CN112101238A - 聚类方法及装置、电子设备和存储介质 - Google Patents
聚类方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112101238A CN112101238A CN202010981204.3A CN202010981204A CN112101238A CN 112101238 A CN112101238 A CN 112101238A CN 202010981204 A CN202010981204 A CN 202010981204A CN 112101238 A CN112101238 A CN 112101238A
- Authority
- CN
- China
- Prior art keywords
- cluster
- face features
- clustering
- clusters
- condition
- 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.)
- Pending
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种聚类方法及装置、电子设备和存储介质,所述方法包括:对人脸特征的第一聚类簇进行定量分析,确定所述第一聚类簇是否符合预设聚类条件,其中,所述第一聚类簇是基于第一阈值聚类得到的,所述预设聚类条件用于指示所述第一聚类簇中包括的多个人脸特征均对应同一身份;在所述第一聚类簇不符合所述预设聚类条件的情况下,释放所述第一聚类簇中包括的所述多个人脸特征;基于第二阈值,对所述多个人脸特征进行聚类,确定第二聚类簇,其中,所述第二阈值大于所述第一阈值。本公开实施例可实现有效提高聚类簇的准确率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种聚类方法及装置、电子设备和存储介质。
背景技术
在智能视频分析领域,人脸聚类是重要的研究方向。智能视频中的人脸抓拍图带有时空信息,将带有时空信息的人脸抓怕图进行人脸聚类,形成档案,可以很好的分析一个人的轨迹。城市级别中的视频源有着环境复杂、光线条件差、分辨率低等缺点,使得无法确保聚类结果的准确率。
发明内容
本公开提出了一种聚类方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面,提供了一种聚类方法,包括:对人脸特征的第一聚类簇进行定量分析,确定所述第一聚类簇是否符合预设聚类条件,其中,所述第一聚类簇是基于第一阈值聚类得到的,所述预设聚类条件用于指示所述第一聚类簇中包括的多个人脸特征均对应同一身份;在所述第一聚类簇不符合所述预设聚类条件的情况下,释放所述第一聚类簇中包括的所述多个人脸特征;基于第二阈值,对所述多个人脸特征进行聚类,确定第二聚类簇,其中,所述第二阈值大于所述第一阈值。
在一种可能的实现方式中,所述多个人脸特征中包括一个所述第一聚类簇对应的类中心人脸特征;所述对第一聚类簇进行定量分析,确定所述第一聚类簇是否符合预设聚类条件,包括:确定所述类中心人脸特征与所述第一聚类簇中其它所述人脸特征之间的余弦距离;根据所述类中心人脸特征与所述第一聚类簇中其它所述人脸特征之间的余弦距离,确定平均距离和标准差距离;在所述平均距离大于第三阈值和/或所述标准差距离小于第四阈值的情况下,确定所述第一聚类簇不符合所述预设聚类条件。
在一种可能的实现方式中,所述方法还包括:根据所述第二聚类簇和/或符合所述预设聚类条件的所述第一聚类簇,确定N个已知聚类簇,其中,N≥1;根据所述N个已知聚类簇,对待聚类人脸特征进行分类。
在一种可能的实现方式中,所述方法还包括:对所述N个已知聚类簇对应的类中心人脸特征进行聚类,得到类中心聚类簇;将所述类中心聚类簇中包括的各类中心人脸特征对应的所述已知聚类簇进行合并。
在一种可能的实现方式中,所述根据所述N个已知聚类簇,对待聚类人脸特征进行分类,包括:确定所述N个已知聚类簇中是否存在目标已知聚类簇,其中,所述待聚类人脸特征与所述目标已知聚类簇对应的类中心人脸特征之间的余弦距离小于第五阈值;在所述N个已知聚类簇中存在所述目标已知聚类簇的情况下,将所述待聚类人脸特征分类到所述目标已知聚类簇。
在一种可能的实现方式中,所述确定所述N个已知聚类簇中是否存在目标已知聚类簇,包括:利用k近邻算法,在所述N个已知聚类簇对应的类中心人脸特征中,确定与所述待聚类人脸特征的欧式距离最近的k个类中心人脸特征,其中,N≥k≥1;分别确定所述待聚类人脸特征与所述k个类中心人脸特征之间的余弦距离;将余弦距离小于所述第五阈值的类中心人脸特征对应的已知聚类簇确定为所述目标已知聚类簇。
在一种可能的实现方式中,所述方法还包括:更新所述N个已知聚类簇中包括的多个人脸特征;针对任一所述已知聚类簇,根据所述已知聚类簇对应的更新后的多个人脸特征,更新所述已知聚类簇对应的类中心人脸特征。
在一种可能的实现方式中,所述方法还包括:在所述N个已知聚类簇中不存在所述目标已知聚类簇的情况下,将所述待聚类人脸特征确定为未分类人脸特征;利用k近邻算法和图连接算法,对预设时长下的多个未分类人脸特征进行聚类,确定新增聚类簇。
在一种可能的实现方式中,所述方法还包括:根据所述新增聚类簇,更新所述N个已知聚类簇。
根据本公开的一方面,提供了一种聚类装置,包括:定量分析模块,用于对人脸特征的第一聚类簇进行定量分析,确定所述第一聚类簇是否符合预设聚类条件,其中,所述第一聚类簇是基于第一阈值聚类得到的,所述预设聚类条件用于指示所述第一聚类簇中包括的多个人脸特征均对应同一身份;释放模块,用于在所述第一聚类簇不符合所述预设聚类条件的情况下,释放所述第一聚类簇中包括的所述多个人脸特征;聚类模块,用于基于第二阈值,对所述多个人脸特征进行聚类,确定第二聚类簇,其中,所述第二阈值大于所述第一阈值。
在一种可能的实现方式中,所述多个人脸特征中包括一个所述第一聚类簇对应的类中心人脸特征;所述定量分析模块,包括:第一确定子模块,用于确定所述类中心人脸特征与所述第一聚类簇中其它所述人脸特征之间的余弦距离;第二确定子模块,用于根据所述类中心人脸特征与所述第一聚类簇中其它所述人脸特征之间的余弦距离,确定平均距离和标准差距离;第三确定子模块,用于在所述平均距离大于第三阈值和/或所述标准差距离小于第四阈值的情况下,确定所述第一聚类簇不符合所述预设聚类条件。
在一种可能的实现方式中,所述装置包括:第一确定模块,用于根据所述第二聚类簇和/或符合所述预设聚类条件的所述第一聚类簇,确定N个已知聚类簇,其中,N≥1;分类模块,用于根据所述N个已知聚类簇,对待聚类人脸特征进行分类。
在一种可能的实现方式中,所述聚类模块,还用于对所述N个已知聚类簇对应的类中心人脸特征进行聚类,得到类中心聚类簇;所述装置还包括:合并模块,用于将所述类中心聚类簇中包括的各类中心人脸特征对应的所述已知聚类簇进行合并。
在一种可能的实现方式中,所述分类模块,包括:第四确定子模块,用于确定所述N个已知聚类簇中是否存在目标已知聚类簇,其中,所述待聚类人脸特征与所述目标已知聚类簇对应的类中心人脸特征之间的余弦距离小于第五阈值;分类子模块,用于在所述N个已知聚类簇中存在所述目标已知聚类簇的情况下,将所述待聚类人脸特征分类到所述目标已知聚类簇。
在一种可能的实现方式中,所述第四确定子模块,包括:第一确定单元,用于利用k近邻算法,在所述N个已知聚类簇对应的类中心人脸特征中,确定与所述待聚类人脸特征的欧式距离最近的k个类中心人脸特征,其中,N≥k≥1;第二确定单元,用于分别确定所述待聚类人脸特征与所述k个类中心人脸特征之间的余弦距离;第三确定单元,用于将余弦距离小于所述第五阈值的类中心人脸特征对应的已知聚类簇确定为所述目标已知聚类簇。
在一种可能的实现方式中,所述装置还包括:第一更新模块,用于更新所述N个已知聚类簇中包括的多个人脸特征;第二更新模块,用于针对任一所述已知聚类簇,根据所述已知聚类簇对应的更新后的多个人脸特征,更新所述已知聚类簇对应的类中心人脸特征。
在一种可能的实现方式中,所述装置还包括:第二确定模块,用于在所述N个已知聚类簇中不存在所述目标已知聚类簇的情况下,将所述待聚类人脸特征确定为未分类人脸特征;所述聚类模块,还用于利用k近邻算法和图连接算法,对预设时长下的多个未分类人脸特征进行聚类,确定新增聚类簇。
在一种可能的实现方式中,所述装置还包括:第三更新模块,用于根据所述新增聚类簇,更新所述N个已知聚类簇。
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。
在本公开实施例中,对基于第一阈值聚类得到的人脸特征的第一聚类簇进行定量分析,确定第一聚类簇是否符合预设聚类条件,预设聚类条件用于指示第一聚类簇中包括的多个人脸特征均对应同一身份,在第一聚类簇不符合预设聚类条件的情况下,释放第一聚类簇中包括的多个人脸特征,以及基于大于第一阈值的第二阈值,对释放后的多个人脸特征进行聚类,确定第二聚类簇。通过释放不满足预设聚类条件的聚类簇,以及利用更高阈值对释放后的人脸特征进行再次聚类,使得可以有效提高聚类簇的准确率。
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一种聚类方法的流程图;
图2示出根据本公开实施例的一种聚类方法的示意图;
图3示出根据本公开实施例的一种聚类装置的框图;
图4示出根据本公开实施例的一种电子设备的框图;
图5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一种聚类方法的流程图。该聚类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,该聚类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,可通过服务器执行该聚类方法。如图1所示,该聚类方法可以包括:
在步骤S11中,对人脸特征的第一聚类簇进行定量分析,确定第一聚类簇是否符合预设聚类条件,其中,第一聚类簇是基于第一阈值聚类得到的,预设聚类条件用于指示第一聚类簇中包括的多个人脸特征均对应同一身份。
在步骤S12中,在第一聚类簇不符合预设聚类条件的情况下,释放第一聚类簇中包括的多个人脸特征。
在步骤S13中,基于第二阈值,对多个人脸特征进行聚类,确定第二聚类簇,其中,第二阈值大于第一阈值。
通过释放不满足预设聚类条件的聚类簇,以及利用更高阈值对释放后的人脸特征进行再次聚类,使得可以有效提高聚类簇的准确率。
由于视频源有着环境复杂、光线条件差、分辨率低等缺点,因此,在对视频源中的抓拍人脸图进行图像处理得到人脸特征时,会导致不同身份的人脸抓拍图得到的人脸特征的相似度很高,使得在根据人脸特征的相似度进行聚类后,不同身份的人脸特征可能会聚类到同一聚类簇,导致聚类准确率受到影响。因此,需要对聚类簇数据库中已经存在的聚类簇进行定量分析,以确保聚类准确率。
在一种可能的实现方式中,多个人脸特征中包括一个第一聚类簇对应的类中心人脸特征;对第一聚类簇进行定量分析,确定第一聚类簇是否符合预设聚类条件,包括:确定类中心人脸特征与第一聚类簇中其它人脸特征之间的余弦距离;根据类中心人脸特征与第一聚类簇中其它人脸特征之间的余弦距离,确定平均距离和标准差距离;在平均距离大于第三阈值和/或标准差距离小于第四阈值的情况下,确定第一聚类簇不符合预设聚类条件。
第一聚类簇为聚类簇数据库中已经存在的聚类簇,对第一聚类簇进行定量分析,确定第一聚类簇是否符合预设聚类条件,也即确定第一聚类簇中包括的多个人脸特征是否对应同一身份(例如,同一人)。
确定第一聚类簇的类中心人脸特征与第一聚类簇中其它人脸特征之间的余弦距离,记为Si;计算这些余弦距离的平均距离MEAN_SCORE=(S1+S2+…+Sn)/n,其中,n为第一聚类簇中除类中心人脸特征以外其它人脸特征的个数;以及计算这些余弦距离的标准差距离
在第一聚类簇中包括的人脸特征的数量较多的情况下,为了提高计算效率,可以先对第一聚类簇中类中心人脸特征以外的其它人脸特征进行采样抽取,进而确定类中心人脸特征与采样抽取的人脸特征之间的余弦距离,进而计算平均距离和标准差距离。采样条件可以根据实际情况确定,本公开对此不做具体限定。例如,由于人脸特征是根据视频源采集的人脸抓拍图得到的,人脸抓拍图具备时空信息,使得人脸特征也具备时空信息,因此,可以根据人脸特征的时空信息,对第一聚类簇中类中心人脸特征以外的其它人脸特征进行采样抽取。
在对第一聚类簇进行定量分析,得到上述平均距离和标准差距离之后,进而根据平均距离和标准差距离判断第一聚类簇是否符合预设聚类条件。当平均距离越小,标准差距离越大时,可以表示第一聚类簇中的各人脸特征的相似度越高,即第一聚类簇中包括的多个人脸特征均对应同一身份,第一聚类簇符合预设聚类条件,第一聚类簇的聚类准确率越高。也就是说,当平均距离越大,标准差距离越小时,第一聚类簇的聚类准确率越低。
因此,在平均距离大于第三阈值和/或标准差距离小于第四阈值的情况下,确定第一聚类簇不符合预设聚类条件,第一聚类簇的聚类准确率较低。
为了提高聚类准确率,释放不符合预设聚类条件的第一聚类簇中的多个人脸特征。若第一聚类簇是采用第一阈值聚类得到的(第一聚类簇中包括的各人脸特征之间的相似度大于第一阈值),则采用比第一阈值更高的第二阈值对多个人脸特征进行再次聚类,得到第二聚类簇(第二聚类簇中包括的各人脸特征之间的相似度大于第二阈值),从而可以有效提高聚类准确率。
图2示出根据本公开实施例的一种聚类方法的示意图。聚类簇释放可以以定时任务的方式周期性地对聚类簇数据库中已有的第一聚类簇执行上述定量分析、释放、重新聚类的操作。如图2所示,基于任务调度器执行聚类簇释放任务,读取聚类簇数据库中的第一聚类簇,进而执行上述对第一聚类簇进行定量分析、释放、重新聚类的操作,然后将新聚类得到的第二聚类簇返回聚类簇数据库。
在一种可能的实现方式中,还包括:根据第二聚类簇和/或符合预设聚类条件的第一聚类簇,确定N个已知聚类簇,其中,N≥1;根据N个已知聚类簇,对待聚类人脸特征进行分类。
在对聚类簇数据库中的第一聚类簇执行完上述定量分析之后,聚类簇数据库中包括符合预设聚类条件的第一聚类簇(也即定量分析后未释放的第一聚类簇)和/或新聚类的第二聚类簇,将这些聚类簇统称为聚类簇数据库中的N个已知聚类簇。利用聚类簇数据库中的N个已知聚类簇,可以对待聚类人脸特征进行分类,以提高人脸聚类效率。
在一种可能的实现方式中,还包括:对N个已知聚类簇对应的类中心人脸特征进行聚类,得到类中心聚类簇;将类中心聚类簇中包括的各类中心人脸特征对应的已知聚类簇进行合并。
由于视频源有着环境复杂、光线条件差、分辨率低等缺点,因此,在对视频源中的抓拍人脸图进行图像处理得到人脸特征时,会导致同一身份的人脸抓拍图得到的人脸特征的相似度很低,使得在根据人脸特征的相似度进行聚类后,同一身份的人脸特征可能会聚类到不同聚类簇,导致聚类准确率受到影响。因此,需要对聚类簇数据库中已经存在的对应同一身份的聚类簇进行合并,以确保聚类准确率。
确定对N个已知聚类簇对应的类中心人脸特征之间的欧式距离,利用k近邻算法,得到欧式距离最近的k个类中心人脸特征,进而计算该k个类中心人脸特征之间的余弦距离,进而利用余弦距离,利用Spark GraphX连通图算法,构造点集、边集,进而获得连通子集,从而得到类中心聚类簇。类中心聚类簇中包括的多个类中心人脸特征可以确定对应同一身份,进而将类中心聚类簇中包括的各类中心人脸特征对应的已知聚类簇进行合并,即实现同一身份的人脸特征的不同聚类簇之间的合并,从而可以有效提高聚类准确率。
聚类簇合并也可以以定时任务的方式周期性地对聚类簇数据库中的N个已知聚类簇执行上述类中心人脸特征的聚类、聚类簇合并的操作。仍以上述图2为例,如图2所示,基于任务调度器执行聚类簇合并任务,读取聚类簇数据库中N个已知聚类簇对应的类中心人脸特征,执行上述类中心人脸特征的聚类操作,得到类中心人脸聚类簇,进而根据类中心人脸聚类簇,在聚类簇数据库中,对类中心聚类簇中包括的各类中心人脸特征对应的已知聚类簇进行合并。
在一种可能的实现方式中,根据N个已知聚类簇,对待聚类人脸特征进行分类,包括:确定N个已知聚类簇中是否存在目标已知聚类簇,其中,待聚类人脸特征与目标已知聚类簇对应的类中心人脸特征之间的余弦距离小于第五阈值;在N个已知聚类簇中存在目标已知聚类簇的情况下,将待聚类人脸特征分类到目标已知聚类簇。
城市级别的常住人口是固定的,也就意味着智能视频抓拍系统运行一段时间后,聚类簇数据库中总的聚类簇是较为稳定的,也就意味着每天产生的人脸抓怕图对应的人脸特征会有大部分可以直接被分类到聚类簇数据库中已经存在的的N个已知聚类簇中。因此,首先根据聚类簇数据库中的N个已知聚类簇,对待聚类人脸特征进行分类,而无需直接执行聚类操作,从而可以提高聚类的时效性。
仍以上述图2为例,时空库中包括根据视频源得到的新增人脸抓拍图,以及新增人脸抓拍图对应的待聚类人脸特征。基于任务调度器执行分类任务,读取时空库中的待聚类人脸特征,以及读取聚类簇数据库中N个已知聚类簇对应的类中心人脸特征。若聚类簇数据库中N个已知聚类簇对应的类中心人脸特征已经存在于图形处理器(GPU,GraphicsProcessing Unit)的显存中,则任务调度器调度GPU直接从显存中读取N个已知聚类簇对应的类中心人脸特征,而无需从聚类簇数据库中进行读取。进而根据N个已知聚类簇对应的类中心人脸特征,判断N个已知聚类簇是否存在目标已知聚类簇。
在一种可能的实现方式中,确定N个已知聚类簇中是否存在目标已知聚类簇,包括:利用k近邻算法,在N个已知聚类簇对应的类中心人脸特征中,确定与待聚类人脸特征的欧式距离最近的k个类中心人脸特征,其中,N≥k≥1;分别确定待聚类人脸特征与k个类中心人脸特征之间的余弦距离;将余弦距离小于第五阈值的类中心人脸特征对应的已知聚类簇确定为目标已知聚类簇。
分别确定待聚类人脸特征与N个已知聚类簇对应的类中心人脸特征之间的欧式距离,利用k近邻算法,得到欧式距离最近的k个类中心人脸特征,得到与待聚类人脸特征的欧式距离最近的k个类中心人脸特征。为了进一步精确距离结果,分别确定待聚类人脸特征与k个类中心人脸特征之间的余弦距离,进而判断是否存在与待聚类人脸特征的余弦距离小于第五阈值的类中心人脸特征,若存在,则将与待聚类人脸特征的余弦距离小于第五阈值的类中心人脸特征对应的已知聚类簇确定为目标已知聚类簇。其中,目标已知聚类簇与待聚类人脸特征之间的余弦距离小于第五阈值,表示目标已知聚类簇与待聚类人脸特征之间的相似度较高,可以聚类到相同聚类簇。因此,在确定目标已知聚类簇后,将待聚类人脸特征分类到聚类簇数据库中的目标已知聚类簇。
在一种可能的实现方式中,还包括:更新N个已知聚类簇中包括的多个人脸特征;针对任一已知聚类簇,根据已知聚类簇对应的更新后的多个人脸特征,更新已知聚类簇对应的类中心人脸特征。
由于时空库中不停新增待聚类人脸特征,任务调度器不断执行分类任务,使得聚类簇数据库中的N个已知聚类簇是不停变化的。因此,根据分类任务结果,更新N个已知聚类簇中包括的多个人脸特征。例如,针对某一已知聚类簇,在一次分类任务之后,增加了新的人脸特征。
考虑到已知聚类簇的不断更新,为了确保已知聚类簇对应的类中心人脸特征的准确性,根据已知聚类簇对应的更新后的多个人脸特征,定期重新训练已知聚类簇对应的类中心人脸特征。
在一种可能的实现方式中,还包括:在N个已知聚类簇中不存在目标已知聚类簇的情况下,将待聚类人脸特征确定为未分类人脸特征;利用k近邻算法和图连接算法,对预设时长下的多个未分类人脸特征进行聚类,确定新增聚类簇。
在执行上述分类任务时,若N个已知聚类簇中不存在目标已知聚类簇,则表示待聚类人脸特征无法分类到聚类簇数据库中已经存在的N个已知聚类簇,将待聚类人脸特征确定为未分类人脸特征。在预设时长内积累了多个未分类人脸特征之后,基于任务调度器执行聚类操作。
仍以上述图2为例,基于任务调度器执行聚类操作,对预设时长下的多个未分类人脸特征进行聚类,确定新增聚类簇,并将新增聚类簇以及新增聚类簇中包括的人脸特征发送到聚类簇数据库中。
确定多个未分类人脸特征之间的欧式距离,利用k近邻算法,得到欧式距离最近的k未分类人脸特征,进而计算该k个未分类人脸特征之间的余弦距离,进而利用余弦距离,利用Spark GraphX连通图算法,构造点集、边集,进而获得连通子集,从而得到新增聚类簇。
在一种可能的实现方式中,还包括:根据新增聚类簇,更新N个已知聚类簇。
随着聚类任务的执行,聚类簇数据库中加入了新增聚类簇,进而可以根据新增聚类簇,更新N个已知聚类簇。例如,聚类任务执行之前N个已知聚类簇为6个已知聚类簇,聚类任务得到2个新增聚类簇发送到聚类簇数据库,因此,更新后的N个已知聚类簇为8个已知聚类簇,进而可以利用更新后的8个已知聚类簇继续执行后续分类任务。
在一种可能的实现方式中,时空库根据视频源得到人脸抓拍图,以及根据人脸抓拍图得到对应的人脸特征之后,对人脸特征构建对应的特征索引,便于后续基于特征索引查询人脸特征。由于聚类簇数据库中的N个已知聚类簇中包括的人脸特征均来自于时空库,因此,可以根据各已知聚类簇中包括的各人脸特征对应的特征索引,为各已知聚类簇构建聚类簇索引,便于后续基于聚类簇索引查询已知聚类簇,进而得到该已知聚类簇对应的各人脸特征。当聚类簇数据库中的N个已知聚类簇发生更新之后,可以进一步根据更新后各已知聚类簇中包括的各人脸特征对应的特征索引,更新各已知聚类簇对应的聚类簇索引。
公安行业在利用人脸特征对应的聚类簇分析用户的轨迹时,是希望用户的轨迹及时出现在人的档案中的,即对聚类时效性有一定的要求,采用上述执行分类任务和聚类任务结合的方式,可以提高待聚类人脸特征的聚类时效性,从而能够更全面的研判轨迹。
公安行业在研判案件时,是不希望一个人的档案中混杂其他人的轨迹,或多个档案中对应同一个人的轨迹的,即对聚类准确率有一定的要求,采用上述执行聚类簇释放任务和聚类簇合并任务的方式,可以提高聚类准确率,从而能够更准确的研判案件。
在本公开实施例中,对基于第一阈值聚类得到的人脸特征的第一聚类簇进行定量分析,确定第一聚类簇是否符合预设聚类条件,预设聚类条件用于指示第一聚类簇中包括的多个人脸特征均对应同一身份,在第一聚类簇不符合预设聚类条件的情况下,释放第一聚类簇中包括的多个人脸特征,以及基于大于第一阈值的第二阈值,对释放后的多个人脸特征进行聚类,确定第二聚类簇。通过释放不满足预设聚类条件的聚类簇,以及利用更高阈值对释放后的人脸特征进行再次聚类,使得可以有效提高聚类簇的聚类准确率。
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,本公开还提供了聚类装置、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聚类方法,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3示出根据本公开实施例的聚类装置的框图。如图3所示,装置30包括:
定量分析模块31,用于对人脸特征的第一聚类簇进行定量分析,确定第一聚类簇是否符合预设聚类条件,其中,第一聚类簇是基于第一阈值聚类得到的,预设聚类条件用于指示第一聚类簇中包括的多个人脸特征均对应同一身份;
释放模块32,用于在第一聚类簇不符合预设聚类条件的情况下,释放第一聚类簇中包括的多个人脸特征;
聚类模块33,用于基于第二阈值,对多个人脸特征进行聚类,确定第二聚类簇,其中,第二阈值大于第一阈值。
在一种可能的实现方式中,多个人脸特征中包括一个第一聚类簇对应的类中心人脸特征;
定量分析模块31,包括:
第一确定子模块,用于确定类中心人脸特征与第一聚类簇中其它人脸特征之间的余弦距离;
第二确定子模块,用于根据类中心人脸特征与第一聚类簇中其它人脸特征之间的余弦距离,确定平均距离和标准差距离;
第三确定子模块,用于在平均距离大于第三阈值和/或标准差距离小于第四阈值的情况下,确定第一聚类簇不符合预设聚类条件。
在一种可能的实现方式中,装置30包括:
第一确定模块,用于根据第二聚类簇和/或符合预设聚类条件的第一聚类簇,确定N个已知聚类簇,其中,N≥1;
分类模块,用于根据N个已知聚类簇,对待聚类人脸特征进行分类。
在一种可能的实现方式中,
聚类模块33,还用于对N个已知聚类簇对应的类中心人脸特征进行聚类,得到类中心聚类簇;
装置30还包括:
合并模块,用于将类中心聚类簇中包括的各类中心人脸特征对应的已知聚类簇进行合并。
在一种可能的实现方式中,分类模块,包括:
第四确定子模块,用于确定N个已知聚类簇中是否存在目标已知聚类簇,其中,待聚类人脸特征与目标已知聚类簇对应的类中心人脸特征之间的余弦距离小于第五阈值;
分类子模块,用于在N个已知聚类簇中存在目标已知聚类簇的情况下,将待聚类人脸特征分类到目标已知聚类簇。
在一种可能的实现方式中,第四确定子模块,包括:
第一确定单元,用于利用k近邻算法,在N个已知聚类簇对应的类中心人脸特征中,确定与待聚类人脸特征的欧式距离最近的k个类中心人脸特征,其中,N≥k≥1;
第二确定单元,用于分别确定待聚类人脸特征与k个类中心人脸特征之间的余弦距离;
第三确定单元,用于将余弦距离小于第五阈值的类中心人脸特征对应的已知聚类簇确定为目标已知聚类簇。
在一种可能的实现方式中,装置30还包括:
第一更新模块,用于更新N个已知聚类簇中包括的多个人脸特征;
第二更新模块,用于针对任一已知聚类簇,根据已知聚类簇对应的更新后的多个人脸特征,更新已知聚类簇对应的类中心人脸特征。
在一种可能的实现方式中,装置30还包括:
第二确定模块,用于在N个已知聚类簇中不存在目标已知聚类簇的情况下,将待聚类人脸特征确定为未分类人脸特征;
聚类模块33,还用于利用k近邻算法和图连接算法,对预设时长下的多个未分类人脸特征进行聚类,确定新增聚类簇。
在一种可能的实现方式中,装置30还包括:
第三更新模块,用于根据新增聚类簇,更新N个已知聚类簇。
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聚类方法的指令。
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聚类方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备的框图。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4,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,如互补金属氧化物半导体(CMOS)或电荷耦合装置(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,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(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5示出根据本公开实施例的一种电子设备的框图。如图5所示,电子设备1900可以被提供为一服务器。参照图5,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,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(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 (12)
1.一种聚类方法,其特征在于,包括:
对人脸特征的第一聚类簇进行定量分析,确定所述第一聚类簇是否符合预设聚类条件,其中,所述第一聚类簇是基于第一阈值聚类得到的,所述预设聚类条件用于指示所述第一聚类簇中包括的多个人脸特征均对应同一身份;
在所述第一聚类簇不符合所述预设聚类条件的情况下,释放所述第一聚类簇中包括的所述多个人脸特征;
基于第二阈值,对所述多个人脸特征进行聚类,确定第二聚类簇,其中,所述第二阈值大于所述第一阈值。
2.根据权利要求1所述的方法,其特征在于,所述多个人脸特征中包括一个所述第一聚类簇对应的类中心人脸特征;
所述对第一聚类簇进行定量分析,确定所述第一聚类簇是否符合预设聚类条件,包括:
确定所述类中心人脸特征与所述第一聚类簇中其它所述人脸特征之间的余弦距离;
根据所述类中心人脸特征与所述第一聚类簇中其它所述人脸特征之间的余弦距离,确定平均距离和标准差距离;
在所述平均距离大于第三阈值和/或所述标准差距离小于第四阈值的情况下,确定所述第一聚类簇不符合所述预设聚类条件。
3.根据所述权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据所述第二聚类簇和/或符合所述预设聚类条件的所述第一聚类簇,确定N个已知聚类簇,其中,N≥1;
根据所述N个已知聚类簇,对待聚类人脸特征进行分类。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
对所述N个已知聚类簇对应的类中心人脸特征进行聚类,得到类中心聚类簇;
将所述类中心聚类簇中包括的各类中心人脸特征对应的所述已知聚类簇进行合并。
5.根据权利要求3或4所述的方法,其特征在于,所述根据所述N个已知聚类簇,对待聚类人脸特征进行分类,包括:
确定所述N个已知聚类簇中是否存在目标已知聚类簇,其中,所述待聚类人脸特征与所述目标已知聚类簇对应的类中心人脸特征之间的余弦距离小于第五阈值;
在所述N个已知聚类簇中存在所述目标已知聚类簇的情况下,将所述待聚类人脸特征分类到所述目标已知聚类簇。
6.根据权利要求5所述的方法,其特征在于,所述确定所述N个已知聚类簇中是否存在目标已知聚类簇,包括:
利用k近邻算法,在所述N个已知聚类簇对应的类中心人脸特征中,确定与所述待聚类人脸特征的欧式距离最近的k个类中心人脸特征,其中,N≥k≥1;
分别确定所述待聚类人脸特征与所述k个类中心人脸特征之间的余弦距离;
将余弦距离小于所述第五阈值的类中心人脸特征对应的已知聚类簇确定为所述目标已知聚类簇。
7.根据权利要求3至6中任一项所述的方法,其特征在于,所述方法还包括:
更新所述N个已知聚类簇中包括的多个人脸特征;
针对任一所述已知聚类簇,根据所述已知聚类簇对应的更新后的多个人脸特征,更新所述已知聚类簇对应的类中心人脸特征。
8.根据权利要求5至7任一项所述的方法,其特征在于,所述方法还包括:
在所述N个已知聚类簇中不存在所述目标已知聚类簇的情况下,将所述待聚类人脸特征确定为未分类人脸特征;
利用k近邻算法和图连接算法,对预设时长下的多个未分类人脸特征进行聚类,确定新增聚类簇。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
根据所述新增聚类簇,更新所述N个已知聚类簇。
10.一种聚类装置,其特征在于,包括:
定量分析模块,用于对人脸特征的第一聚类簇进行定量分析,确定所述第一聚类簇是否符合预设聚类条件,其中,所述第一聚类簇是基于第一阈值聚类得到的,所述预设聚类条件用于指示所述第一聚类簇中包括的多个人脸特征均对应同一身份;
释放模块,用于在所述第一聚类簇不符合所述预设聚类条件的情况下,释放所述第一聚类簇中包括的所述多个人脸特征;
聚类模块,用于基于第二阈值,对所述多个人脸特征进行聚类,确定第二聚类簇,其中,所述第二阈值大于所述第一阈值。
11.一种电子设备,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9中任意一项所述的方法。
12.一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9中任意一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981204.3A CN112101238A (zh) | 2020-09-17 | 2020-09-17 | 聚类方法及装置、电子设备和存储介质 |
KR1020217037805A KR20220038593A (ko) | 2020-09-17 | 2021-05-25 | 클러스터링 방법 및 장치, 전자 기기 및 저장 매체 |
JP2021568974A JP2022552034A (ja) | 2020-09-17 | 2021-05-25 | クラスタリング方法及び装置、電子機器並びに記憶媒体 |
PCT/CN2021/095665 WO2022057302A1 (zh) | 2020-09-17 | 2021-05-25 | 聚类方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981204.3A CN112101238A (zh) | 2020-09-17 | 2020-09-17 | 聚类方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101238A true CN112101238A (zh) | 2020-12-18 |
Family
ID=73759836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981204.3A Pending CN112101238A (zh) | 2020-09-17 | 2020-09-17 | 聚类方法及装置、电子设备和存储介质 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2022552034A (zh) |
KR (1) | KR20220038593A (zh) |
CN (1) | CN112101238A (zh) |
WO (1) | WO2022057302A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743533A (zh) * | 2021-09-17 | 2021-12-03 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
CN113965772A (zh) * | 2021-10-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 直播视频处理方法、装置、电子设备和存储介质 |
WO2022057302A1 (zh) * | 2020-09-17 | 2022-03-24 | 浙江商汤科技开发有限公司 | 聚类方法及装置、电子设备和存储介质 |
CN116403080A (zh) * | 2023-06-09 | 2023-07-07 | 江西云眼视界科技股份有限公司 | 一种人脸聚类评价方法、系统、计算机及可读存储介质 |
CN116975595A (zh) * | 2023-07-03 | 2023-10-31 | 华南师范大学 | 一种无监督概念提取方法、装置、电子设备及存储介质 |
CN117349358A (zh) * | 2023-12-04 | 2024-01-05 | 中国电子投资控股有限公司 | 基于分布式图处理框架的数据匹配与合并的方法和系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422480B (zh) * | 2022-10-31 | 2023-03-24 | 荣耀终端有限公司 | 事件发生地区域的确定方法、设备及存储介质 |
CN115682095B (zh) * | 2022-12-30 | 2023-03-28 | 唐山大通金属制品有限公司 | 一种无线水暖变频智能控制方法及系统 |
CN117975071A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大华技术股份有限公司 | 图像聚类方法、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030210808A1 (en) * | 2002-05-10 | 2003-11-13 | Eastman Kodak Company | Method and apparatus for organizing and retrieving images containing human faces |
CN106650660A (zh) * | 2016-12-19 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及终端 |
CN109800744A (zh) * | 2019-03-18 | 2019-05-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN110807115A (zh) * | 2019-11-04 | 2020-02-18 | 浙江大华技术股份有限公司 | 人脸检索方法、装置、及存储装置 |
CN111401196A (zh) * | 2020-03-10 | 2020-07-10 | 珠海全志科技股份有限公司 | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 |
CN111652260A (zh) * | 2019-04-30 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种人脸聚类样本数量的选择方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050449B (zh) * | 2014-06-13 | 2017-09-01 | 无锡天脉聚源传媒科技有限公司 | 一种人脸识别方法及装置 |
CN112101238A (zh) * | 2020-09-17 | 2020-12-18 | 浙江商汤科技开发有限公司 | 聚类方法及装置、电子设备和存储介质 |
-
2020
- 2020-09-17 CN CN202010981204.3A patent/CN112101238A/zh active Pending
-
2021
- 2021-05-25 JP JP2021568974A patent/JP2022552034A/ja active Pending
- 2021-05-25 WO PCT/CN2021/095665 patent/WO2022057302A1/zh active Application Filing
- 2021-05-25 KR KR1020217037805A patent/KR20220038593A/ko unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030210808A1 (en) * | 2002-05-10 | 2003-11-13 | Eastman Kodak Company | Method and apparatus for organizing and retrieving images containing human faces |
CN106650660A (zh) * | 2016-12-19 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及终端 |
CN109800744A (zh) * | 2019-03-18 | 2019-05-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
CN111652260A (zh) * | 2019-04-30 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种人脸聚类样本数量的选择方法及系统 |
CN110175549A (zh) * | 2019-05-20 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 人脸图像处理方法、装置、设备及存储介质 |
CN110807115A (zh) * | 2019-11-04 | 2020-02-18 | 浙江大华技术股份有限公司 | 人脸检索方法、装置、及存储装置 |
CN111401196A (zh) * | 2020-03-10 | 2020-07-10 | 珠海全志科技股份有限公司 | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057302A1 (zh) * | 2020-09-17 | 2022-03-24 | 浙江商汤科技开发有限公司 | 聚类方法及装置、电子设备和存储介质 |
CN113743533A (zh) * | 2021-09-17 | 2021-12-03 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
CN113743533B (zh) * | 2021-09-17 | 2023-08-01 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
CN113965772A (zh) * | 2021-10-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 直播视频处理方法、装置、电子设备和存储介质 |
CN113965772B (zh) * | 2021-10-29 | 2024-05-10 | 北京百度网讯科技有限公司 | 直播视频处理方法、装置、电子设备和存储介质 |
CN116403080A (zh) * | 2023-06-09 | 2023-07-07 | 江西云眼视界科技股份有限公司 | 一种人脸聚类评价方法、系统、计算机及可读存储介质 |
CN116403080B (zh) * | 2023-06-09 | 2023-08-11 | 江西云眼视界科技股份有限公司 | 一种人脸聚类评价方法、系统、计算机及可读存储介质 |
CN116975595A (zh) * | 2023-07-03 | 2023-10-31 | 华南师范大学 | 一种无监督概念提取方法、装置、电子设备及存储介质 |
CN116975595B (zh) * | 2023-07-03 | 2024-03-26 | 华南师范大学 | 一种无监督概念提取方法、装置、电子设备及存储介质 |
CN117349358A (zh) * | 2023-12-04 | 2024-01-05 | 中国电子投资控股有限公司 | 基于分布式图处理框架的数据匹配与合并的方法和系统 |
CN117349358B (zh) * | 2023-12-04 | 2024-02-20 | 中国电子投资控股有限公司 | 基于分布式图处理框架的数据匹配与合并的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
KR20220038593A (ko) | 2022-03-29 |
WO2022057302A1 (zh) | 2022-03-24 |
JP2022552034A (ja) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101238A (zh) | 聚类方法及装置、电子设备和存储介质 | |
CN110781957B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11288531B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
WO2021036382A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
US20160314164A1 (en) | Methods and devices for sharing cloud-based business card | |
CN109344703B (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN109101542B (zh) | 图像识别结果输出方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN110796094A (zh) | 基于图像识别的控制方法及装置、电子设备和存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN113807253A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
CN110781975B (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 | |
CN110955800A (zh) | 视频检索方法及装置 | |
CN111783752A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
CN111625671A (zh) | 数据处理方法及装置、电子设备及存储介质 | |
CN110070046B (zh) | 人脸图像识别方法及装置、电子设备和存储介质 | |
CN111062407A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112131999B (zh) | 身份确定方法及装置、电子设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40043394 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |