CN112948612B - 人体封面生成方法、装置、电子设备及存储介质 - Google Patents
人体封面生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112948612B CN112948612B CN202110280614.XA CN202110280614A CN112948612B CN 112948612 B CN112948612 B CN 112948612B CN 202110280614 A CN202110280614 A CN 202110280614A CN 112948612 B CN112948612 B CN 112948612B
- Authority
- CN
- China
- Prior art keywords
- human body
- human
- images
- personnel
- clustering
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000013136 deep learning model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 210000000746 body region Anatomy 0.000 claims description 9
- 238000004138 cluster model Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000746 purification Methods 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/54—Browsing; Visualisation therefor
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了人体封面生成方法、装置、电子设备及存储介质，先按照质量评分过滤掉质量低的人体图像，可以过滤掉如清晰度较低、遮挡或截断严重、光照较暗、曝光等质量较低的人体图像；然后对过滤后的人体图像基于相似度矩阵及人体特征进行聚类，并输出聚类结果中指定人员类型的人体图像作为人体封面，可以有效过滤掉分类错误的人体图像、人脸区域图像及人体区域图像关联错误的人体图像；从而减少人体封面的错误，提高生成的人体封面的准确性；并且可以在多种包含人员档案的场景下使用，通过预设分数阈值及指定人员类型的选择，可以适应不同的提纯需求，适用性好。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及人体封面生成方法、装置、电子设备及存储介质。
背景技术
随着人们安全意识的提高及监控摄像机的普及，基于计算机视觉的人工智能监控技术得到了飞速发展，建立人员档案也逐渐成为重点部署的方向，对于维护人员、财产安全具有重要意义。而人员档案也已经由传统的人脸建档，转变为人脸人体结合建档。
相关技术中，在检测出人脸区域图像及人体区域图像后，直接对人脸区域图像及人体区域图像进行关联，建档得到人员档案。在需要使用人员档案时，输出人员档案中的人体封面，用于行为预测等。然而针对同一图像存在多个人员或图像中存在遮挡物的场景，会造成人脸区域图像与人体区域图像关联错误的情况，导致生成的人体封面错误，此外由于人脸识别算法的准确度问题，会造成人员档案中人脸区域图像错误的情况(即人员A的人脸划分到了人员B的人员档案中)，也会导致生成的人体封面错误，从而影响后续行为预测等操作的准确性。
发明内容
本申请实施例的目的在于提供一种人体封面生成方法、装置、电子设备及存储介质，以实现减少的人体封面的错误。具体技术方案如下：
第一方面，本申请实施例提供了一种人体封面生成方法，所述方法包括：
获取目标人员的人员档案，得到第一人员档案，其中，所述第一人员档案中包括多个人体图像，所述人体图像是由人脸区域图像及人体区域图像关联得到的；
利用预设人体质量评分模型计算所述第一人员档案中各人体图像的质量评分；
在所述第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；
对所述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，所述聚类结果包括至少一种人员类型；
根据所述聚类结果，输出指定人员类型的人体图像作为所述目标人员的人体封面。
在一种可能的实施方式中，所述对所述第二人员档案中的各人体图像进行聚类，得到聚类结果，包括：
分别获取所述第二人员档案中的各人体图像的目标人体特征；
分别计算所述第二人员档案中每两个人体图像间的相似度，并将计算得到的各相似度排序生成相似度矩阵；
根据所述相似度矩阵及各所述目标人体特征，对所述第二人员档案中的各人体图像进行聚类，得到聚类结果。
在一种可能的实施方式中，所述利用预设人体质量评分模型计算所述第一人员档案中各人体图像的质量评分，包括：
针对所述第一人员档案中的每一人体图像，计算该人体图像的项目评分，其中，所述项目评分包括清晰度评分、完整度评分、角度评分、光照评分中的至少一种；
针对所述第一人员档案中的每一人体图像，根据该人体图像的项目评分，得到该人体图像的质量评分。
在一种可能的实施方式中，所述预设人体质量评分模型为预先利用标注有质量评分的人体图像训练得到的深度学习模型；
所述利用预设人体质量评分模型计算所述第一人员档案中各人体图像的质量评分，包括：
将所述第一人员档案中各人体图像分别输入到所述深度学习模型中，得到所述第一人员档案中各人体图像的质量评分。
在一种可能的实施方式中，所述根据所述聚类结果，输出所述目标人员的人体图像作为所述目标人员的人体封面，包括：
根据所述聚类结果，输出人体图像数量最多的人员类型的人体图像，得到所述目标人员的人体封面；或
根据所述聚类结果，输出人体图像数量大于预设数量阈值的人员类型中的人体图像，得到所述目标人员的人体封面。
在一种可能的实施方式中，在所述获取目标人员的人员档案，得到第一人员档案之前，所述方法还包括：
对待检测图像数据进行检测，得到各人脸区域图像及各人体区域图像；
将属于同一人员的人脸区域图像划分到同一人脸档案中，将属于不同人员的人脸区域图像划分到不同的人脸档案中，得到各人脸档案；
通过预设人脸人体关联算法，分别将各人体区域图像关联相应的人脸区域图像，并在各所述人脸档案的基础上，得到各人员档案。
第二方面，本申请实施例提供了一种人体封面生成装置，所述装置包括：
第一人员档案获取模块，用于获取目标人员的人员档案，得到第一人员档案，其中，所述第一人员档案中包括多个人体图像，所述人体图像是由人脸区域图像及人体区域图像关联得到的；
质量评分确定模块，用于利用预设人体质量评分模型计算所述第一人员档案中各人体图像的质量评分；
第二人员档案获取模块，用于在所述第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；
聚类结果确定模块，用于对所述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，所述聚类结果包括至少一种人员类型；
人体封面确定模块，用于根据所述聚类结果，输出指定人员类型的人体图像作为所述目标人员的人体封面。
在一种可能的实施方式中，所述聚类结果确定模块，包括：
目标人体特征获取子模块，用于分别获取所述第二人员档案中的各人体图像的目标人体特征；
相似度矩阵确定子模块，用于分别计算所述第二人员档案中每两个人体图像间的相似度，并将计算得到的各相似度排序生成相似度矩阵；
人体图像聚类子模块，用于根据所述相似度矩阵及各所述目标人体特征，对所述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，所述聚类结果包括至少一种人员类型。
在一种可能的实施方式中，所述质量评分确定模块，具体用于：针对所述第一人员档案中的每一人体图像，计算该人体图像的项目评分，其中，所述项目评分包括清晰度评分、完整度评分、角度评分、光照评分中的至少一种；针对所述第一人员档案中的每一人体图像，根据该人体图像的项目评分，得到该人体图像的质量评分。
在一种可能的实施方式中，所述预设人体质量评分模型为预先利用标注有质量评分的人体图像训练得到的深度学习模型；
所述质量评分确定模块，具体用于：将所述第一人员档案中各人体图像分别输入到所述深度学习模型中，得到所述第一人员档案中各人体图像的质量评分。
在一种可能的实施方式中，所述人体封面确定模块，具体用于：
根据所述聚类结果，输出人体图像数量最多的人员类型的人体图像，得到所述目标人员的人体封面；或
根据所述聚类结果，输出人体图像数量大于预设数量阈值的人员类型中的人体图像，得到所述目标人员的人体封面。
在一种可能的实施方式中，所述装置还包括：
图像数据检测模块，用于对待检测图像数据进行检测，得到各人脸区域图像及各人体区域图像；
人脸档案建立模块，用于将属于同一人员的人脸区域图像划分到同一人脸档案中，将属于不同人员的人脸区域图像划分到不同的人脸档案中，得到各人脸档案；
人员档案建立模块，用于通过预设人脸人体关联算法，分别将各人体区域图像关联相应的人脸区域图像，并在各所述人脸档案的基础上，得到各人员档案。
第三方面，本申请实施例提供了一种电子设备，包括处理器及存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现本申请中任一所述的人体封面生成方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本申请中任一所述的人体封面生成方法。
本申请实施例有益效果：
本申请实施例提供的人体封面生成方法、装置、电子设备及存储介质，获取目标人员的人员档案，得到第一人员档案，其中，第一人员档案中包括多个人体图像，人体图像是由人脸区域图像及人体区域图像关联得到的；利用预设人体质量评分模型计算第一人员档案中各人体图像的质量评分；在第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；对第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，聚类结果包括至少一种人员类型；根据聚类结果，输出指定人员类型的人体图像作为目标人员的人体封面。
先按照质量评分过滤掉质量低的人体图像，可以过滤掉如清晰度较低、遮挡或截断严重、光照较暗、曝光等质量较低的人体图像；然后对过滤后的人体图像进行聚类，并输出聚类结果中指定人员类型的人体图像作为人体封面，可以有效滤掉分类错误的人体图像(即不是目标人员的人体图像，却错误的划分到了第一人员档案中)、人脸区域图像及人体区域图像关联错误的人体图像；从而减少人体封面的错误，提高生成的人体封面的准确性；并且可以在多种包含人员档案的场景下使用，通过预设分数阈值及指定人员类型的选择，可以适应不同的提纯需求，适用性好。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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。
图1为本申请实施例的人体封面生成方法的第一种示意图；
图2为本申请实施例的人体封面生成方法的第二种示意图；
图3为本申请实施例的人体封面生成方法的第三种示意图；
图4a为本申请实施例的人体封面生成方法的第四种示意图；
图4b为本申请实施例的聚类模型的训练方法的一种示意图；
图5为本申请实施例中步骤S104的一种可能的实现方式的示意图；
图6为本申请实施例的人体封面生成装置的一种示意图；
图7为本申请实施例的电子设备的一种示意图。
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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。
为了减少人体封面的错误，提高生成的人体封面的准确性，本申请实施例提供了一种人体封面生成方法，包括：获取目标人员的人员档案，得到第一人员档案，其中，第一人员档案中包括多个人体图像，人体图像是由人脸区域图像及人体区域图像关联得到的；利用预设人体质量评分模型计算第一人员档案中各人体图像的质量评分；在第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；对第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，聚类结果包括至少一种人员类型；根据聚类结果，输出指定人员类型的人体图像作为目标人员的人体封面。
在本申请实施例中，先按照质量评分过滤掉质量低的人体图像，然后对过滤后的人体图像进行聚类，并输出聚类结果中指定人员类型的人体图像作为人体封面，可以有效的将人员档案中干扰的图像过滤掉，提高生成的人体封面的准确性；并且可以在多种包含人员档案的场景下使用，可以应对不同的提纯需求，适用性好。
下面进行具体说明，参见图1，图1为本申请实施例的人体封面生成方法的一种示意图，包括：
S101，获取目标人员的人员档案，得到第一人员档案，其中，上述第一人员档案中包括多个人体图像，上述人体图像是由人脸区域图像及人体区域图像关联得到的。
本申请实施例的人体封面生成方法可以通过电子设备实现，具体的，该电子设备可以为智能摄像机、硬盘录像机、计算机或智能手机等。一个人员档案对应一个人员，目标人员可以为存在人员档案的任一人员，针对存在人员档案的每一人员，均可以执行与目标人员相同的操作。人员档案的建立方法可以参见相关技术中的人员档案建立方法，此处不再赘述。
S102，利用预设人体质量评分模型计算上述第一人员档案中各人体图像的质量评分。
预设人体质量评分模型可以根据实际情况自定义设置，人体图像的质量越高，则该人体图像的质量评分越高。例如，在其他因素相同的情况下，人体图像的清晰度越高，该人体图像的质量评分越高；例如，在其他因素相同的情况下，人体图像中人脸及人体越完整，该人体图像的质量评分越高等。一个例子中，可以利用人体图像中人体的清晰度、完整度、角度、光照中的至少一个项目来直接对该人体图像进行打分，从而得到该人体图像的质量评分。
一个例子中，可以计算人体图像中人体的清晰度、完整度、角度、光照中至少一种的项目评分，从而根据各项目评分得到该人体图像的质量评分。在一种可能的实施方式中，上述利用预设人体质量评分模型计算上述第一人员档案中各人体图像的质量评分，包括：
针对上述第一人员档案中的每一人体图像，计算该人体图像的项目评分，其中，上述项目评分包括清晰度评分、完整度评分、角度评分、光照评分中的至少一种；针对上述第一人员档案中的每一人体图像，根据该人体图像的项目评分，得到该人体图像的质量评分。
一个例子中，项目评分包括清晰度评分、完整度评分、角度评分、光照评分，针对上述第一人员档案中的每一人体图像，计算该人体图像的清晰度评分、完整度评分、角度评分、光照评分，并根据该人体图像的清晰度评分、完整度评分、角度评分、光照评分，得到该人体图像的质量评分。例如，可以对人体图像的清晰度评分、完整度评分、角度评分、光照评分进行加权平均，从而得到该人体图像的质量评分。
例如，针对第一人员档案中的每一人体图像，根据该人体图像的清晰度计算该人体图像的清晰度评分，其中，清晰度评分与清晰度正相关；根据该人体图像中人脸及人体的完整度计算完整度评分，其中，完整度评分与人脸及人体的完整度正相关；根据该人体图像中人脸的角度计算该人体图像的角度评分，其中，角度评分与人脸的角度负相关；根据该人体图像中的光照计算该人体图像的光照评分，其中，可以划分不同的光照区间，每个光照区间对应相应的光照评分，对应依据为光照区间下人脸辨识度越高则该光照区间对应相应的光照评分越高。可以对该人体图像的清晰度评分、完整度评分、角度评分、光照评分进行加权从而得到该人体图像的质量评分。一个例子中，角度评分包括俯仰角评分及朝向角评分，可以对俯仰角评分及朝向角评分加权得到角度评分。
一个例子中还可以通过预先训练的深度学习模型来获取人体图像的质量评分。在一种可能的实施方式中，上述预设人体质量评分模型为预先利用标注有质量评分的人体图像训练得到的深度学习模型；上述利用预设人体质量评分模型计算上述第一人员档案中各人体图像的质量评分，包括：将上述第一人员档案中各人体图像分别输入到上述深度学习模型中，得到上述第一人员档案中各人体图像的质量评分。
一个例子中，预先利用标注有质量评分的人体图像训练得到的深度学习模型的过程可以包括：预先获取多个样本人体图像，每个样本人体图像均标注有质量评分，选取样本人体图像输入到深度学习模型中进行分析，得到该样本人体图像的预测质量评分；利用该样本人体图像的预测质量评分与该样本人体图像标注的质量评分计算深度学习模型的损失，并根据损失调整深度学习模型的参数；选取样本人体图像继续对深度学习模型进行训练，直至深度学习模型的损失收敛或达到预测训练次数，得到预先训练的深度学习模型、
S103，在上述第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案。
预设分数阈值可以根据实际情况进行设定，预设分数阈值设置的越高对人体图像的质量要求越严格，最终得到的人体封面也会相对越准确，但是预设分数阈值不宜设置的过高，否者会造成第二人员档案中的人体图像很少，从而影响人体封面的丰富性，造成人体封面的代表范围较小。
S104，对上述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，上述聚类结果包括至少一种人员类型。
对第二人员档案中的各人体图像进行聚类，目的是将第二人员档案中同一人员的人体图像聚类到一种人员类型中，将不同人员的人体图像聚类到不同的人员类型中。但是鉴于光照、人员角度、人员表情、人员姿势等因素的不同，聚类后可能会出现同一人员对应多种人员类型的情况，例如，出现对应目标人员站姿的人员类型及对应目标人员坐姿的人员类型等。并且，虽然理论上第一人员档案中的全部人体图像应当均为同一人员(即目标人员)的人体图像，但是鉴于人脸识别算法、人体识别算法、人脸区域图像及人体区域图像关联算法的准确程度，第一人员档案中可能会存在除目标人员外的其他人员的人体图像，而由第一人员档案得到的第二人员档案中也可能会存在除目标人员外的其他人员的人体图像，从而导致聚类结果中可能会存在多种人员类型，例如对应目标人员的人员类型及对应人员A(人员A非目标人员)的人员类型。
可以通过预设特征聚类算法对第二人员档案中的各人体图像进行聚类，得到聚类结果，聚类结果包括至少一种人员类型，每一种人员类型中包括至少一人体图像。一个例子中，聚类结果中的每一人员类型对应一个类别索引。预设特征聚类算法可以为经典的聚类算法，例如GMM(Gaussian Mixture Model，高斯混合模型)、DBSCAN(Density BasedSpatial Clustering of Application with Noise，基于密度的噪声应用空间聚类)、HAC(Hierarchical Agglomerative Clustering，层次凝聚聚类)等，也可以为深度聚类算法，如基于卷积神经网络的聚类模型或者基于图卷积网络的聚类模型等。
S105，根据上述聚类结果，输出指定人员类型的人体图像作为上述目标人员的人体封面。
指定人员类型为满足预设条件的人员类型，预设条件可以根据实际情况进行设定，例如可以输出人体图像数量最多的前N个(topN)人员类型中的人体图像，作为目标人员的人体封面，或者可以输出人体图像数量大于预设数量阈值的人员类型中的人体图像，作为目标人员的人体封面。
在一种可能的实施方式中，参见图2，上述根据上述聚类结果，输出上述目标人员的人体图像作为上述目标人员的人体封面，包括：
S1051，根据上述聚类结果，输出人体图像数量最多的人员类型的人体图像，得到上述目标人员的人体封面。
输出人体图像数量最多的人员类型的人体图像，作为目标人员的人体封面，输出的人体封面为目标人员的封面图像的概率高，即生成的人体封面的准确性高。
指定人员类型可以根据实际情况进行设定，例如可以输出人体图像数量大于预设数量阈值的人员类型中的人体图像，作为目标人员的人体封面。在一种可能的实施方式中，参见图3，上述根据上述聚类结果，输出上述目标人员的人体图像作为上述目标人员的人体封面，包括：
S1052，根据上述聚类结果，输出人体图像数量大于预设数量阈值的人员类型中的人体图像，得到上述目标人员的人体封面。
预设数量阈值可以根据实际情况进行设置，预设数量阈值越大生成的人体封面的准确性高，预设数量阈值越小生成的人体封面的代表范围越广。
在本申请实施例中，先按照质量评分过滤掉质量低的人体图像，可以过滤掉存在遮挡的人体图像；然后对过滤后的人体图像进行聚类，并输出聚类结果中指定人员类型的人体图像作为人体封面，可以有效过滤掉分类错误的人体图像(即不是目标人员的人体图像，却错误的划分到了第一人员档案中)、人脸区域图像及人体区域图像关联错误的人体图像；从而提高生成的人体封面的准确性；并且可以在多种包含人员档案的场景下使用，通过预设分数阈值及指定人员类型的选择，可以适应不同的提纯需求，适用性好。
在一种可能的实施方式中，参见图4a，上述对上述第二人员档案中的各人体图像进行聚类，得到聚类结果，包括：
S1041，分别获取上述第二人员档案中的各人体图像的目标人体特征。
可以通过相关的特征提取方法，分别提取第二人员档案中各人体图像的目标人体特征。一个例子中，在构建第一人员档案的过程中，已经提取了组成人体图像的人脸区域图像及人体区域图像的图像特征，因此针对第二人员档案中的任一人体图像，直接获取组成该人体图像的人脸区域图像及人体区域图像的图像特征作为该人体图像的目标人体特征即可。
S1042，分别计算上述第二人员档案中每两个人体图像间的相似度，并将计算得到的各相似度排序生成相似度矩阵。
针对第二人员档案中每两个人体图像，均需要计算其相似度；例如，第二人员档案可以表示为P{P1,……,Pn}，计算相似度：Sij＝Similarity(Pi,Pj)，其中，Pi表示第二人员档案中第i个人体图像，Pj表示第二人员档案中第j个人体图像，Sij表示第二人员档案中第i个人体图像与第j个人体图像的相似度，Similarity(Pi,Pj)表示Pi与Pj的相似度函数，n为大于1的整数，i不等于j。
人体图像间的相似度的计算方法可以参见相关技术中的相似度计算方法，例如，可以直接计算两个人体图像间各像素的相似度，或计算两个人体图像的目标人体特征之间的相似度等。
将计算得到的各相似度排序生成相似度矩阵，各相似度的排序顺序可以根据实际情况自定义设置，一个例子中，相似度矩阵可以表示为：
其中，S11＝S22＝…＝Snn＝1。
S1043，根据上述相似度矩阵及各上述目标人体特征，对上述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，上述聚类结果包括至少一种人员类型。
利用相似度矩阵和各目标人体特征，通过预设特征聚类算法进行聚类，得到聚类结果，一个例子中，每一聚类结果对应一个类别索引。预设特征聚类算法可以为经典的聚类算法，例如GMM(Gaussian Mixture Model，高斯混合模型)、DBSCAN(Density BasedSpatial Clustering of Application with Noise，基于密度的噪声应用空间聚类)、HAC(Hierarchical Agglomerative Clustering，层次凝聚聚类)等，也可以为深度聚类算法，如基于卷积神经网络的聚类模型或者基于图卷积网络的聚类模型等。其中，基于卷积神经网络的聚类模型包括但不限于DNC(Deep Nonparametric Clustering，深度无参聚类)、DEC(Deep Embedded Clustering，深度特征嵌入聚类)、CCNN(Clustering ConvolutionalNeural Network，卷积神经网络聚类)等。图卷积神经网络的聚类模型包括但不限于DAEGC(Deep Attentional Embedded Graph Clustering，深度注意力机制的嵌入图聚类)、LGCN(Linkage Graph Convolution Network，连接性图卷积神经网络)、DA-NET(Density AwareFeature Embedding Network，密度感知特征嵌入网络)等。一种实施方式中，基于卷积神经网络的聚类模型或者基于图卷积网络的聚类模型的训练流程可以如图4b所示，样本组中包括多个样本人体特征及这些样本人体特征的相似度矩阵，将样本组输入到卷积神经网络聚类/图卷积神经网络中进行分析，得到预测聚类结果，以相关聚类算法(如K-means算法等)得到的聚类结果作为伪标签，计算预测聚类结果与伪标签表示的聚类结果的损失，并根据损失调整卷积神经网络聚类/图卷积神经网络的参数，选取样本组继续训练，直至损失收敛或达到预设的训练次数，得到训练好的基于卷积神经网络的聚类模型或者基于图卷积网络的聚类模型。
在本申请实施例中，对过滤后的人体图像基于相似度矩阵及人体特征进行聚类，并输出聚类结果中指定人员类型的人体图像作为人体封面，可以有效滤掉分类错误的人体图像、人脸区域图像及人体区域图像关联错误的人体图像；从而提高生成的人体封面的准确性。
在一种可能的实施方式中，在上述获取目标人员的人员档案，得到第一人员档案之前，参见图5，上述方法还包括：
S501，对待检测图像数据进行检测，得到各人脸区域图像及各人体区域图像。
待检测图像数据为需要建立人员档案的图像数据，可以为抓拍图像，也可以为视频数据，均在本申请的保护范围内。可以基于计算机视觉技术，例如深度学习算法等，对待检测图像数据进行人脸检测及人体检测，得到各人脸区域图像及各人体区域图像，还可以得到各人脸区域图像各自对应的人脸特征及各人体区域图像各自对应的人体特征。
S502，将属于同一人员的人脸区域图像划分到同一人脸档案中，将属于不同人员的人脸区域图像划分到不同的人脸档案中，得到各人脸档案。
可以通过相似度计算或相关的聚类算法，确定出属于同一人员的人脸区域图像划分到同一人脸档案中，而不同人员的人脸区域图像则划分到不同的人脸档案中。即，针对每个人员分别建立一个人脸档案，用于保存该人员的人脸区域图像，也即针对每个聚类得到的每个类分别建立一个人脸档案，用于保存该类中的各人脸区域图像。
S503，通过预设人脸人体关联算法，分别将各人体区域图像关联相应的人脸区域图像，并在各上述人脸档案的基础上，得到各人员档案。
可以利用预设人脸人体关联算法，将同一图像中同一人员的人体区域图像及人脸区域图像进行关联，并将人体区域图像添加到其关联的人脸区域图像的人脸档案中，得到人员档案。
在本申请实施例中，因为人脸辨识度高于人体，先建立人脸档案，能够减少人体对人员分类的影响，然后在关联人体区域图像得到人员档案，得到的人员档案的准确度高。
本申请实施例还提供了一种人体封面生成装置，参见图6，该装置包括：
第一人员档案获取模块11，用于获取目标人员的人员档案，得到第一人员档案，其中，上述第一人员档案中包括多个人体图像，上述人体图像是由人脸区域图像及人体区域图像关联得到的；
质量评分确定模块12，用于利用预设人体质量评分模型计算上述第一人员档案中各人体图像的质量评分；
第二人员档案获取模块13，用于在上述第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；
聚类结果确定模块14，用于对上述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，上述聚类结果包括至少一种人员类型；
人体封面确定模块15，用于根据上述聚类结果，输出指定人员类型的人体图像作为上述目标人员的人体封面。
在一种可能的实施方式中，上述聚类结果确定模块，包括：
目标人体特征获取子模块，用于分别获取上述第二人员档案中的各人体图像的目标人体特征；
相似度矩阵确定子模块，用于分别计算上述第二人员档案中每两个人体图像间的相似度，并将计算得到的各相似度排序生成相似度矩阵；
人体图像聚类子模块，用于根据上述相似度矩阵及各上述目标人体特征，对上述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，上述聚类结果包括至少一种人员类型。
在一种可能的实施方式中，上述质量评分确定模块，具体用于：针对上述第一人员档案中的每一人体图像，计算该人体图像的项目评分，其中，上述项目评分包括清晰度评分、完整度评分、角度评分、光照评分中的至少一种；针对上述第一人员档案中的每一人体图像，根据该人体图像的项目评分，得到该人体图像的质量评分。
在一种可能的实施方式中，上述预设人体质量评分模型为预先利用标注有质量评分的人体图像训练得到的深度学习模型；
上述质量评分确定模块，具体用于：将上述第一人员档案中各人体图像分别输入到上述深度学习模型中，得到上述第一人员档案中各人体图像的质量评分。
在一种可能的实施方式中，上述人体封面确定模块，具体用于：
根据上述聚类结果，输出人体图像数量最多的人员类型的人体图像，得到上述目标人员的人体封面。
在一种可能的实施方式中，上述人体封面确定模块，具体用于：
根据上述聚类结果，输出人体图像数量大于预设数量阈值的人员类型中的人体图像，得到上述目标人员的人体封面。
在一种可能的实施方式中，上述装置还包括：
图像数据检测模块，用于对待检测图像数据进行检测，得到各人脸区域图像及各人体区域图像；
人脸档案建立模块，用于将属于同一人员的人脸区域图像划分到同一人脸档案中，将属于不同人员的人脸区域图像划分到不同的人脸档案中，得到各人脸档案；
人员档案建立模块，用于通过预设人脸人体关联算法，分别将各人体区域图像关联相应的人脸区域图像，并在各上述人脸档案的基础上，得到各人员档案。
本申请实施例还提供了一种电子设备，包括：处理器及存储器；
上述存储器，用于存放计算机程序；
上述处理器用于执行上述存储器存放的计算机程序时，实现如下步骤：
获取目标人员的人员档案，得到第一人员档案，其中，上述第一人员档案中包括多个人体图像，上述人体图像是由人脸区域图像及人体区域图像关联得到的；
利用预设人体质量评分模型计算上述第一人员档案中各人体图像的质量评分；
在上述第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；
对上述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，上述聚类结果包括至少一种人员类型；
根据上述聚类结果，输出指定人员类型的人体图像作为上述目标人员的人体封面。
可选的，参见图7，除了上述处理器21及存储器23，本申请实施例的电子设备还包括通信接口22和通信总线24，其中，处理器21，通信接口22，存储器23通过通信总线24完成相互间的通信。
可选的，上述处理器用于执行上述存储器存放的计算机程序时，还能够实现上述任一人体封面生成方法。
上述电子设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)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。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质内存储有计算机程序，上述计算机程序被处理器执行时实现上述实施例中任一人体封面生成方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一人体封面生成方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
需要说明的是，在本文中，各个可选方案中的技术特征只要不矛盾均可组合来形成方案，这些方案均在本申请公开的范围内。诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机程序产品及存储介质的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
Claims (8)
1.一种人体封面生成方法，其特征在于，所述方法包括：
从各人员档案中获取目标人员的人员档案，得到第一人员档案，其中，所述第一人员档案中包括多个人体图像，所述人体图像是由人脸区域图像及人体区域图像关联得到的，第一人员档案中存在除目标人员外的其他人员的人体图像；
利用预设人体质量评分模型，计算所述第一人员档案中各人体图像的质量评分；
在所述第一人员档案中，过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；
对所述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，所述聚类结果包括至少一种人员类型；
根据所述聚类结果，输出指定人员类型的人体图像作为所述目标人员的人体封面；
其中，
各人员档案以如下方式获得：
对待检测图像数据进行检测，得到各人脸区域图像及各人体区域图像；
将属于同一人员的人脸区域图像划分到同一人脸档案中，将属于不同人员的人脸区域图像划分到不同的人脸档案中，得到各人脸档案；
通过预设人脸人体关联算法，分别将各人体区域图像关联相应的人脸区域图像，并在各所述人脸档案的基础上，得到各人员档案；
所述对所述第二人员档案中的各人体图像进行聚类，包括：
分别获取所述第二人员档案中的各人体图像的目标人体特征；
分别计算所述第二人员档案中每两个人体图像间的相似度，并将计算得到的各相似度排序生成相似度矩阵；
利用所述相似度矩阵及各所述目标人体特征，通过预设特征聚类算法，对所述第二人员档案中的各人体图像进行聚类，得到聚类结果；
所述根据所述聚类结果，输出指定人员类型的人体图像作为所述目标人员的人体封面，包括：
根据所述聚类结果，输出人体图像数量最多的人员类型的人体图像，得到所述目标人员的人体封面；或
根据所述聚类结果，输出人体图像数量大于预设数量阈值的人员类型中的人体图像，得到所述目标人员的人体封面。
2.根据权利要求1所述的方法，其特征在于，所述预设特征聚类算法为基于卷积神经网络的聚类模型或者基于图卷积网络的聚类模型，
所述聚类模型以如下方式训练：
将样本组输入到卷积神经网络聚类/图卷积神经网络中进行分析，得到预测聚类结果，其中，样本组中包括多个样本人体特征及这些样本人体特征的相似度矩阵，
以相关聚类算法得到的聚类结果作为伪标签，计算预测聚类结果与伪标签表示的聚类结果的损失，
根据损失调整聚类模型的模型参数，
选取样本组继续训练，直至损失收敛或达到预设的训练次数，得到训练好的聚类模型。
3.根据权利要求1所述的方法，其特征在于，所述利用预设人体质量评分模型计算所述第一人员档案中各人体图像的质量评分，包括：
针对所述第一人员档案中的每一人体图像，计算该人体图像的项目评分，其中，所述项目评分包括清晰度评分、完整度评分、角度评分、光照评分中的至少一种；
针对所述第一人员档案中的每一人体图像，根据该人体图像的项目评分，得到该人体图像的质量评分。
4.根据权利要求1所述的方法，其特征在于，所述预设人体质量评分模型为预先利用标注有质量评分的人体图像训练得到的深度学习模型；
所述利用预设人体质量评分模型计算所述第一人员档案中各人体图像的质量评分，包括：
将所述第一人员档案中各人体图像分别输入到所述深度学习模型中，得到所述第一人员档案中各人体图像的质量评分。
5.一种人体封面生成装置，其特征在于，应用于电子设备，所述装置包括：
第一人员档案获取模块，用于从各人员档案中获取目标人员的人员档案，得到第一人员档案，其中，所述第一人员档案中包括多个人体图像，所述人体图像是由人脸区域图像及人体区域图像关联得到的，第一人员档案中存在除目标人员外的其他人员的人体图像；
质量评分确定模块，用于利用预设人体质量评分模型计算所述第一人员档案中各人体图像的质量评分；
第二人员档案获取模块，用于在所述第一人员档案中过滤掉质量评分小于预设分数阈值的人体图像，得到第二人员档案；
聚类结果确定模块，用于对所述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，所述聚类结果包括至少一种人员类型；
人体封面确定模块，用于根据所述聚类结果，输出指定人员类型的人体图像作为所述目标人员的人体封面；
其中，
所述各人员档案以如下方式获得：
对待检测图像数据进行检测，得到各人脸区域图像及各人体区域图像；
将属于同一人员的人脸区域图像划分到同一人脸档案中，将属于不同人员的人脸区域图像划分到不同的人脸档案中，得到各人脸档案；
通过预设人脸人体关联算法，分别将各人体区域图像关联相应的人脸区域图像，并在各所述人脸档案的基础上，得到各人员档案；
所述聚类结果确定模块，包括：
目标人体特征获取子模块，用于分别获取所述第二人员档案中的各人体图像的目标人体特征；
相似度矩阵确定子模块，用于分别计算所述第二人员档案中每两个人体图像间的相似度，并将计算得到的各相似度排序生成相似度矩阵；
人体图像聚类子模块，用于利用所述相似度矩阵及各所述目标人体特征，通过预设特征聚类算法，对所述第二人员档案中的各人体图像进行聚类，得到聚类结果，其中，所述聚类结果包括至少一种人员类型；
所述人体封面确定模块包括：
根据所述聚类结果，输出人体图像数量最多的人员类型的人体图像，得到所述目标人员的人体封面；或
根据所述聚类结果，输出人体图像数量大于预设数量阈值的人员类型中的人体图像，得到所述目标人员的人体封面。
6.根据权利要求5所述的装置，其特征在于，所述预设特征聚类算法为基于卷积神经网络的聚类模型或者基于图卷积网络的聚类模型，
所述聚类模型以如下方式训练：
将样本组输入到卷积神经网络聚类/图卷积神经网络中进行分析，得到预测聚类结果，其中，样本组中包括多个样本人体特征及这些样本人体特征的相似度矩阵，
以相关聚类算法得到的聚类结果作为伪标签，计算预测聚类结果与伪标签表示的聚类结果的损失，
根据损失调整聚类模型的模型参数，
选取样本组继续训练，直至损失收敛或达到预设的训练次数，得到训练好的聚类模型。
7.一种电子设备，其特征在于，包括处理器及存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-4任一所述的人体封面生成方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一所述的人体封面生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110280614.XA CN112948612B (zh) | 2021-03-16 | 2021-03-16 | 人体封面生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110280614.XA CN112948612B (zh) | 2021-03-16 | 2021-03-16 | 人体封面生成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112948612A CN112948612A (zh) | 2021-06-11 |
| CN112948612B true CN112948612B (zh) | 2024-02-06 |
Family
ID=76230095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110280614.XA Active CN112948612B (zh) | 2021-03-16 | 2021-03-16 | 人体封面生成方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112948612B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113326805B (zh) * | 2021-06-24 | 2024-04-05 | 杭州海康威视数字技术股份有限公司 | 一种人体封面更新方法、装置、电子设备及存储介质 |
| CN113469280B (zh) * | 2021-07-22 | 2023-06-16 | 烽火通信科技股份有限公司 | 一种基于图神经网络的数据血缘发现方法、系统及装置 |
| CN113868454A (zh) * | 2021-09-29 | 2021-12-31 | 杭州海康威视系统技术有限公司 | 一种确定人员档案封面的方法和设备 |
| CN115065855A (zh) * | 2022-08-04 | 2022-09-16 | 广州市千钧网络科技有限公司 | 一种直播间动态封面生成方法及装置 |
| CN115953650B (zh) * | 2023-03-01 | 2023-06-27 | 杭州海康威视数字技术股份有限公司 | 特征融合模型的训练方法和装置 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955481A (zh) * | 2014-04-03 | 2014-07-30 | 小米科技有限责任公司 | 图片显示方法和装置 |
| CN104731964A (zh) * | 2015-04-07 | 2015-06-24 | 上海海势信息科技有限公司 | 基于人脸识别的人脸摘要方法、视频摘要方法及其装置 |
| WO2015089949A1 (zh) * | 2013-12-19 | 2015-06-25 | 成都品果科技有限公司 | 一种融合LBP、Gabor特征的人脸聚类方法 |
| WO2017035966A1 (zh) * | 2015-08-28 | 2017-03-09 | 百度在线网络技术（北京）有限公司 | 用于人脸图像处理的方法和装置 |
| CN107977674A (zh) * | 2017-11-21 | 2018-05-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
| CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
| CN109117803A (zh) * | 2018-08-21 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 人脸图像的聚类方法、装置、服务器及存储介质 |
| 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 |
| CN110119673A (zh) * | 2019-03-27 | 2019-08-13 | 广州杰赛科技股份有限公司 | 无感人脸考勤方法、装置、设备及存储介质 |
| CN110378314A (zh) * | 2019-05-31 | 2019-10-25 | 北京金山云网络技术有限公司 | 一种人脸区域图像归档方法、装置、电子设备及存储介质 |
| CN110427888A (zh) * | 2019-08-05 | 2019-11-08 | 北京深醒科技有限公司 | 一种基于特征聚类的人脸质量评估方法 |
| WO2019223313A1 (zh) * | 2018-05-22 | 2019-11-28 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
| CN110569777A (zh) * | 2019-08-30 | 2019-12-13 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| 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 |
| CN110942108A (zh) * | 2019-12-13 | 2020-03-31 | 深圳大学 | 人脸图像聚类方法、装置及计算机可读存储介质 |
| CN111027385A (zh) * | 2019-11-08 | 2020-04-17 | 新大陆数字技术股份有限公司 | 聚类访客统计方法、系统、设备及计算机可读存储介质 |
| CN111753923A (zh) * | 2020-07-02 | 2020-10-09 | 携程计算机技术（上海）有限公司 | 基于人脸的智能相册聚类方法、系统、设备及存储介质 |
| CN111783743A (zh) * | 2020-07-31 | 2020-10-16 | 上海依图网络科技有限公司 | 一种图像聚类方法及装置 |
| CN111814620A (zh) * | 2020-06-28 | 2020-10-23 | 浙江大华技术股份有限公司 | 人脸图像质量评价模型建立方法、优选方法、介质及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11250244B2 (en) * | 2019-03-11 | 2022-02-15 | Nec Corporation | Online face clustering |
| US20200380299A1 (en) * | 2019-05-31 | 2020-12-03 | Apple Inc. | Recognizing People by Combining Face and Body Cues |
-
2021
- 2021-03-16 CN CN202110280614.XA patent/CN112948612B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015089949A1 (zh) * | 2013-12-19 | 2015-06-25 | 成都品果科技有限公司 | 一种融合LBP、Gabor特征的人脸聚类方法 |
| CN103955481A (zh) * | 2014-04-03 | 2014-07-30 | 小米科技有限责任公司 | 图片显示方法和装置 |
| CN104731964A (zh) * | 2015-04-07 | 2015-06-24 | 上海海势信息科技有限公司 | 基于人脸识别的人脸摘要方法、视频摘要方法及其装置 |
| WO2017035966A1 (zh) * | 2015-08-28 | 2017-03-09 | 百度在线网络技术（北京）有限公司 | 用于人脸图像处理的方法和装置 |
| CN107977674A (zh) * | 2017-11-21 | 2018-05-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
| CN108875522A (zh) * | 2017-12-21 | 2018-11-23 | 北京旷视科技有限公司 | 人脸聚类方法、装置和系统及存储介质 |
| WO2019223313A1 (zh) * | 2018-05-22 | 2019-11-28 | 深圳云天励飞技术有限公司 | 一种人员档案建立方法和装置 |
| CN109117803A (zh) * | 2018-08-21 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 人脸图像的聚类方法、装置、服务器及存储介质 |
| CN110119673A (zh) * | 2019-03-27 | 2019-08-13 | 广州杰赛科技股份有限公司 | 无感人脸考勤方法、装置、设备及存储介质 |
| 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 |
| CN110378314A (zh) * | 2019-05-31 | 2019-10-25 | 北京金山云网络技术有限公司 | 一种人脸区域图像归档方法、装置、电子设备及存储介质 |
| CN110427888A (zh) * | 2019-08-05 | 2019-11-08 | 北京深醒科技有限公司 | 一种基于特征聚类的人脸质量评估方法 |
| CN110569777A (zh) * | 2019-08-30 | 2019-12-13 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| 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 |
| CN111027385A (zh) * | 2019-11-08 | 2020-04-17 | 新大陆数字技术股份有限公司 | 聚类访客统计方法、系统、设备及计算机可读存储介质 |
| CN110942108A (zh) * | 2019-12-13 | 2020-03-31 | 深圳大学 | 人脸图像聚类方法、装置及计算机可读存储介质 |
| CN111814620A (zh) * | 2020-06-28 | 2020-10-23 | 浙江大华技术股份有限公司 | 人脸图像质量评价模型建立方法、优选方法、介质及装置 |
| CN111753923A (zh) * | 2020-07-02 | 2020-10-09 | 携程计算机技术（上海）有限公司 | 基于人脸的智能相册聚类方法、系统、设备及存储介质 |
| CN111783743A (zh) * | 2020-07-31 | 2020-10-16 | 上海依图网络科技有限公司 | 一种图像聚类方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112948612A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112948612B (zh) | 人体封面生成方法、装置、电子设备及存储介质 | |
| CN111523621B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| KR102114564B1 (ko) | 학습 시스템, 학습 장치, 학습 방법, 학습 프로그램, 교사 데이터 작성 장치, 교사 데이터 작성 방법, 교사 데이터 작성 프로그램, 단말 장치 및 임계치 변경 장치 | |
| CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
| CN110969066A (zh) | 直播视频的识别方法、装置及电子设备 | |
| CN112446379B (zh) | 一种动态大场景自适应智能处理方法 | |
| CN109871821B (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 | |
| CN111783713B (zh) | 基于关系原型网络的弱监督时序行为定位方法及装置 | |
| CN109002766A (zh) | 一种表情识别方法及装置 | |
| CN111325067B (zh) | 违规视频的识别方法、装置及电子设备 | |
| JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
| CN112434744B (zh) | 一种多模态特征融合模型的训练方法及装置 | |
| CN111738120A (zh) | 人物识别方法、装置、电子设备及存储介质 | |
| CN109740621B (zh) | 一种视频分类方法、装置及设备 | |
| CN113705596A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN109522970A (zh) | 图像分类方法、装置及系统 | |
| CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
| CN111178364A (zh) | 一种图像识别方法和装置 | |
| CN111553182A (zh) | 一种船只检索方法、装置及电子设备 | |
| CN116113952A (zh) | 用于图像的属于分布内度量的分布之间的距离 | |
| CN110287361B (zh) | 一种人物图片筛选方法及装置 | |
| CN114519401A (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
| CN111507396B (zh) | 缓解神经网络对未知类样本产生错误分类的方法及装置 | |
| US20230386185A1 (en) | Statistical model-based false detection removal algorithm from images | |
| JP2019023801A (ja) | 画像認識装置、画像認識方法、及び画像認識プログラム |
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 |