CN111950352A - 层次化人脸聚类方法、系统、设备及存储介质 - Google Patents
层次化人脸聚类方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111950352A CN111950352A CN202010616855.2A CN202010616855A CN111950352A CN 111950352 A CN111950352 A CN 111950352A CN 202010616855 A CN202010616855 A CN 202010616855A CN 111950352 A CN111950352 A CN 111950352A
- Authority
- CN
- China
- Prior art keywords
- picture
- clustering
- pictures
- face
- preset
- 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.)
- Withdrawn
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
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
本发明公开了一种层次化人脸聚类方法、系统、设备及存储介质,通过基于图片的置信度从预设聚类运算图片集中选取第一预设数量的图片作为在线聚类图片;根据在线聚类图片对待识别人脸图片进行识别,获得第一分类结果;从预设聚类运算图片集中抽取第二预设数量的图片作为离线聚类图片;根据离线聚类图片对待识别人脸图片进行识别,获得第二分类结果;基于第二分类结果对第一分类结果进行融合处理,获得融合处理结果;根据融合处理结果对待识别人脸图片进行聚类,满足了实时聚类的需要,有效降低了参与聚类的人脸图片数量,提升了算法运行效率,能够保证大规模人脸聚类的时效性和准确性。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种层次化人脸聚类方法、系统、 设备及存储介质。
背景技术
随着深度学习技术的发展,人脸识别的表现得到了显着提升,如Facebook 的Deepface模型,Google的FaceNet模型,虹软的ArcFace模型,在千万分 之一误报下的识别准确率可超过99%;然而,人脸识别的高精度在很大程度 上依赖于大规模标注训练数据的可用性;虽然可以容易地从互联网上收集大 量的人脸图片(百万级别),但是对它们进行标注却非常昂贵;因此,通过无 监督、半监督或有监督学习,对未标记数据进行聚类,然后标注,成为一个 引人注目的选择;人脸聚类的另一个应用是“一人一档”,将同一个人不同时间、不同地点获取的人脸图片汇集在一起,从而进行特定区域/场所目标人员 出现频次分析、目标人员时空轨迹分析。
大规模的人脸聚类算法不仅要求聚类质量高,还要求时间复杂度低,且 聚类数目是自动确定的;K-means聚类方法虽然实现简单,时间复杂度为 O(n),但一般需要事先指定聚类数目,因此不适合大规模人脸聚类;基于密 度的聚类方法DBSCAN可发现任意形状的类簇,且能找出数据中的噪声点, 但不适合各类簇密度差异很大的情形,其时间复杂度为O(n^2);Chinese Whispers算法实现简单,参数调节方便,时间复杂度为O(n×m),m为顶点的平均边数;相较于传统的无监督学习聚类,基于深度学习的聚类方法能更好 的发掘类簇的特征,适应类簇的复杂结构,但聚类模型较为复杂,训练时间 更长(数十小时到数天),参数调节也困难。
发明内容
本发明的主要目的在于提供一种层次化人脸聚类方法、系统、设备及存 储介质,旨在解决现有技术中人脸聚类存在不适合大规模人脸聚类,模型算 法结构复杂,训练时间长,参数调节困难的技术问题。
为实现上述目的,本发明提供一种层次化人脸聚类方法,所述层次化人 脸聚类方法包括以下步骤:
基于图片的置信度从预设聚类运算图片集中选取第一预设数量的图片作 为在线聚类图片;
根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类结果;
从所述预设聚类运算图片集中抽取第二预设数量的图片作为离线聚类图 片;
根据所述离线聚类图片对所述待识别人脸图片进行识别,获得第二分类 结果;
基于所述第二分类结果对所述第一分类结果进行融合处理,获得融合处 理结果;
根据所述融合处理结果对所述待识别人脸图片进行聚类。
可选地,所述根据所述在线聚类图片对待识别人脸图片进行识别,获得 第一分类结果,包括:
根据所述在线聚类图片对待识别人脸图片进行在线识别,获得与待识别 人脸图片匹配的相似图片;
根据所述待识别图片和所述相似图片生成第一分类结果。
可选地,所述根据所述在线聚类图片对待识别人脸图片进行在线识别, 获得与待识别人脸图片匹配的相似图片,包括:
获得待识别人脸图片的图片特征;
从所述在线聚类图片中查找与所述图片特征相似,且图片相似度大于预 设相似度的图片作为匹配图片;
从所述匹配图片中选取预设抽取数量的图片作为相似图片。
可选地,所述根据所述待识别图片和所述相似图片生成第一分类结果, 包括:
在所述相似图片的数量不为零时,获取各相似图片的图片相似度;
将图片相似度最高的相似图片的分类类别作为所述待识别图片的图片分 类类别,并根据所述图片分类类别生成第一分类结果;
在所述相似图片的数量为零时,为所述待识别图片新建一个目标分类类 别,根据所述目标分类类别生成第一分类结果。
可选地,所述根据所述在线聚类图片对待识别人脸图片进行识别,获得 第一分类结果之前,所述层次化人脸聚类方法还包括:
获取待聚类人脸图片集合以及所述待聚类人脸图片集合中各图片的三维 姿态角度;
将所述三维姿态角度与预设角度进行对比,将所述三维姿态角度大于所 述预设角度的图片作为噪声图片;
将所述噪声图片从所述待聚类人脸图片集中剔除,并将所述待聚类人脸 图片集中剩余的图片作为待识别人脸图片。
可选地,所述基于图片的置信度从预设聚类运算图片集中选取第一预设 数量的图片作为在线聚类图片,包括:
基于图片的置信度对预设聚类运算图片集中各图片进行置信度从高到低 的排序,并生成排序结果;
根据第一预设数量从所述排序结果中依次抽取置信度从高到低的图片作 为在线聚类图片。
可选地,所述根据所述融合处理结果对所述待识别人脸图片进行聚类, 包括:
根据所述融合处理结果确定所述待识别人脸图片对应的多个融合分类类 别;
获取各融合分类类别的类别置信度,将类别置信度最高的融合分类类别 作为所述待识别人脸图片的最终分类类别,从而完成对所述待识别人脸图片 的聚类操作。
可选地,所述根据所述融合处理结果对所述待识别人脸图片进行聚类之 后,所述层次化人脸聚类方法还包括:
获取根据所述融合处理结果对所述待识别人脸图片进行聚类后的最终聚 类结果;
返回根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类 结果的步骤,获得当前聚类结果;
在所述当前聚类结果与所述最终聚类结果一致时,将所述当前聚类结果 作为新的最终聚类结果,并结束当前聚类操作;
在所述当前聚类结果与所述最终聚类结果不一致时,返回根据所述在线 聚类图片对待识别人脸图片进行识别,获得第一分类结果的步骤,获得新的 当前聚类结果。
可选地,所述基于所述第二分类结果对所述第一分类结果进行融合处理, 获得融合处理结果,包括:
判断所述第一分类结果和所述第二分类结果是否一致;
在所述第一分类结果和所述第二分类结果不一致时,发送告警提示至用 户终端;
在接收到用户终端发送的融合指令时,以所述第二分类结果为参照,将 所述第一分类结果中的当前人脸图片和匹配到的样本人脸图片进行合并,获 得合并图片;
将所述合并图片与所述第二分类结果进行合并融合,生成融合结果。
可选地,所述判断所述第一分类结果和所述第二分类结果是否一致之后, 所述层次化人脸聚类方法还包括:
在所述第一分类结果与所述第二分类结果一致时,根据所述第一分类结 果对待识别人脸图片进行聚类。
可选地,所述从所述预设聚类运算图片集中抽取第二预设数量的图片作 为离线聚类图片,包括:
获取所述预设聚类运算图片集中的图片总数量,将所述图片总数量作为 第二预设数量,将所述预设聚类图片集中的各图片作为离线聚类图片;
或,
基于图片的置信度从预设聚类运算图片集中选取第二预设数量的图片作 为离线聚类图片,所述第二预设数量小于所述预设聚类运算图片集的图片总 数量。
此外,为实现上述目的,本发明还提出一种层次化人脸聚类系统,所述 层次化人脸聚类系统包括:
在线图片选取模块,用于基于图片的置信度从预设聚类运算图片集中选 取第一预设数量的图片作为在线聚类图片;
在线识别模块,用于根据所述在线聚类图片对待识别人脸图片进行识别, 获得第一分类结果;
离线图片选取模块,用于从所述预设聚类运算图片集中抽取第二预设数 量的图片作为离线聚类图片;
离线识别模块,用于根据所述离线聚类图片对所述待识别人脸图片进行 识别,获得第二分类结果;
融合模块,用于基于所述第二分类结果对所述第一分类结果进行融合处 理,获得融合处理结果;
聚类模块,用于根据所述融合处理结果对所述待识别人脸图片进行聚类。
可选地,所述在线识别模块包括:
匹配模块,用于根据所述在线聚类图片对待识别人脸图片进行在线识别, 获得与待识别人脸图片匹配的相似图片;
生成模块,用于根据所述待识别图片和所述相似图片生成第一分类结果。
可选地,所述匹配模块包括:
特征获取模块,用于获得待识别人脸图片的图片特征;
相似度匹配模块,用于从所述在线聚类图片中查找与所述图片特征相似, 且图片相似度大于预设相似度的图片作为匹配图片;
相似图片确定模块,用于从所述匹配图片中选取预设抽取数量的图片作 为相似图片。
可选地,所述生成模块包括:
相似度获取模块,用于在所述相似图片的数量不为零时,获取各相似图 片的图片相似度;
分类结果生成模块,用于将图片相似度最高的相似图片的分类类别作为 所述待识别图片的图片分类类别,并根据所述图片分类类别生成第一分类结 果;
新建模块,用于在所述相似图片的数量为零时,为所述待识别图片新建 一个目标分类类别,根据所述目标分类类别生成第一分类结果。
可选地,所述层次化人脸聚类系统还包括:
角度获取模块,用于获取待聚类人脸图片集合以及所述待聚类人脸图片 集合中各图片的三维姿态角度;
对比模块,用于将所述三维姿态角度与预设角度进行对比,将所述三维 姿态角度大于所述预设角度的图片作为噪声图片;
剔除模块,用于将所述噪声图片从所述待聚类人脸图片集中剔除,并将 所述待聚类人脸图片集中剩余的图片作为待识别人脸图片。
可选地,所述在线图片选取模块包括:
排序模块,用于基于图片的置信度对预设聚类运算图片集中各图片进行 置信度从高到低的排序,并生成排序结果;
抽样模块,用于根据第一预设数量从所述排序结果中依次抽取置信度从 高到低的图片作为在线聚类图片。
可选地,所述聚类模块包括:
类别获取模块,用于根据所述融合处理结果确定所述待识别人脸图片对 应的多个融合分类类别;
置信度分类模块,用于获取各融合分类类别的类别置信度,将类别置信 度最高的融合分类类别作为所述待识别人脸图片的最终分类类别,从而完成 对所述待识别人脸图片的聚类操作。
此外,为实现上述目的,本发明还提出一种层次化人脸聚类设备,所述 层次化人脸聚类设备包括:存储器、处理器及存储在所述存储器上并可在所 述处理器上运行的层次化人脸聚类程序,所述层次化人脸聚类程序配置为实 现如上文所述的层次化人脸聚类方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上 存储有层次化人脸聚类程序,所述层次化人脸聚类程序被处理器执行时实现 如上文所述的层次化人脸聚类方法的步骤。
本发明提出的层次化人脸聚类方法,通过基于图片的置信度从预设聚类 运算图片集中选取第一预设数量的图片作为在线聚类图片;根据所述在线聚 类图片对待识别人脸图片进行识别,获得第一分类结果;从所述预设聚类运 算图片集中抽取第二预设数量的图片作为离线聚类图片;根据所述离线聚类 图片对所述待识别人脸图片进行识别,获得第二分类结果;基于所述第二分 类结果对所述第一分类结果进行融合处理,获得融合处理结果;根据所述融 合处理结果对所述待识别人脸图片进行聚类,通过在线聚类满足了实时聚类 的需要,通过离线聚类有效降低了参与聚类的人脸图片数量,提升了算法运 行效率,通过在线聚类与离线聚类融合,能够保证大规模人脸聚类的时效性 和准确性,提高了图片聚类的速度和效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明层次化人脸聚类方法第一实施例的流程示意图;
图3为本发明层次化人脸聚类方法第二实施例的流程示意图;
图4为本发明层次化人脸聚类系统第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步 说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限 定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的设备结构示 意图。
如图1所示,该设备可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存 储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接 口1003可以包括显示屏(Display)、输入单元比如按键,可选用户接口1003 还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准 的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存 储器(Random Access Memory,RAM),例如磁盘存储器。存储器1005可选 的还可以是独立于前述处理器1001的存储系统。
本领域技术人员可以理解,图1中示出的设备结构并不构成对设备的限 定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部 件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络 通信模块、用户接口模块以及层次化人脸聚类程序。
在图1所示的设备中,网络接口1004主要用于连接外网,与其他网络设 备进行数据通信;用户接口1003主要用于连接用户设备,与设备进行数据通 信;本发明设备通过处理器1001调用存储器1005中存储的层次化人脸聚类 程序,并执行本发明实施例提供的层次化人脸聚类的实施方法。
基于上述硬件结构,提出本发明层次化人脸聚类方法实施例。
参照图2,图2为本发明层次化人脸聚类方法第一实施例的流程示意图。
在第一实施例中,所述层次化人脸聚类方法包括以下步骤:
步骤S10、基于图片的置信度从预设聚类运算图片集中选取第一预设数 量的图片作为在线聚类图片。
需要说明的是,所述图片的置信度为所述预设聚类运算图片集中各图片 的对应人员的图片准确度,所述预设聚类运算图片集中的各图片对应有预先 设置的图片置信度,通过从所述预设聚类运算图片集中选取第一预设数量的 图片,能将对应图片作为在线聚类图片,所述预设聚类运算图片集为预先设 置进行聚类准备的图片集合,其中的图片可以是预先进行数据采集获取的, 也可以是通过预设聚类算法初步筛选的图片集合,当然还可以是通过其他方 式确定的预设聚类运算图片集,本实施例对此不加以限制。
在具体实现中,所述预设聚类运算图片集一般可以为准备聚类的初始库, 可以是通过人工简历,如对当前小区常住人员进行信息采集,每人采集3张 图片。也可以是某种聚类方法生成的结果,并经人工审核确认。每类人脸图 片按照置信度由高到低顺序进行排列,假设当前人脸库共有K类人脸(K可 以为零,即没有初始库),每类人脸有唯一的标识IDi,以及Ni张图片;当然 也可以依靠计算机程序建立初始库,本实施例对此不加以限制。
进一步地,所述步骤S10具体包括以下步骤:
基于图片的置信度对预设聚类运算图片集中各图片进行置信度从高到低 的排序,并生成排序结果;
根据第一预设数量从所述排序结果中依次抽取置信度从高到低的图片作 为在线聚类图片。
应当理解的是,不同的图片对应有不同的置信度,置信度即所述预设聚 类运算图片集的各图片所对应人员的图片准确度,例如所述预设聚类运算图 片集中存储有某个小区常住人员A的相关图片3张,这3张图片对应A的置 信度分别为73%、45%和89%,则通过对所述预设聚类运算图片集中各图片 进行置信度从高到低的排序后,可以确定以89%、73%和45%的顺序进行排 列,若第一预设数量为2,则抽取排序靠前的两张图片,即89%和73%的对 应的图片作为在线聚类图片;所述第一预设数量可以是根据实际情况进行适 应调整的,例如所述预设聚类运算图片集中存储有人员B的相关图片20张, 则所述预设第一预设数量可以设置为5,也可以设置为10等,本实施例对此 不加以限制,通过置信度的高低对各图片进行排序,并根据第一预设数量从 所述排序结果中依次抽取置信度从高到低的图片作为在线聚类图片,可以满 足实时聚类的需要。
进一步地,所述步骤S10之前,所述层次化人脸聚类方法还包括以下步 骤:
获取待聚类人脸图片集合以及所述待聚类人脸图片集合中各图片的三维 姿态角度;
将所述三维姿态角度与预设角度进行对比,将所述三维姿态角度大于所 述预设角度的图片作为噪声图片;
将所述噪声图片从所述待聚类人脸图片集中剔除,并将所述待聚类人脸 图片集中剩余的图片作为待识别人脸图片。
需要说明的是,所述三维姿态角度为各图片中人脸在三维空间中的姿态 角,所述预设角度为预先设置的三维空间角度,通过将所述三维姿态角度和 所述预设角度进行对比,可以将三维姿态角在设置范围之外的待聚类人脸图 片作为噪声图片,并将所述噪声图片从所述待聚类人脸图片集中剔除,将所 述待聚类人脸图片集中剩余的图片作为待识别人脸图片,通过对待聚类人脸 图片的过滤,能够降低算法的运算量,提高效率,并能够提高图像聚类的准 确性。
在具体实现中,每类人脸选取前Ng张图片,若某类人脸图片Ni<Ng,则 选取Ni张图片,由此组成人脸在线搜索库;当有新的人脸图片加入时,首先 判断三维姿态角是否在设定范围内(如40°),大俯仰、大侧脸的人脸图片会 显著降低聚类结果的准确性,视为噪声排除;若新人脸图片保留,通过特征 匹配从人脸搜索库中找出最相似的Nq'张图片。保留Nq'张图片中相似度大于 阈值u的图片,数量记为Nq;若Nq=0,则新图片单独建一类,分配一个新ID;否则,选择Nq中的众数类作为新图片的类别;当Nq中有多个众数时,选 择相似度最大的图片所在的众数类别作为新图片的类别;当新图片归入原有 的某个人脸类后,根据置信度高低将该类所有的图片重新排列。
步骤S20、根据所述在线聚类图片对待识别人脸图片进行识别,获得第 一分类结果。
可以理解的是,通过所述在线聚类图片对待识别人脸图片进行在线识别, 能够获得在线识别分类结果,即第一分类结果。
在具体实现中,在一些实时性要求较高的应用场合,如通过抓拍的人脸 图片快速找到大型公共场所走丢的儿童,此时,大多采用基于在线比对的方 式,直接将人脸库中与待识别人脸特征大于某个相似度阈值的特征全部搜索 出来,组成一类,但是如果选取的相似度阈值较大,同一个人的人脸图片很 容易分裂成多类;相似度阈值较低,不同的人脸图片又会聚为一类;一般而 言,在线比对聚类结果的准确性较离线聚类低,因此需要获取离线聚类的结 果,两者进行结合分析后,能够提升人脸图片聚类的精确性。
步骤S30、从所述预设聚类运算图片集中抽取第二预设数量的图片作为 离线聚类图片。
应当理解的是,所述第二预设数量和所述第一预设数量都为预先设置的 数量,通过从所述预设聚类运算图片集中抽取第二预设数量的图片,可以将 抽取的图片作为离线聚类图片,即对所述待识别图片进行离线聚类操作对应 的图片。
在具体实现中,所述离线聚类图片可以是直接将所述预设聚类运算图片 集中的所有图片直接作为离线聚类图片,也可以是通过抽取部分图片作为离 线聚类图片,本实施例对此不加以限制;通常在所述预设聚类运算图片集中 的人脸图片数量非常庞大时,采取抽取部分图片的方式,可以有效减少运算 量,提高效率,也就是说,在步骤S30中确定离线聚类图片时,可以采用以 下两种方式:
第一种方式为:整体抽取的方式;即获取所述预设聚类运算图片集中的 图片总数量,将所述图片总数量作为第二预设数量,将所述预设聚类图片集 中的各图片作为离线聚类图片。
由于本方式是将预设聚类运算图片集中的图片整体都作为了离线聚类图 片,故而,能够保证无论是置信度高,还是置信度低的图片都参与到聚类中, 从而保证了聚类结果的全面性和准确性。
第二种方式为:部分抽取的方式;即基于图片的置信度从预设聚类运算 图片集中选取第二预设数量的图片作为离线聚类图片,所述第二预设数量小 于所述预设聚类运算图片集的图片总数量。
当然,在抽取图片的过程中,可采用随机抽取的方式,例如:假设每一 类人脸选取前Ng张图片,若某类人脸图片的图片数量Ni<Ng,则选取Ni张图 片;然后,对每类人脸剩余图片中以某个预设概率均匀抽样;最后,将两次 操作选取的图片组合;这种策略既利用了置信度高的人脸图片信息,也利用 了置信度低一些的图片信息,也能保证聚类结果的全面性和准确性,但由于 参与聚类的图片比预设聚类运算图片集中的图片更少一些,减少了参与聚类 的人脸图片数量,提升了算法运行效率。
步骤S40、根据所述离线聚类图片对所述待识别人脸图片进行识别,获 得第二分类结果。
可以理解的是,通过所述离线聚类图片可以对所述待识别人脸图片进行 离线聚类识别,从而获得离线识别分类结果,即第二分类结果,离线聚类由 于可以利用更多的图片信息,聚类结果准确性较高。
在具体实现中,根据所述离线聚类图片对所述待识别人脸图片进行识别 是在空闲时间段进行的,即在聚类识别运行时段进行在线识别分类,而在空 闲时段对人脸图片进行离线聚类,能够充分利用聚类识别资源,有效降低了 参与聚类的人脸图片数量,提升了算法运行效率。
步骤S50、基于所述第二分类结果对所述第一分类结果进行融合处理, 获得融合处理结果。
应当理解的是,通过基于所述第二分类结果对所述第一分类结果进行融 合处理,可以获得融合后的分类结果,即融合处理结果。
在具体实现中,单独的在线人脸识别分类过程中,由于选取的是置信度 较高的人脸图片进行特征匹配,因此得到的每类人脸纯度较高。但与此同时, 舍弃了置信度相对较低的图片的桥接作用;此外,图片输入的时序对结果也 有一定的影响:识别分类时,只能利用当前输入时刻已经存在的图片,无法 利用后续的图片信息;因此,在线识别分类容易造成聚类结果的分裂,即同 一个人的人脸图片会被分为多个类别;此时通过将离线聚类结果与在线聚类 结果进行融合处理,即基于所述第二分类结果对所述第一分类结果进行融合处理,能够极大提高图片聚类效果,且避免了单独采用在线人脸识别分类的 缺陷。
在步骤S50中进行融合处理可以采取以下方式:判断所述第一分类结果 和所述第二分类结果是否一致;
在所述第一分类结果和所述第二分类结果不一致时,发送告警提示至用 户终端;
在接收到用户终端发送的融合指令时,以所述第二分类结果为参照,将 所述第一分类结果中的当前人脸图片和匹配到的样本人脸图片进行合并,获 得合并图片;
将所述合并图片与所述第二分类结果进行合并融合,生成融合结果。
需要说明的是,上述情形是针对所述第一分类结果和所述第二分类结果 不一致时,采取的融合手段,即第一分类结果和所述第二分类结果不一致时, 在线聚类和离线聚类的结果不属于同一类,此时会发送告警提升至用户终端, 当然也可以发送告警提示至服务端,通过服务端中转后通知用户终端,在接 收到用户终端发送的融合指令时,会以事实第二分类结果为参照进行人脸图 片的合并,即以离线聚类结果为参照,将在线识别分类的两类人脸图片合并, 即将所述第一分类结果中的当前人脸图片和匹配到的样本人脸图片进行合 并,获得合并图片,从而提高人脸图片聚类的准确性。
而相反的,在所述第一分类结果和所述第二分类结果一致时,则可以采 取下述融合手段,即:
在所述第一分类结果与所述第二分类结果一致时,根据所述第一分类结 果对待识别人脸图片进行聚类。
应当理解的是,在所述第一分类结果与所述第二分类结果一致时,即在 线聚类和离线聚类属于同一类,因为在线聚类结果是以人为判断为依据,其 时效性相对高于离线聚类的时效性,即其优先级别高于离线聚类结果,因此 会优先将在线聚类的结果作为待识别人脸聚类的依据,对待识别人脸图片进 行聚类,从而能够保证聚类结果的实时性。
步骤S60、根据所述融合处理结果对所述待识别人脸图片进行聚类。
可以理解的是,通过所述融合处理结果对所述待识别人脸图片进行聚类, 即通过离线聚类结果和在线聚类结果的融合处理结果作为图片聚类的基础, 提高了图片聚类的准确性。
在步骤S60中进行聚类可以采取以下方式:
根据所述融合处理结果确定所述待识别人脸图片对应的多个融合分类类 别;
获取各融合分类类别的类别置信度,将类别置信度最高的融合分类类别 作为所述待识别人脸图片的最终分类类别,从而完成对所述待识别人脸图片 的聚类操作。
需要说明的是,通过所述融合处理结果可以确定所述待识别人脸图片对 应的各融合分类类别,例如,所述待识别人脸图片对应有3个融合分类类别, 而这3个融合分类类别对应的类别置信度分别为,A类别79%、B类别85% 和C类别63%,此时类别置信度最高的融合分类类别为B类别,此时可以将 B类别作为所述待识别人脸图片的最终分类类别,即通过获取各类别的类别 置信度,可以将置信度最高的融合分类类别作为所述待识别人脸图片的最终 分类类别,从而完成对所述待识别人脸图片的聚类操作,提高了人脸图片聚 类的准确性。
为了进一步地提高人脸聚类图片的精确度,所述步骤S60之后还可以采 取以下方式进行图片聚类:
获取根据所述融合处理结果对所述待识别人脸图片进行聚类后的最终聚 类结果;
返回根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类 结果的步骤,获得当前聚类结果;
在所述当前聚类结果与所述最终聚类结果一致时,将所述当前聚类结果 作为新的最终聚类结果,并结束当前聚类操作;
在所述当前聚类结果与所述最终聚类结果不一致时,返回根据所述在线 聚类图片对待识别人脸图片进行识别,获得第一分类结果的步骤,获得新的 当前聚类结果。
应当理解的是,在根据所述最终聚类结果后,可以再次获得当前聚类结 果,并通过比较后确定新的最终聚类结果,通过多次聚类比较,能够进一步 提高人脸图片聚类的准确性,相较于初步的融合处理,准确性更高,并且能 够避免在线聚类中出现同一个人的人脸图片被分为多个类别造成聚类结果的 分裂问题,进一步提高了人脸聚类图片的精确度。
在具体实现中,本实施例中并不限制在线聚类和离线聚类的方式,可以 根据应用场景需要,结合各种聚类算法特点自由选择;甚至可以在聚类的不 同轮数中,采用不同的聚类方法。例如,第一轮离线聚类时采用DBSCAN方 法,第二轮采用Chinese Whispers方法,本实施例对此不加以限制。
本实施例通过上述方案,通过基于图片的置信度从预设聚类运算图片集 中选取第一预设数量的图片作为在线聚类图片;根据所述在线聚类图片对待 识别人脸图片进行识别,获得第一分类结果;从所述预设聚类运算图片集中 抽取第二预设数量的图片作为离线聚类图片;根据所述离线聚类图片对所述 待识别人脸图片进行识别,获得第二分类结果;基于所述第二分类结果对所 述第一分类结果进行融合处理,获得融合处理结果;根据所述融合处理结果 对所述待识别人脸图片进行聚类,通过在线聚类满足了实时聚类的需要,通 过离线聚类有效降低了参与聚类的人脸图片数量,提升了算法运行效率,通 过在线聚类与离线聚类融合,能够保证大规模人脸聚类的时效性和准确性, 提高了图片聚类的速度和效率。
进一步地,图3为本发明层次化人脸聚类方法第二实施例的流程示意图, 如图3所示,基于第一实施例提出本发明层次化人脸聚类方法第二实施例, 在本实施例中,所述步骤S20包括以下步骤:
步骤S21、根据所述在线聚类图片对待识别人脸图片进行在线识别,获 得与待识别人脸图片匹配的相似图片。
需要说明的是,通过在线聚类图片可以对待识别人脸图片进行在线识别, 能够获得与所述待识别人脸图片匹配的相似图片,即在所述在线聚类图片中 找到若干与所述待识别人脸图片相似的若干图片。
为了获取所述待识别人脸图片对应的相似图片,所述步骤S21还可以采 取以下方式:
获得待识别人脸图片的图片特征;
从所述在线聚类图片中查找与所述图片特征相似,且图片相似度大于预 设相似度的图片作为匹配图片;
从所述匹配图片中选取预设抽取数量的图片作为相似图片。
应当理解的是,不同的图片对应有其相关的图片特征,通过从所述在线 聚类图片中查找与所述图片特征相似的图片,且图片相似度大于预设相似度 的图片作为匹配图片,例如,所述在线聚类图片中查找与所述图片特征相似 的图片有20张,而这20张图片中相似度大于预设相似度80%的图片有10 张,此时可以将这10张符合限制条件的图片作为匹配图片,并且可以根据预 设抽取数量5从所述匹配图片中抽取5张图片作为相似图片,抽取的方式可 以是随机抽取,也可以是按照相似度的从高到低依次抽取5张图片作为相似 图片,当然还可以通过其他方式进行图片抽取,本实施例对此不加以限制; 所述预设相似度为预先设置的图片相似度阈值,预设抽取数量为预先设置的 抽取数量,通过从所述匹配图片中进行抽取,可以将部分或全部匹配图片作 为相似图片,一般的是将相似度较高的若干张图片作为相似图片,当然也可 以通过其他方式确定相似图片,本实施例对此不加以限制。
步骤S22、根据所述待识别图片和所述相似图片生成第一分类结果。
可以理解的是,根据所述待识别图片和所述相似图片可以生成在线聚类 分类结果,即第一分类结果,一般是通过将所述待识别图片与对应的相似图 片进行关联,从而生成对应的分类结果。
为了获得在线分类的分类结果,所述步骤S22还可以采取以下方式:
在所述相似图片的数量不为零时,获取各相似图片的图片相似度;
将图片相似度最高的相似图片的分类类别作为所述待识别图片的图片分 类类别,并根据所述图片分类类别生成第一分类结果;
在所述相似图片的数量为零时,为所述待识别图片新建一个目标分类类 别,根据所述目标分类类别生成第一分类结果。
需要说明的是,一般的所述待识别图片和所述相似图片之间会存在关联, 通过这些关联关系可以确定在线分类结果,在所述相似图片的数量不为0时, 即存在与所述待识别图片匹配的相似图片时,可以获得各相似图片的相似度, 例如有2张相似图片,它们的图片相似度为95%和98%,此时可以将图片相 似度最高的98%的图片对应的分类类别作为所述待识别图片的图片分类类 别,并将该图片分类类别作为在线分类结果,即第一分类结果;在所述相似 图片的数量为0时,即此时没有找到与所述待识别图片匹配的相似图片时,此时可以为所述待识别图片新建一个目标分类类别,进而根据所述目标分类 类别生成相应的分类结果,在实际操作中,在所述相似图片的数量为零,即 表明所述待识别图片是新图片,通过为新图片单独建一类,分配一个新类别。
本实施例通过上述方案,通过根据所述在线聚类图片对待识别人脸图片 进行在线识别,获得与待识别人脸图片匹配的相似图片;根据所述待识别图 片和所述相似图片生成第一分类结果,能够得到聚类纯度高的在线聚类结果, 提高了人脸图像聚类的时效性和准确性。
基于上述层次化人脸聚类方法,本发明进一步提供一种层次化人脸聚类 系统,提出本发明层次化人脸聚类系统实施例。
参照图4,图4为本发明层次化人脸聚类系统第一实施例的功能模块图。
本发明层次化人脸聚类系统第一实施例中,该层次化人脸聚类系统包括:
在线图片选取模块10,用于基于图片的置信度从预设聚类运算图片集中 选取第一预设数量的图片作为在线聚类图片。
进一步地,所述在线图片选取模块10,包括:
排序模块,用于基于图片的置信度对预设聚类运算图片集中各图片进行 置信度从高到低的排序,并生成排序结果;
抽样模块,用于根据第一预设数量从所述排序结果中依次抽取置信度从 高到低的图片作为在线聚类图片。
进一步地,所述层次化人脸聚类系统还包括:
角度获取模块,用于获取待聚类人脸图片集合以及所述待聚类人脸图片 集合中各图片的三维姿态角度;
对比模块,用于将所述三维姿态角度与预设角度进行对比,将所述三维 姿态角度大于所述预设角度的图片作为噪声图片;
剔除模块,用于将所述噪声图片从所述待聚类人脸图片集中剔除,并将 所述待聚类人脸图片集中剩余的图片作为待识别人脸图片。
在线识别模块20,用于根据所述在线聚类图片对待识别人脸图片进行识 别,获得第一分类结果。
进一步地,所述在线识别模块20包括:
匹配模块,用于根据所述在线聚类图片对待识别人脸图片进行在线识别, 获得与待识别人脸图片匹配的相似图片;
生成模块,用于根据所述待识别图片和所述相似图片生成第一分类结果。
进一步地,所述匹配模块包括:
特征获取模块,用于获得待识别人脸图片的图片特征;
相似度匹配模块,用于从所述在线聚类图片中查找与所述图片特征相似, 且图片相似度大于预设相似度的图片作为匹配图片;
相似图片确定模块,用于从所述匹配图片中选取预设抽取数量的图片作 为相似图片。
进一步地,所述生成模块包括:
相似度获取模块,用于在所述相似图片的数量不为零时,获取各相似图 片的图片相似度;
分类结果生成模块,用于将图片相似度最高的相似图片的分类类别作为 所述待识别图片的图片分类类别,并根据所述图片分类类别生成第一分类结 果;
新建模块,用于在所述相似图片的数量为零时,为所述待识别图片新建 一个目标分类类别,根据所述目标分类类别生成第一分类结果。
离线图片选取模块30,用于从所述预设聚类运算图片集中抽取第二预设 数量的图片作为离线聚类图片。
离线识别模块40,用于根据所述离线聚类图片对所述待识别人脸图片进 行识别,获得第二分类结果。
融合模块50,用于基于所述第二分类结果对所述第一分类结果进行融合 处理,获得融合处理结果。
聚类模块60,用于根据所述融合处理结果对所述待识别人脸图片进行聚 类。
进一步地,所述聚类模块包括:
类别获取模块,用于根据所述融合处理结果确定所述待识别人脸图片对 应的多个融合分类类别;
置信度分类模块,用于获取各融合分类类别的类别置信度,将类别置信 度最高的融合分类类别作为所述待识别人脸图片的最终分类类别,从而完成 对所述待识别人脸图片的聚类操作。
其中,层次化人脸聚类系统的各个功能模块实现的步骤可参照本发明层 次化人脸聚类方法的各个实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有层次 化人脸聚类程序,所述层次化人脸聚类程序被处理器执行时实现如上本发明 实施例提供的行为数据处理的实施方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是 利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间 接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
本发明公开了A1、一种层次化人脸聚类方法,所述层次化人脸聚类方法 包括:
基于图片的置信度从预设聚类运算图片集中选取第一预设数量的图片作 为在线聚类图片;
根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类结果;
从所述预设聚类运算图片集中抽取第二预设数量的图片作为离线聚类图 片;
根据所述离线聚类图片对所述待识别人脸图片进行识别,获得第二分类 结果;
基于所述第二分类结果对所述第一分类结果进行融合处理,获得融合处 理结果;
根据所述融合处理结果对所述待识别人脸图片进行聚类。
A2、如A1所述的层次化人脸聚类方法,所述根据所述在线聚类图片对 待识别人脸图片进行识别,获得第一分类结果,包括:
根据所述在线聚类图片对待识别人脸图片进行在线识别,获得与待识别 人脸图片匹配的相似图片;
根据所述待识别图片和所述相似图片生成第一分类结果。
A3、如A2所述的层次化人脸聚类方法,所述根据所述在线聚类图片对 待识别人脸图片进行在线识别,获得与待识别人脸图片匹配的相似图片,包 括:
获得待识别人脸图片的图片特征;
从所述在线聚类图片中查找与所述图片特征相似,且图片相似度大于预 设相似度的图片作为匹配图片;
从所述匹配图片中选取预设抽取数量的图片作为相似图片。
A4、如A2所述的层次化人脸聚类方法,所述根据所述待识别图片和所 述相似图片生成第一分类结果,包括:
在所述相似图片的数量不为零时,获取各相似图片的图片相似度;
将图片相似度最高的相似图片的分类类别作为所述待识别图片的图片分 类类别,并根据所述图片分类类别生成第一分类结果;
在所述相似图片的数量为零时,为所述待识别图片新建一个目标分类类 别,根据所述目标分类类别生成第一分类结果。
A5、如A1所述的层次化人脸聚类方法,所述根据所述在线聚类图片对 待识别人脸图片进行识别,获得第一分类结果之前,所述层次化人脸聚类方 法还包括:
获取待聚类人脸图片集合以及所述待聚类人脸图片集合中各图片的三维 姿态角度;
将所述三维姿态角度与预设角度进行对比,将所述三维姿态角度大于所 述预设角度的图片作为噪声图片;
将所述噪声图片从所述待聚类人脸图片集中剔除,并将所述待聚类人脸 图片集中剩余的图片作为待识别人脸图片。
A6、如A1所述的层次化人脸聚类方法,所述基于图片的置信度从预设 聚类运算图片集中选取第一预设数量的图片作为在线聚类图片,包括:
基于图片的置信度对预设聚类运算图片集中各图片进行置信度从高到低 的排序,并生成排序结果;
根据第一预设数量从所述排序结果中依次抽取置信度从高到低的图片作 为在线聚类图片。
A7、如A1-A6中任一项所述的层次化人脸聚类方法,所述根据所述融合 处理结果对所述待识别人脸图片进行聚类,包括:
根据所述融合处理结果确定所述待识别人脸图片对应的多个融合分类类 别;
获取各融合分类类别的类别置信度,将类别置信度最高的融合分类类别 作为所述待识别人脸图片的最终分类类别,从而完成对所述待识别人脸图片 的聚类操作。
A8、如A1-A6中任一项所述的层次化人脸聚类方法,所述根据所述融合 处理结果对所述待识别人脸图片进行聚类之后,所述层次化人脸聚类方法还 包括:
获取根据所述融合处理结果对所述待识别人脸图片进行聚类后的最终聚 类结果;
返回根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类 结果的步骤,获得当前聚类结果;
在所述当前聚类结果与所述最终聚类结果一致时,将所述当前聚类结果 作为新的最终聚类结果,并结束当前聚类操作;
在所述当前聚类结果与所述最终聚类结果不一致时,返回根据所述在线 聚类图片对待识别人脸图片进行识别,获得第一分类结果的步骤,获得新的 当前聚类结果。
A9、如A1-A6中任一项所述的层次化人脸聚类方法,所述基于所述第二 分类结果对所述第一分类结果进行融合处理,获得融合处理结果,包括:
判断所述第一分类结果和所述第二分类结果是否一致;
在所述第一分类结果和所述第二分类结果不一致时,发送告警提示至用 户终端;
在接收到用户终端发送的融合指令时,以所述第二分类结果为参照,将 所述第一分类结果中的当前人脸图片和匹配到的样本人脸图片进行合并,获 得合并图片;
将所述合并图片与所述第二分类结果进行合并融合,生成融合结果。
A10、如A9所述的层次化人脸聚类方法,所述判断所述第一分类结果和 所述第二分类结果是否一致之后,所述层次化人脸聚类方法还包括:
在所述第一分类结果与所述第二分类结果一致时,根据所述第一分类结 果对待识别人脸图片进行聚类。
A11、如A1-A6中任一项所述的层次化人脸聚类方法,所述从所述预设 聚类运算图片集中抽取第二预设数量的图片作为离线聚类图片,包括:
获取所述预设聚类运算图片集中的图片总数量,将所述图片总数量作为 第二预设数量,将所述预设聚类图片集中的各图片作为离线聚类图片;
或,
基于图片的置信度从预设聚类运算图片集中选取第二预设数量的图片作 为离线聚类图片,所述第二预设数量小于所述预设聚类运算图片集的图片总 数量。
本发明还公开了B12、一种层次化人脸聚类系统,所述层次化人脸聚类 系统包括:
在线图片选取模块,用于基于图片的置信度从预设聚类运算图片集中选 取第一预设数量的图片作为在线聚类图片;
在线识别模块,用于根据所述在线聚类图片对待识别人脸图片进行识别, 获得第一分类结果;
离线图片选取模块,用于从所述预设聚类运算图片集中抽取第二预设数 量的图片作为离线聚类图片;
离线识别模块,用于根据所述离线聚类图片对所述待识别人脸图片进行 识别,获得第二分类结果;
融合模块,用于基于所述第二分类结果对所述第一分类结果进行融合处 理,获得融合处理结果;
聚类模块,用于根据所述融合处理结果对所述待识别人脸图片进行聚类。
B13、如B12所述的层次化人脸聚类系统,所述在线识别模块包括:
匹配模块,用于根据所述在线聚类图片对待识别人脸图片进行在线识别, 获得与待识别人脸图片匹配的相似图片;
生成模块,用于根据所述待识别图片和所述相似图片生成第一分类结果。
B14、如B13所述的层次化人脸聚类系统,所述匹配模块包括:
特征获取模块,用于获得待识别人脸图片的图片特征;
相似度匹配模块,用于从所述在线聚类图片中查找与所述图片特征相似, 且图片相似度大于预设相似度的图片作为匹配图片;
相似图片确定模块,用于从所述匹配图片中选取预设抽取数量的图片作 为相似图片。
B15、如B13所述的层次化人脸聚类系统,所述生成模块包括:
相似度获取模块,用于在所述相似图片的数量不为零时,获取各相似图 片的图片相似度;
分类结果生成模块,用于将图片相似度最高的相似图片的分类类别作为 所述待识别图片的图片分类类别,并根据所述图片分类类别生成第一分类结 果;
新建模块,用于在所述相似图片的数量为零时,为所述待识别图片新建 一个目标分类类别,根据所述目标分类类别生成第一分类结果。
B16、如B12所述的层次化人脸聚类系统,所述层次化人脸聚类系统还 包括:
角度获取模块,用于获取待聚类人脸图片集合以及所述待聚类人脸图片 集合中各图片的三维姿态角度;
对比模块,用于将所述三维姿态角度与预设角度进行对比,将所述三维 姿态角度大于所述预设角度的图片作为噪声图片;
剔除模块,用于将所述噪声图片从所述待聚类人脸图片集中剔除,并将 所述待聚类人脸图片集中剩余的图片作为待识别人脸图片。
B17、如B12所述的层次化人脸聚类系统,所述在线图片选取模块包括:
排序模块,用于基于图片的置信度对预设聚类运算图片集中各图片进行 置信度从高到低的排序,并生成排序结果;
抽样模块,用于根据第一预设数量从所述排序结果中依次抽取置信度从 高到低的图片作为在线聚类图片。
B18、如B12所述的层次化人脸聚类系统,所述聚类模块包括:
类别获取模块,用于根据所述融合处理结果确定所述待识别人脸图片对 应的多个融合分类类别;
置信度分类模块,用于获取各融合分类类别的类别置信度,将类别置信 度最高的融合分类类别作为所述待识别人脸图片的最终分类类别,从而完成 对所述待识别人脸图片的聚类操作。
本发明还公开了C19、一种层次化人脸聚类设备,所述层次化人脸聚类 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 的层次化人脸聚类程序,所述层次化人脸聚类程序配置为实现如A1-A11中 任一项所述的层次化人脸聚类方法的步骤。
本发明还公开了D20、一种存储介质,所述存储介质上存储有层次化人 脸聚类程序,所述层次化人脸聚类程序被处理器执行时实现如A1-A11中任 一项所述的层次化人脸聚类方法的步骤。
Claims (10)
1.一种层次化人脸聚类方法,其特征在于,所述层次化人脸聚类方法包括:
基于图片的置信度从预设聚类运算图片集中选取第一预设数量的图片作为在线聚类图片;
根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类结果;
从所述预设聚类运算图片集中抽取第二预设数量的图片作为离线聚类图片;
根据所述离线聚类图片对所述待识别人脸图片进行识别,获得第二分类结果;
基于所述第二分类结果对所述第一分类结果进行融合处理,获得融合处理结果;
根据所述融合处理结果对所述待识别人脸图片进行聚类。
2.如权利要求1所述的层次化人脸聚类方法,其特征在于,所述根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类结果,包括:
根据所述在线聚类图片对待识别人脸图片进行在线识别,获得与待识别人脸图片匹配的相似图片;
根据所述待识别图片和所述相似图片生成第一分类结果。
3.如权利要求2所述的层次化人脸聚类方法,其特征在于,所述根据所述在线聚类图片对待识别人脸图片进行在线识别,获得与待识别人脸图片匹配的相似图片,包括:
获得待识别人脸图片的图片特征;
从所述在线聚类图片中查找与所述图片特征相似,且图片相似度大于预设相似度的图片作为匹配图片;
从所述匹配图片中选取预设抽取数量的图片作为相似图片。
4.如权利要求2所述的层次化人脸聚类方法,其特征在于,所述根据所述待识别图片和所述相似图片生成第一分类结果,包括:
在所述相似图片的数量不为零时,获取各相似图片的图片相似度;
将图片相似度最高的相似图片的分类类别作为所述待识别图片的图片分类类别,并根据所述图片分类类别生成第一分类结果;
在所述相似图片的数量为零时,为所述待识别图片新建一个目标分类类别,根据所述目标分类类别生成第一分类结果。
5.如权利要求1所述的层次化人脸聚类方法,其特征在于,所述根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类结果之前,所述层次化人脸聚类方法还包括:
获取待聚类人脸图片集合以及所述待聚类人脸图片集合中各图片的三维姿态角度;
将所述三维姿态角度与预设角度进行对比,将所述三维姿态角度大于所述预设角度的图片作为噪声图片;
将所述噪声图片从所述待聚类人脸图片集中剔除,并将所述待聚类人脸图片集中剩余的图片作为待识别人脸图片。
6.如权利要求1所述的层次化人脸聚类方法,其特征在于,所述基于图片的置信度从预设聚类运算图片集中选取第一预设数量的图片作为在线聚类图片,包括:
基于图片的置信度对预设聚类运算图片集中各图片进行置信度从高到低的排序,并生成排序结果;
根据第一预设数量从所述排序结果中依次抽取置信度从高到低的图片作为在线聚类图片。
7.如权利要求1-6中任一项所述的层次化人脸聚类方法,其特征在于,所述根据所述融合处理结果对所述待识别人脸图片进行聚类,包括:
根据所述融合处理结果确定所述待识别人脸图片对应的多个融合分类类别;
获取各融合分类类别的类别置信度,将类别置信度最高的融合分类类别作为所述待识别人脸图片的最终分类类别,从而完成对所述待识别人脸图片的聚类操作。
8.一种层次化人脸聚类系统,其特征在于,所述层次化人脸聚类系统包括:
在线图片选取模块,用于基于图片的置信度从预设聚类运算图片集中选取第一预设数量的图片作为在线聚类图片;
在线识别模块,用于根据所述在线聚类图片对待识别人脸图片进行识别,获得第一分类结果;
离线图片选取模块,用于从所述预设聚类运算图片集中抽取第二预设数量的图片作为离线聚类图片;
离线识别模块,用于根据所述离线聚类图片对所述待识别人脸图片进行识别,获得第二分类结果;
融合模块,用于基于所述第二分类结果对所述第一分类结果进行融合处理,获得融合处理结果;
聚类模块,用于根据所述融合处理结果对所述待识别人脸图片进行聚类。
9.一种层次化人脸聚类设备,其特征在于,所述层次化人脸聚类设备包括: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层次化人脸聚类程序,所述层次化人脸聚类程序配置为实现如权利要求1-7中任一项所述的层次化人脸聚类方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有层次化人脸聚类程序,所述层次化人脸聚类程序被处理器执行时实现如权利要求1-7中任一项所述的层次化人脸聚类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616855.2A CN111950352A (zh) | 2020-06-30 | 2020-06-30 | 层次化人脸聚类方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616855.2A CN111950352A (zh) | 2020-06-30 | 2020-06-30 | 层次化人脸聚类方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950352A true CN111950352A (zh) | 2020-11-17 |
Family
ID=73337294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010616855.2A Withdrawn CN111950352A (zh) | 2020-06-30 | 2020-06-30 | 层次化人脸聚类方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950352A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435418A (zh) * | 2021-08-26 | 2021-09-24 | 知见科技(江苏)有限公司 | 基于计算机视觉的电动自行车偷盗识别方法 |
-
2020
- 2020-06-30 CN CN202010616855.2A patent/CN111950352A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435418A (zh) * | 2021-08-26 | 2021-09-24 | 知见科技(江苏)有限公司 | 基于计算机视觉的电动自行车偷盗识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022116888A1 (zh) | 一种视频数据处理方法、装置、设备以及介质 | |
JP5282658B2 (ja) | 画像学習、自動注釈、検索方法及び装置 | |
KR20210144625A (ko) | 영상 데이터 처리 방법, 장치 및 판독 가능 저장 매체 | |
US10467800B2 (en) | Method and apparatus for reconstructing scene, terminal device, and storage medium | |
EP4002161A1 (en) | Image retrieval method and apparatus, storage medium, and device | |
CN110633669B (zh) | 家居环境中基于深度学习的移动端人脸属性识别方法 | |
CN110741377A (zh) | 人脸图像处理方法、装置、存储介质及电子设备 | |
CN107992937B (zh) | 基于深度学习的非结构化数据判决方法和装置 | |
CN112084812B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
JP2021515321A (ja) | メディア処理方法、その関連装置及びコンピュータプログラム | |
CN109241299B (zh) | 多媒体资源搜索方法、装置、存储介质及设备 | |
CN105631404B (zh) | 对照片进行聚类的方法及装置 | |
CN113705510A (zh) | 目标识别跟踪的方法、装置、设备及存储介质 | |
CN110321801B (zh) | 一种基于自编码网络的换衣行人重识别方法及系统 | |
Sokolova et al. | Methods of gait recognition in video | |
CN113395584B (zh) | 一种视频数据处理方法、装置、设备以及介质 | |
CN111950352A (zh) | 层次化人脸聚类方法、系统、设备及存储介质 | |
CN111160075A (zh) | 一种大规模人脸识别系统及方法 | |
CN111768729A (zh) | 一种vr场景自动解说方法、系统和存储介质 | |
WO2023024417A1 (zh) | 人脸图像的质量筛选方法、装置、设备及存储介质 | |
CN115690883A (zh) | 一种目标训练样本集的获得方法及相关装置 | |
CN115115976A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN114298182A (zh) | 资源召回方法、装置、设备及存储介质 | |
CN114449342A (zh) | 视频推荐方法、装置、计算机可读存储介质和计算机设备 | |
US11238070B1 (en) | Dense cluster filtering |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201117 |
|
WW01 | Invention patent application withdrawn after publication |