋势方法及系统 |
CN112651656B (zh) * | 2020-12-31 | 2023-11-07 | 四川弘和通讯有限公司 | 一种基于时间线方式检测火情动态趋势方法及系统 |
CN113111934A (zh) * | 2021-04-07 | 2021-07-13 | 杭州海康威视数字技术股份有限公司 | 一种图像分组方法、装置、电子设备及存储介质 |
CN113111934B (zh) * | 2021-04-07 | 2023-08-08 | 杭州海康威视数字技术股份有限公司 | 一种图像分组方法、装置、电子设备及存储介质 |
CN112966136A (zh) * | 2021-05-18 | 2021-06-15 | 武汉中科通达高新技术股份有限公司 | 一种人脸分类方法及装置 |
CN113761263A (zh) * | 2021-09-08 | 2021-12-07 | 杭州海康威视数字技术股份有限公司 | 相似度确定方法、装置及计算机可读存储介质 |
CN114639052A (zh) * | 2022-03-23 | 2022-06-17 | 阿里巴巴(中国)有限公司 | 生成拍摄场次分组信息的方法、装置及设备 |
CN114639052B (zh) * | 2022-03-23 | 2023-08-04 | 阿里巴巴(中国)有限公司 | 生成拍摄场次分组信息的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111414949B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414949B (zh) | 图片聚类方法、装置、电子设备及存储介质 | |
CN108629791B (zh) | 行人跟踪方法和装置及跨摄像头行人跟踪方法和装置 | |
CN111033515B (zh) | 将对象区分优先级以用于对象辨识 | |
CN109598743B (zh) | 行人目标跟踪方法、装置及设备 | |
US8989506B1 (en) | Incremental image processing pipeline for matching multiple photos based on image overlap | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
CN108446681B (zh) | 行人分析方法、装置、终端及存储介质 | |
CN110929770A (zh) | 一种基于图像处理的智能追踪方法、系统、设备及可读介质 | |
CN108647587B (zh) | 人数统计方法、装置、终端及存储介质 | |
CN111160243A (zh) | 客流量统计方法及相关产品 | |
CN109215037B (zh) | 目标图像分割方法、装置及终端设备 | |
CN111429483A (zh) | 高速跨摄像机多目标跟踪方法、系统、装置及存储介质 | |
WO2018058530A1 (zh) | 目标检测方法、装置以及图像处理设备 | |
CN109447022B (zh) | 一种镜头类型识别方法及装置 | |
CN111104925A (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN112801235A (zh) | 模型训练方法、预测方法、装置、重识别模型及电子设备 | |
CN114187333A (zh) | 一种图像对齐方法、图像对齐装置及终端设备 | |
WO2021022698A1 (zh) | 尾随检测方法、装置、电子设备及存储介质 | |
CN109783663B (zh) | 一种归档方法及装置 | |
KR20190047748A (ko) | 영상의 객체 처리 방법 및 장치 | |
CN107770487B (zh) | 一种特征提取并优选的方法、系统及终端设备 | |
CN112488054B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN112883783A (zh) | 一种视频浓缩方法、装置、终端设备及存储介质 | |
WO2022206679A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN116246298A (zh) | 一种空间占用人数统计方法、终端设备及存储介质 |
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 |