CN112445925B - 聚类归档方法、装置、设备及计算机存储介质 - Google Patents

聚类归档方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN112445925B
CN112445925B CN202011334497.2A CN202011334497A CN112445925B CN 112445925 B CN112445925 B CN 112445925B CN 202011334497 A CN202011334497 A CN 202011334497A CN 112445925 B CN112445925 B CN 112445925B
Authority
CN
China
Prior art keywords
face image
hit
face
state
time
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.)
Active
Application number
CN202011334497.2A
Other languages
English (en)
Other versions
CN112445925A (zh
Inventor
周道利
陆振善
马东星
阮学武
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202011334497.2A priority Critical patent/CN112445925B/zh
Publication of CN112445925A publication Critical patent/CN112445925A/zh
Priority to PCT/CN2021/126201 priority patent/WO2022111178A1/en
Application granted granted Critical
Publication of CN112445925B publication Critical patent/CN112445925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F18/232—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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种聚类归档方法、装置、设备及计算机存储介质，该聚类归档方法包括：获取多张人脸图像的人脸特征数据，其中，人脸图像与人脸特征数据一一对应；利用人脸特征数据与预设人脸特征数据的相似度对人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列；按照预设周期对驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录人脸图像的驻留时间；将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案，其中，命中时间小于非命中时间。本申请的聚类归档方法提高了聚类归档的准确性。

Description

聚类归档方法、装置、设备及计算机存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种聚类归档方法、装置、设备及计算机存储介质。
背景技术
随着社会的进步，人脸的聚类归档被应用到很多场景中，例如小区安保，通过人脸聚类归档的方法将抓拍到的人脸图像中为小区业主的人脸图像聚类到同一档案中，将不属于小区业主的人脸图像单独聚类归档，以分析得到非小区业主来到小区的意图，提高了小区安全。
现有技术中，聚类归档的方式通常为利用抓拍人脸图像与主档所在档案中人脸图像进行特征对比，以此认定是否为同一人，若是，则归档到主档所在档案中。但存在同一人的不同人脸图像，例如ABC，A与B，B与C特征相近，A与C特征相差较远，在A作为主档的情况下，C将不能归档到A所在档案，出现同一个人的人脸图像存在于多个档案中，使得聚类归档不准确。
发明内容
本申请提供了一种聚类归档方法、装置、设备及计算机存储介质，主要解决的技术问题是如何提高聚类归档准确性的问题。
为解决上述技术问题，本申请提供了一种聚类归档方法，所述方法包括：
获取多张人脸图像的人脸特征数据，其中，所述人脸图像与所述人脸特征数据一一对应；
利用所述人脸特征数据与预设人脸特征数据之间的相似度对所述人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列，其中，所述命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度大于等于预设相似度，所述非命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度小于所述预设相似度；
按照预设周期对所述驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录所述人脸图像的驻留时间；
将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；
将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案，其中，所述命中时间小于所述非命中时间。
为解决上述技术问题，本申请还提供了一种聚类归档装置，所述装置包括：
获取单元，用于获取多张人脸图像的人脸特征数据，其中，所述人脸图像与所述人脸特征数据一一对应；
状态标注单元，用于利用所述人脸特征数据与预设人脸特征数据之间的相似度对所述人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列，其中，所述命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度大于等于预设相似度，所述非命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度小于所述预设相似度；
聚类单元，用于按照预设周期对所述驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录所述人脸图像的驻留时间；
归档单元，用于将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；
建档单元，用于将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案，其中，所述命中时间小于所述非命中时间。
为解决上述技术问题，本申请还提供了一种电子设备，所述设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的聚类归档方法。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的聚类归档方法。
本申请通过获取多张人脸图像的人脸特征数据，其中，人脸图像与人脸特征数据一一对应；利用人脸特征数据与预设人脸特征数据之间的相似度对人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列；按照预设周期对驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录人脸图像的驻留时间；将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案，其中，命中时间小于非命中时间。本申请的聚类归档方法通过对不同状态的人脸图像设定不同驻留时间，周期性地对驻留队列中不同状态的人脸图像进行聚类，将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；将状态为非命中状态驻留时间大于非命中时间的人脸图像归档至新建档案，提高了聚类归档的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的聚类归档方法第一实施例的流程示意图；
图2是图1所示的聚类归档方法中S103之后一实施例的流程示意图；
图3是图1所示的聚类归档方法中S103之后另一实施例的流程示意图；
图4是图2所示的聚类归档方法中S203之后一实施例的流程示意图；
图5是图2所示的聚类归档方法中S203之后另一实施例的流程示意图；
图6是本申请提供的聚类归档装置一实施例的结构示意图；
图7是本申请提供的电子设备一实施例的结构示意图；
图8是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。根据本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提出了一种聚类归档方法，可应用于小区安保，以维护小区安全，具体地，通过对不同状态的人脸图像设定不同驻留时间，周期性地对驻留队列中不同状态的人脸图像进行聚类，进而根据人脸图像的标注状态及对应的驻留时间对人脸图像进行归档，提高了聚类归档的准确性。请参阅图1，图1是本申请提供的聚类归档方法第一实施例的流程示意图。本实施例的聚类归档方法可应用于聚类归档装置，也可应用于具有数据处理能力的服务器。
具体而言，本实施例的聚类归档方法包括如下步骤：
S101：获取多张人脸图像的人脸特征数据。
本申请的聚类归档装置通过获取人脸图像，并对人脸图像进行特征提取，得到多张人脸图像的人脸特征数据。本实施例中聚类归档装置可通过设置于小区各处的摄像头，拍摄多张人脸图像。具体可在预设时间范围拍摄小区所在范围内所有行人的人脸图像，得到多张人脸图像。
为了快速获取多张人脸图像的人脸特征数据，本实施例的聚类归档装置可将多张人脸图像输入网络模型中，以使网络模型对输入其中的人脸图像进行特征提取，得到多张人脸图像的人脸特征数据。
S102：利用人脸特征数据与预设人脸特征数据之间的相似度对人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列。
由于拍摄人脸图像可能和聚类归档装置中主档所在档案的人脸图像为同一人脸图像，也可能和聚类归档装置中主档所在档案的人脸图像不为同一人脸图像。为了快速区分人脸图像，本实施例的聚类归档装置利用人脸图像的人脸特征数据与主档所在档案中预设人脸特征数据的相似度对人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像。其中，主档预先存储于聚类归档装置的档案中。
具体地，聚类归档装置利用人脸图像的人脸特征数据与主档所在档案中预设人脸特征数据计算拍摄人脸图像和主档所在档案中预设人脸图像的相似度，在相似度大于等于预设相似度的情况下，将拍摄人脸图像的状态标注为命中状态；在相似度小于预设相似度的情况下，将拍摄人脸图像的状态标注为非命中状态。
为了方便后续记录人脸图像的驻留时间，本实施例的聚类归档装置可将命中状态的人脸图像和非命中状态的人脸图像缓存至驻留队列中，聚类归档装置从驻留队列中取出命中状态的人脸图像和非命中状态的人脸图像的次数可代表人脸图像经历的周期。例如，聚类归档装置从驻留队列中两次取出同一人脸图像，可表示该人脸图像经历了两个周期。需要说明的是，若聚类归档装置将预设周期设为一小时，那么命中状态的人脸图像或非命中状态的人脸图像在驻留队列中的驻留时间也为一小时。
S103：按照预设周期对驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录人脸图像的驻留时间。
考虑到人脸图像的拍摄时间处于不同时间段，若将某一天所获取的所有人脸图像一次性进行归档处理，将增加处理时间及复杂性，降低了聚类准确性。对此，为了提高聚类准确性，本实施例的聚类归档装置按照预设周期对驻留队列中的人脸图像进行聚类。例如，预设周期为一小时，聚类归档装置将一天24小时获取的人脸图像分为24个周期，每次归档针对驻留队列获取的人脸图像。
并且，由于驻留队列中的人脸图像为不同行人的人脸图像，为了避免上述拍摄人脸图像与主档所在档案中预设人脸图像的相似度标注人脸图像状态后，归档出现一人多档的情况。本实施例的聚类归档装置还需对驻留队列中的人脸图像进行自比对，也就是聚类，得到多个预归档档案类。其中，聚类归档装置聚类的方式可以为K-means、KNN等，本实施例对聚类的方式不进行限定。
S104：将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案。
基于上述S102获取的人脸图像状态及S103中获取的人脸图像驻留时间，本实施例的聚类归档装置根据人脸图像的状态及人脸图像的驻留时间判断该人脸图像是否能够归档；在人脸图像的状态为命中状态且驻留时间大于命中时间的情况下，将人脸图像归档至主档所在档案。
S105：将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案。
基于上述S102获取的人脸图像状态及S103中获取的人脸图像驻留时间，本实施例的聚类归档装置根据人脸图像的状态及人脸图像的驻留时间判断该人脸图像是否能够归档；在人脸图像的状态为非命中状态且驻留时间大于非命中时间的情况下，将人脸图像归档至新建档案。其中，本实施例的聚类归档装置新建档案对人脸图像进行归档的情况表明该人脸图像不为主档所在档案中的人脸图像。在实际应用中，即新建档案中的人脸图像可能为外来人员的人脸图像。
为了提高聚类归档的准确性，本实施例的聚类归档装置设置非命中状态的人脸图像的预设驻留周期大于命中状态的人脸图像的预设驻留周期，也就是非命中状态的人脸图像的非命中时间大于命中状态的人脸图像的命中时间，以对非命中状态图像进行重复聚类归档步骤，提高对非命中状态图像的处理准确度。具体地，命中时间根据聚类归档装置的性能进行设定，命中时间越大，则聚类归档装置可缓存更多人脸图像，以提高聚类归档的准确性。非命中时间与预设周期相关，预设周期越大，命中时间越小。
上述方案中，通过对不同状态的人脸图像设定不同驻留时间，并周期性地对驻留队列中的人脸图像进行聚类，将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；将状态为非命中状态驻留时间大于非命中时间的人脸图像归档至新建档案，提高了聚类归档的准确性。
请继续参阅图2，图2是图1所示的聚类归档方法中S103之后一实施例的流程示意图。为了提高聚类归档的准确性。在上述实施例的基础上，S103之后还包括如下步骤：
S201：获取每个预归档档案类的类中心人脸图像的状态。
考虑到每个预归档档案类中可能存在命中状态的人脸图像，也可能存在非命中状态的人脸图像，但处于同一预归档档案类的命中状态的人脸图像和非命中状态的人脸图像可能为同一人脸图像，若继续按照人脸图像原本的状态进行归档，将导致归档错误。为了提高聚类归档的准确性，本实施例的聚类归档装置通过获取每个预归档档案类的类中心人脸图像的状态，以根据状态确定是否更改预归档档案类中非命中状态的人脸图像的状态为命中状态。
S202：判断类中心人脸图像的状态是否为命中状态。
基于S201中获取的类中心人脸图像的状态，聚类归档装置判断类中心人脸图像的状态是否为命中状态，若是，则执行S203将预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像；若否，则对预归档档案类中状态为非命中的人脸图像不进行状态更改，并遍历每个预归档档案类的每一人脸图像。
S203：将预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像。
上述方案中，聚类归档装置通过判断每个预归档档案类的类中心人脸图像的状态是否为命中状态，在类中心人脸图像的状态为命中状态的情况下，将预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像，以提高聚类归档的准确性。
请继续参阅图3，图3是图1所示的聚类归档方法中S103之后另一实施例的流程示意图。为了提高聚类归档的准确性。在上述实施例的基础上，S103之后还包括如下步骤：
S301：获取每个预归档档案类的非类中心人脸图像的状态。
为了提高聚类归档的准确性，本实施例的聚类归档装置还可通过获取每个预归档档案类的非类中心人脸图像的状态，进而根据人脸图像的状态确定是否更改预归档档案类中非命中状态的人脸图像的状态为命中状态。
S302：统计非类中心人脸图像状态为命中状态的命中数量。
基于S301中获取的预归档档案类的非类中心人脸图像的状态，聚类归档装置统计非类中心人脸图像状态为命中状态的命中数量，以根据命中数量确定是否更改预归档档案类中非命中状态的人脸图像的状态为命中状态。
S303：判断命中数量是否大于等于预设命中数量阈值。
本实施例的聚类归档装置基于S302中获取的命中数量，判断命中数量是否大于等于预设数量命中阈值，若是，则执行S304将预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像；若否，则对预归档档案类中状态为非命中状态的人脸图像不进行状态更改。其中，预设命中数量阈值可根据实际情况进行设定，本实施例对此不进行限定。
S304：将预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像。
上述方案中，聚类归档装置通过判断每个预归档档案类的非类中心人脸图像状态为命中状态的命中数量是否大于等于预设命中数量阈值，在命中数量大于等于预设命中数量阈值的情况下，将预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像，提高了聚类归档的准确性。
请继续参阅图4，图4是图2所示的聚类归档方法中S203之后一实施例的流程示意图。为了提高聚类归档的准确性。在上述实施例的基础上，S203之后或S304之后还包括如下步骤：
S401：遍历每个预归档档案类中的人脸图像，并判断人脸图像的标注状态是否为命中状态。
基于上述实施例中获取的多个预归档档案类，本实施例的聚类归档装置遍历每个预归档档案类中的人脸图像，并判断每一人脸图像的状态是否为命中状态，若是，则执行S402进一步判断人脸图像的驻留时间是否大于命中时间。
S402：判断命中状态的人脸图像的驻留时间是否大于命中时间。
为了提高命中状态的人脸图像的归档准确性，本实施例的聚类归档装置判断命中状态的人脸图像的驻留时间是否大于命中时间，若是，则执行S403将人脸图像归档至主档所在档案；若否，则执行S404将人脸图像转送至驻留队列，并将状态为命中状态且驻留时间小于命中时间的人脸图像的驻留时间累加一个预设周期时长，以使该命中状态的人脸图像进入下一周期的聚类归档，提高了归档准确性。
S403：将人脸图像归档至主档所在档案。
S404：将人脸图像转送至驻留队列，并将状态为命中状态且驻留时间小于命中时间的人脸图像的驻留时间累加一个预设周期时长。
上述方案中，聚类归档装置通过判断命中状态的人脸图像的驻留时间是否大于命中时间，若是，将人脸图像归档至主档所在档案；若否，将人脸图像转送至驻留队列，并将状态为命中状态且驻留时间小于命中时间的人脸图像的驻留时间累加一个预设周期时长，以使该命中状态的人脸图像进行下一周期的聚类归档。
请继续参阅图5，图5是图2所示的聚类归档方法中S203之后另一实施例的流程示意图。为了提高聚类归档的准确性。在上述实施例的基础上，S203之后或S304之后还包括如下步骤：
S501：遍历每个预归档档案类中的人脸图像，并判断人脸图像的状态是否为非命中状态。
基于上述实施例中获取的多个预归档档案类，本实施例的聚类归档装置遍历每个预归档档案类中的人脸图像，并判断每一人脸图像的状态是否为非命中状态，若是，则执行S502进一步判断非命中状态的人脸图像的驻留时间是否大于非命中时间。
S502：判断非命中状态的人脸图像的驻留时间是否大于非命中时间。
为了提高非命中状态的人脸图像的归档准确性，本实施例的聚类归档装置判断非命中状态的人脸图像的驻留时间是否大于非命中时间，若是，则执行S503将人脸图像归档至新建档案，并将人脸图像所在预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像；若否，则执行S504将人脸图像转送至驻留队列，并将状态为非命中状态且驻留时间小于非命中时间的人脸图像的驻留时间累加一个预设周期时长，以使该非命中状态的人脸图像进入下一周期的聚类归档。
S503：将人脸图像归档至新建档案，并将人脸图像所在预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像。
S504：将人脸图像转送至驻留队列，并将状态为非命中状态且驻留时间小于非命中时间的人脸图像的驻留时间累加一个预设周期时长。
上述方案中，聚类归档装置通过判断非命中状态的人脸图像的驻留时间是否大于非命中时间，若是，将人脸图像归档至新建档案，并将人脸图像所在预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像；若否，将人脸图像转送至驻留队列，并将状态为非命中状态且驻留时间小于非命中时间的人脸图像的驻留时间累加一个预设周期时长，以使该非命中状态的人脸图像进入下一周期的聚类归档，提高了聚类归档的准确性。
为实现上述实施例的聚类归档方法，本申请还提出了一种聚类归档装置，具体请参阅图6，图6是本申请提供的聚类归档装置一实施例的结构示意图。
其中，聚类归档装置600包括获取单元61、状态标注单元62、聚类单元63、归档单元64以及建档单元65。
具体地，获取单元61，用于获取多张人脸图像的人脸特征数据，其中，人脸图像与人脸特征数据一一对应。
状态标注单元62，用于利用人脸特征数据与预设人脸特征数据的相似度对人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列，其中，命中状态的人脸图像对应的人脸特征数据与预设人脸特征数据的相似度大于等于预设相似度，非命中状态的人脸图像对应的人脸特征数据与预设人脸特征数据的相似度小于预设相似度。
聚类单元63，用于按照预设周期对驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录人脸图像的驻留时间。
归档单元64，用于将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案。
建档单元65，用于将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案，其中，命中时间小于非命中时间。
为实现上述实施例的聚类归档方法，本申请提出了一种电子设备，具体请参阅图7，图7是本申请提供的电子设备一实施例的结构示意图。
电子设备700包括存储器71和处理器72，其中，存储器71和处理器72耦接。
存储器71用于存储程序数据，处理器72用于执行程序数据以实现上述实施例的聚类归档方法。
在本实施例中，处理器72还可以称为CPU(Central Processing Unit，中央处理单元)。处理器72可能是一种集成电路芯片，具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。通用处理器可以是微处理器或者该处理器72也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图8所示，计算机存储介质800用于存储程序数据81，程序数据81在被处理器执行时，用以实现如本申请方法实施例中所述的聚类归档方法。
本申请聚类归档方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。根据这样的理解，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全部或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，卡口设备的异常检测设备，或者网络设备等)或处理器(processor)执行本发明各个实施方式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-OnlyMemory)、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。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种聚类归档方法，其特征在于，所述方法包括：
获取多张人脸图像的人脸特征数据，其中，所述人脸图像与所述人脸特征数据一一对应；
利用所述人脸特征数据与预设人脸特征数据之间的相似度对所述人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列，其中，所述命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度大于等于预设相似度，所述非命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度小于所述预设相似度；
按照预设周期对所述驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录所述人脸图像的驻留时间；
将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；
将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案，其中，所述命中时间小于所述非命中时间。
2.根据权利要求1所述的方法，其特征在于，所述按照预设周期对所述驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录所述人脸图像的驻留时间的步骤之后，包括：
获取每个预归档档案类的类中心人脸图像的状态；
在所述类中心人脸图像的状态为命中状态时，将所述预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像。
3.根据权利要求1所述的方法，其特征在于，所述按照预设周期对所述驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录所述人脸图像的驻留时间的步骤之后，包括：
获取每个预归档档案类的非类中心人脸图像的状态；
在所述非类中心人脸图像状态为命中状态且命中数量大于等于预设命中数量阈值的情况下，将所述预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像。
4.根据权利要求2或3所述的方法，其特征在于，所述将所述预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像的步骤之后，包括：
遍历所述每个预归档档案类中的人脸图像，并判断所述人脸图像的状态；
在所述人脸图像的状态为命中状态的情况下，判断所述驻留时间是否大于所述命中时间；
若是，将所述人脸图像归档至主档所在档案。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若否，将所述人脸图像转送至所述驻留队列，并将所述状态为命中状态且驻留时间小于所述命中时间的人脸图像的驻留时间累加一个预设周期时长。
6.根据权利要求4所述的方法，其特征在于，所述遍历所述每个预归档档案类中的人脸图像，并判断所述人脸图像的状态的步骤之后，还包括：
在所述人脸图像的状态为非命中状态的情况下，判断所述驻留时间是否大于非命中时间；
若是，将所述人脸图像归档至新建档案，并将所述人脸图像所在预归档档案类中状态为非命中状态的人脸图像标注为状态为命中状态的人脸图像。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若否，将所述人脸图像转送至所述驻留队列，并将所述状态为非命中状态且驻留时间小于所述非命中时间的人脸图像的驻留时间累加一个预设周期时长。
8.一种聚类归档装置，其特征在于，所述装置包括：
获取单元，用于获取多张人脸图像的人脸特征数据，其中，所述人脸图像与所述人脸特征数据一一对应；
状态标注单元，用于利用所述人脸特征数据与预设人脸特征数据的相似度对所述人脸图像进行状态标注，得到命中状态的人脸图像和非命中状态的人脸图像，并缓存至驻留队列，其中，所述命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度大于等于预设相似度，所述非命中状态的人脸图像对应的人脸特征数据与所述预设人脸特征数据的相似度小于所述预设相似度；
聚类单元，用于按照预设周期对所述驻留队列中的人脸图像进行聚类，得到多个预归档档案类，并记录所述人脸图像的驻留时间；
归档单元，用于将状态为命中状态且驻留时间大于命中时间的人脸图像归档至主档所在档案；
建档单元，用于将状态为非命中状态且驻留时间大于非命中时间的人脸图像归档至新建档案，其中，所述命中时间小于所述非命中时间。
9.一种电子设备，其特征在于，所述设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～7任一项所述的聚类归档方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～7任一项所述的聚类归档方法。
CN202011334497.2A 2020-11-24 2020-11-24 聚类归档方法、装置、设备及计算机存储介质 Active CN112445925B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011334497.2A CN112445925B (zh) 2020-11-24 2020-11-24 聚类归档方法、装置、设备及计算机存储介质
PCT/CN2021/126201 WO2022111178A1 (en) 2020-11-24 2021-10-25 Clustering and archiving method, apparatus, device and computer storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011334497.2A CN112445925B (zh) 2020-11-24 2020-11-24 聚类归档方法、装置、设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112445925A CN112445925A (zh) 2021-03-05
CN112445925B true CN112445925B (zh) 2022-08-26

Family

ID=74738461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011334497.2A Active CN112445925B (zh) 2020-11-24 2020-11-24 聚类归档方法、装置、设备及计算机存储介质

Country Status (2)

Country Link
CN (1) CN112445925B (zh)
WO (1) WO2022111178A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112445925B (zh) * 2020-11-24 2022-08-26 浙江大华技术股份有限公司 聚类归档方法、装置、设备及计算机存储介质
CN113221873B (zh) * 2021-06-02 2023-02-28 浙江大华技术股份有限公司 对象隶属区域的确定方法、装置、存储介质及电子装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038069A (zh) * 2017-03-24 2017-08-11 北京工业大学 Hadoop平台下动态标签匹配DLMS调度方法
CN110765134A (zh) * 2019-10-25 2020-02-07 四川东方网力科技有限公司 档案建立方法、设备及存储介质
CN111309946A (zh) * 2020-02-10 2020-06-19 浙江大华技术股份有限公司 一种已建立档案优化方法及装置
CN111339210A (zh) * 2018-12-18 2020-06-26 杭州海康威视数字技术股份有限公司 数据聚类方法及装置
CN111507424A (zh) * 2020-04-27 2020-08-07 上海依图网络科技有限公司 一种数据处理方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5068690B2 (ja) * 2008-04-25 2012-11-07 富士フイルム株式会社 画像記録装置及び方法
CN110634174B (zh) * 2018-06-05 2023-10-10 深圳市优必选科技有限公司 一种表情动画过渡方法、系统及智能终端
CN109800674A (zh) * 2018-12-28 2019-05-24 上海依图网络科技有限公司 一种归档方法及装置
CN110059657A (zh) * 2019-04-25 2019-07-26 北京旷视科技有限公司 档案处理方法、装置、电子设备及计算机可读存储介质
CN110659373B (zh) * 2019-08-27 2022-11-08 浙江大华技术股份有限公司 图像检索的方法、设备、计算机设备和存储介质
CN112445925B (zh) * 2020-11-24 2022-08-26 浙江大华技术股份有限公司 聚类归档方法、装置、设备及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038069A (zh) * 2017-03-24 2017-08-11 北京工业大学 Hadoop平台下动态标签匹配DLMS调度方法
CN111339210A (zh) * 2018-12-18 2020-06-26 杭州海康威视数字技术股份有限公司 数据聚类方法及装置
CN110765134A (zh) * 2019-10-25 2020-02-07 四川东方网力科技有限公司 档案建立方法、设备及存储介质
CN111309946A (zh) * 2020-02-10 2020-06-19 浙江大华技术股份有限公司 一种已建立档案优化方法及装置
CN111507424A (zh) * 2020-04-27 2020-08-07 上海依图网络科技有限公司 一种数据处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向归档数据的存储管理技术研究;孙永林;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20111215;1-93 *

Also Published As

Publication number Publication date
WO2022111178A1 (en) 2022-06-02
CN112445925A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN109710780B (zh) 一种归档方法及装置
CN112445925B (zh) 聚类归档方法、装置、设备及计算机存储介质
EP2742442B1 (en) A method for detecting a copy of a reference video, corresponding apparatus for extracting a spatio-temporal signature from video data and corresponding computer readable storage medium
CN113570635B (zh) 目标运动轨迹还原方法、装置、电子设备、存储介质
CN109800318B (zh) 一种归档方法及装置
CN110532413B (zh) 基于图片匹配的信息检索方法、装置、计算机设备
CN109800329B (zh) 一种监控方法及装置
CN111768429A (zh) 一种基于卡尔曼滤波和行人重识别算法的隧道环境下行人目标跟踪方法
TWI769665B (zh) 目標資料更新方法、電子設備及電腦可讀儲存介質
CN112883765B (zh) 一种目标移动轨迹获取方法、装置、存储介质及电子设备
CN112446361A (zh) 一种训练数据的清洗方法及设备
US10268912B2 (en) Offline, hybrid and hybrid with offline image recognition
CN113850179A (zh) 图像检测方法及相关模型的训练方法、装置、设备、介质
WO2023124134A1 (zh) 档案处理方法、装置、电子设备、计算机存储介质和程序
CN112927258A (zh) 一种目标跟踪方法及装置
CN114648056A (zh) 关联方法、电子设备及计算机可读存储介质
CN111417981A (zh) 一种图像清晰度检测方法及装置
CN109815369B (zh) 一种归档方法及装置
CN112949382A (zh) 摄像头移动的检测方法及设备、电子设备
JP5923744B2 (ja) 画像検索システム、画像検索方法及び検索装置
Asatryan et al. Improved algorithm for video shot detection
CN111143626A (zh) 团伙识别方法、装置、设备及计算机可读存储介质
CN114926973B (zh) 一种视频监控方法、装置、系统、服务器及可读存储介质
Srilakshmi et al. Shot boundary detection using structural similarity index
CN117421354B (zh) 一种卫星遥感大数据集统计方法、装置及设备

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