CN113536862A - 一种聚类方法、装置、设备及存储介质 - Google Patents
一种聚类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113536862A CN113536862A CN202010316188.6A CN202010316188A CN113536862A CN 113536862 A CN113536862 A CN 113536862A CN 202010316188 A CN202010316188 A CN 202010316188A CN 113536862 A CN113536862 A CN 113536862A
- Authority
- CN
- China
- Prior art keywords
- candidate cluster
- candidate
- cluster
- clusters
- track
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 34
- 230000014759 maintenance of location Effects 0.000 claims description 22
- 239000012634 fragment Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种聚类方法、装置、设备及存储介质，其中该方法包括：获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；针对轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；通过纯净度识别网络，确定多个候选聚类簇各自对应的纯净度；根据多个候选聚类簇各自对应的纯净度，对多个候选聚类簇进行去重叠处理得到多个目标聚类簇；该目标聚类簇用于确定目标在目标场景中的运动轨迹。该方法能够提高轨迹片段的聚类纯净度，保证跨摄像头多目标跟踪任务的准确性。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种聚类方法、装置、设备及存储介质。
背景技术
近年来，目标跟踪技术一直是计算机视觉研究领域中的热点之一，其在安防监控等方面具有广泛的应用前景。目标跟踪技术可以定位目标在每帧视频图像中的位置，并基于此生成目标运动的轨迹片段。
由于单个摄像头的拍摄范围有限，目前在大中型场景(如商场、停车场、机场、游乐园等)中普遍会安置多个摄像头，以确保能够全面监控整个场景。在此类场景中进行多目标跟踪时，需要先确定场景中每个摄像头下各个目标的轨迹片段，然后对各个摄像头下各个目标的轨迹片段进行聚类，得到各个目标各自对应的聚类簇，进而针对每个目标对应的聚类簇中的轨迹片段进行跨摄像头数据关联，以得到该目标在全场景中的完整轨迹。
然而，在实际应用中，受到同一目标跨摄像头时外观变化大、目标运动轨迹复杂、跨摄像头时存在视野交叠等问题的影响，针对各个摄像头下各个目标的轨迹片段进行聚类处理时，通常难以保证聚类纯净度，即在某一目标对应的聚类簇中极有可能包括大量其他目标的轨迹片段，这种情况将严重影响最终确定的完整轨迹的准确性。
可见，如何提高轨迹片段的聚类纯净度，已成为多目标跟踪任务中亟待解决的问题。
发明内容
本申请实施例提供了一种聚类方法、装置、设备及存储介质，能够提高轨迹片段的聚类纯净度，保证跨摄像头多目标跟踪任务的准确性。
有鉴于此，本申请第一方面提供了一种聚类方法，所述方法包括：
获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；
针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；所述外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度，衡量候选聚类簇是否需要合并；所述时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系，衡量候选聚类簇是否需要合并；
通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度；
根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
可选的，通过以下方式衡量候选聚类簇是否满足所述外观相似度约束条件：
将经上一轮聚类处理得到的多个候选聚类簇两两组合，得到多个候选聚类簇组合；
针对每个候选聚类簇组合执行以下操作：
计算该候选聚类簇组合中各候选聚类簇的外观特征之间的最小余弦距离，作为该候选聚类簇组合对应的相似度；所述候选聚类簇的外观特征是根据其中包括的各个轨迹片段的外观特征确定的；
判断该候选聚类簇组合对应的相似度是否大于本轮聚类处理的外观相似度阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述外观相似度约束条件。
可选的，通过以下方式衡量候选聚类簇是否满足所述时空约束条件：
将经上一轮聚类处理得到的多个候选聚类簇两两组合，得到多个候选聚类簇组合；
针对每个候选聚类簇组合执行以下操作：
判断该候选聚类簇组合中各候选聚类簇的跨越时间是否存在重叠；所述候选聚类簇的跨越时间为其中包括的各个轨迹片段的时间戳集合；
若不存在重叠，则根据该候选聚类簇组合中各候选聚类簇的跨越时间之间的时间间隔，确定该候选聚类簇组合中的候选聚类簇是否满足时间约束条件；以及，根据该候选聚类簇组合中各候选聚类簇的预测轨迹和真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足空间约束条件；当该候选聚类簇组合中的候选聚类簇满足所述时间约束条件和所述空间约束条件时，确定该候选聚类簇组合中的候选聚类簇满足所述时空约束条件；
若存在重叠，则根据该候选聚类簇组合中各候选聚类簇在重叠时间内的轨迹片段所属的摄像头索引标识，和/或该候选聚类簇组合中各候选聚类簇在重叠时间内的真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足所述时空约束条件。
可选的，所述候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇；所述根据该候选聚类簇组合中各候选聚类簇的跨越时间之间的时间间隔，确定该候选聚类簇组合中的候选聚类簇是否满足时间约束条件，包括：
确定所述第一候选聚类簇的跨越时间和所述第二候选聚类簇的跨越时间中间隔最近的时间戳之间的时间间隔；
判断所述时间间隔是否小于本轮聚类处理的时间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述时间约束条件；
所述根据该候选聚类簇组合中各候选聚类簇的预测轨迹和真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足空间约束条件，包括：
预测所述第二候选聚类簇在所述第一候选聚类簇的跨越时间上的轨迹，作为所述第一候选聚类簇的预测轨迹；计算所述第一候选聚类簇的预测轨迹与真实轨迹之间的平均欧式距离，作为第一距离；
预测所述第一候选聚类簇在所述第二候选聚类簇的跨越时间上的轨迹，作为所述第二候选聚类簇的预测轨迹；计算所述第二候选聚类簇的预测轨迹与真实轨迹之间的平均欧式距离，作为第二距离；
计算所述第一距离与所述第二距离的平均值；
判断所述平均值是否小于本轮聚类处理的第一空间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述空间约束条件。
可选的，所述候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇；所述根据该候选聚类簇组合中各候选聚类簇在重叠时间内的轨迹片段所属的摄像头索引标识，和/或该候选聚类簇组合中各候选聚类簇的真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足所述时空约束条件，包括：
组合所述第一候选聚类簇中在所述重叠时间内的轨迹片段所属的摄像头索引标识，得到第一摄像头标识集合；组合所述第二候选聚类簇中在所述重叠时间内的轨迹片段所属的摄像头索引标识，得到第二摄像头标识集合；
若所述第一摄像头标识集合与所述第二摄像头标识集合存在交集，则确定该候选聚类簇组合中的候选聚类簇不满足所述时空约束条件；
若所述第一摄像头标识集合与所述第二摄像头标识集合不存在交集，则确定所述重叠时间内所述第一候选聚类簇的真实轨迹与所述第二候选聚类簇的真实轨迹之间的平均欧式距离，判断所述平均欧式距离是否小于本轮聚类处理的第二空间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述时空约束条件。
可选的，所述通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度，包括：
针对每个候选聚类簇，根据其中包括的轨迹片段的外观特征以及其中起始时间戳相邻的轨迹片段之间的空间距离，确定该候选聚类簇的基础特征；通过所述纯净度识别网络，根据该候选聚类簇的基础特征确定该候选聚类簇对应的纯净度。
可选的，所述根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇，包括：
根据所述多个候选聚类簇各自对应的纯净度和包括的轨迹片段长度，确定所述多个候选聚类簇各自对应的得分；
根据所述多个候选聚类簇各自对应的得分，对所述多个候选聚类簇进行降序排序；
根据所述多个候选聚类簇的排序顺序确定所述多个候选聚类簇的轨迹片段保留优先级，排序靠前的候选聚类簇的轨迹片段保留优先级高于排序靠后的候选聚类簇的轨迹片段保留优先级；
根据所述多个候选聚类簇各自的轨迹片段保留优先级，对所述多个候选聚类簇中的轨迹片段进行去重叠处理，得到所述多个目标聚类簇。
本申请第二方面提供了一种聚类装置，所述装置包括：
获取模块，用于获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；
聚类模块，用于针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；所述外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度，衡量候选聚类簇是否需要合并；所述时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系，衡量候选聚类簇是否需要合并；
纯净度识别模块，用于通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度；
去重叠模块，用于根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
本申请第三方面提供了一种设备，所述设备包括：处理器和存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于调用所述计算机程序，以执行第一方面所述的聚类方法。
本申请第四方面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用于存储计算机程序，所述计算机程序用于执行第一方面所述的聚类方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例提供了一种聚类方法，该方法对目标场景中各摄像头下各个目标的轨迹片段进行迭代聚类处理时，基于逐步放宽的外观相似度约束条件和时空约束条件，衡量上一轮聚类处理得到的各候选聚类簇是否可以进一步合并聚类，如此通过多次迭代聚类得到一系列高质量的候选聚类簇。进而，利用预先训练好的纯净度识别网络，识别在上述迭代聚类过程中得到的各个候选聚类簇各自对应的纯净度，并结合各个候选聚类簇各自对应的纯净度对各个候选聚类簇进行去重叠处理，得到一系列目标聚类簇；由于此前经历了基于外观相似度约束和时空约束这双重约束的迭代聚类，并且在去重叠过程中考虑了纯净度识别网络确定的识别结果，因此，此处得到的目标聚类簇通常具备较高的纯净度，基本能够保证同一目标的轨迹片段聚集在同一目标聚类簇，而不同目标的轨迹片段聚集在不同目标聚类簇。相应地，基于各个具有高纯净度的目标聚类簇进行多目标跟踪，能够有效地保证所确定的跟踪轨迹的准确性。
附图说明
图1为本申请实施例提供的一种聚类方法的流程示意图；
图2为本申请实施例提供的一种聚类装置的结构示意图；
图3为本申请实施例提供的服务器的结构示意图；
图4为本申请实施例提供的终端设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了提高跨摄像头多目标跟踪任务中轨迹片段的聚类纯净度，提高所确定的目标完整运动轨迹的准确性，本申请实施例提供了一种聚类方法。
在该聚类方法中，先获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；然后，针对该轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，并在迭代聚类的过程中得到多个候选聚类簇，其中，外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度衡量候选聚类簇是否需要进一步合并聚类，时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系衡量候选聚类簇是否需要进一步合并聚类；接着，通过预先训练的纯净度识别网络确定多个候选聚类簇各自对应的纯净度；进而，根据这多个候选聚类簇各自对应的纯净度，对多个候选聚类簇进行去重叠处理得到多个目标聚类簇；一个目标聚类簇可用于确定一个目标在目标场景中的运动轨迹。
上述方法先基于外观相似度约束和时空约束这双重约束进行多次迭代聚类，得到一系列高质量的候选聚类簇，然后再通过纯净度识别网络确定各候选聚类簇各自对应的纯净度，进而结合各候选聚类簇各自对应的纯净度，对各候选聚类簇进行去重叠处理，得到一系列纯净度较高的目标聚类簇，基于这些纯净度较高的目标聚类簇确定各目标在目标场景中的完整轨迹，能够有效地保证所确定的完整轨迹的准确性。
需要说明的是，本申请实施例提供的聚类方法可以应用于各类具备数据处理能力的设备，如终端设备和服务器。其中，终端设备可以包括计算机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)和智能手机等；服务器可以为应用服务器，也可以为Web服务器，具体部署时，服务器可以为独立服务器，也可以为集群服务器。
下面通过实施例对本申请提供的聚类方法进行详细介绍。
参见图1，图1为本申请实施例提供的聚类方法的流程示意图。为了便于描述，下述实施例以服务器作为执行主体为例进行介绍。如图1所示，该聚类方法包括以下步骤：
步骤101：获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合。
当服务器需要针对目标时段内的目标场景进行多目标跟踪时，服务器可以获取该目标时段内目标场景中各摄像头下各个待跟踪的目标的轨迹片段，并利用所获取的轨迹片段组成轨迹片段集合。
在一些实施例中，当服务器需要针对目标时段内的目标场景进行多目标跟踪时，服务器可以获取部署在该目标场景中的每个摄像头在该目标时段内拍摄的视频，然后在所获取的每个视频中识别各个目标的移动轨迹，得到目标时段内每个摄像头下各个目标的轨迹片段，进而利用这些轨迹片段组成轨迹片段集合。
在一些实施例中，当服务器需要针对目标时段内的目标场景进行多目标跟踪时，服务器可以直接从相关设备处获取目标时段内各摄像头下各个目标的轨迹片段。即相关设备可以预先针对目标场景中每个摄像头拍摄的视频进行多目标识别，得到每个摄像头下各个目标的轨迹片段；当服务器需要执行跨摄像头多目标跟踪任务时，可以从相关设备处获取其预先确定的目标时段内各摄像头下各个目标的轨迹片段，并利用这些轨迹片段组成轨迹片段集合。
需要说明的是，在不同的应用场景中，上述目标具体为不同的对象，例如，在行人识别的应用场景中，上述目标具体可以为待跟踪的人物，又例如，在车辆识别的应用场景中，上述目标具体可以为待跟踪的车辆。在此不对本申请中待跟踪的目标做具体限定。
在本申请实施例中，单个摄像头下的多目标跟踪结果可以表示如下：
其中，l为目标场景中部署的摄像头总数，nk为目标场景中第k个摄像头下的轨迹片段数目，
表示第k个摄像头下第i个轨迹片段；
为轨迹片段
在时间戳
的坐标，m为轨迹片段
的总时长。此处，为了保证目标场景中不同摄像头之间的时间戳同步，已预先对时间戳
进行了对齐处理。
步骤102：针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇。
服务器组合得到轨迹片段集合后，可以针对该轨迹片段集合，采用迭代超顶点(super-vertex)算法，通过逐步放松外观相似度约束条件和时空约束条件的方式进行多次迭代聚类处理，从而在迭代聚类的过程中得到一系列高质量的候选聚类簇。其中，外观相似度约束条件用于根据候选聚类簇之间的外观特征的相似度，衡量候选聚类簇是否需要进一步合并聚类；时空约束条件用于根据候选聚类簇之间的时间特征的关联关系以及空间特征的关联关系，衡量候选聚类簇是否需要进一步合并。
需要说明的是，进行第一次迭代聚类时，服务器可以将轨迹片段集合中单个轨迹片段作为待合并聚类的候选聚类簇；进行第n次迭代聚类，服务器可以将第n-1次迭代聚类后生成的候选聚类簇，作为待合并聚类的候选聚类簇。当聚类轮次达到限定的最大次数或满足收敛条件判定为聚类收敛时，停止聚类迭代，并将所有聚类轮次产生的所有候选聚类簇的集合作为最终的候选聚类簇集合。当不同轮次产生的候选聚类簇发生重复时，即包含相同的轨迹片段时，仅保留其中一个候选聚类簇，以保证最终候选聚类簇集合内每个候选聚类簇的唯一性。
在本申请实施例中，候选聚类簇可以表示为
其中，j为候选聚类簇的索引标识，K为候选聚类簇Cj中轨迹片段所属的摄像头索引标识的集合，I为Cj中轨迹片段属于第k个摄像头的轨迹片段的索引集合。在进行n次迭代聚类的过程中，当n＝1时，候选聚类簇以轨迹片段集合中的单个轨迹片段初始化；当n≠1时，此次迭代聚类依据的候选聚类簇即为经上次迭代聚类得到的各候选聚类簇，即
其中，A为第n-1次迭代聚类后生成的候选聚类簇的索引标识集合。
需要说明的是，在本申请实施例提供的技术方案中，每次迭代聚类均会依据外观相似度约束条件和时空约束条件对候选聚类簇进行合并聚类，在两个候选聚类簇同时满足外观相似度约束条件和时空约束条件的情况下，认为这两个候选聚类簇中包括的轨迹片段对应于同一目标，需要对这两个候选聚类簇进行合并聚类。并且，为了尽可能地减少所确定的候选聚类簇的数量，随着迭代聚类次数的增加，每次迭代聚类所依据的外观相似度约束条件和时空约束条件会逐渐地放松。
在实际应用中，执行每轮聚类处理之前，需要将经上一轮聚类处理得到的多个候选聚类簇两两组合，从而得到多个候选聚类簇组合；进而，针对每个候选聚类簇组合中的候选聚类簇分别判断其是否满足外观相似度约束条件和时空约束条件。
下面对衡量候选聚类簇组合中的候选聚类簇是否满足外观相似度约束条件的实现方式进行介绍。
计算候选聚类簇组合中各候选聚类簇的外观特征之间的最小余弦距离，作为该候选聚类簇组合对应的相似度，此处候选聚类簇的外观特征是根据其中包括的各个轨迹片段的外观特征确定的；然后，判断该候选聚类簇组合对应的相似度是否大于本轮聚类处理的外观相似度阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足外观相似度约束条件，若否，则确定该候选聚类簇组合中的候选聚类簇不满足外观相似度约束条件。
在本申请实施例中，可以定义候选聚类簇C的外观特征
其中，
表示候选聚类簇C中第j个轨迹片段的N维外观特征，Mk为候选聚类簇C中的轨迹片段所属的摄像头索引标识的集合。任意两个候选聚类簇Ci和Cj之间的外观相似度，可以定义为外观特征Ai和Aj之间的最小余弦距离
具体表示如下：
当
大于本轮聚类处理的外观相似度阈值τapp时，即可认为候选聚类簇Ci和Cj之间满足外观相似度约束条件。
应理解，每轮聚类处理的外观相似度阈值均可以根据实际需求进行设定，通常情况下，随着迭代聚类处理的进行，外观相似度约束条件会逐渐放松，即每轮聚类处理的外观相似度阈值会逐渐减小。本申请在此不对每轮聚类处理的外观相似度阈值做具体限定。
需要说明的是，计算外观相似度时所基于的外观特征可以为人工设定的特征、方向梯度直观图(Histogram of Oriented Gradient,HOG)特征、基于尺度不变特征变换(Scale Invariant Feature Transform，SIFT)提取的特征、通过深度学习模型提取的外观特征等等，本申请在此不对上述外观特征做具体限定。此外，在实际应用中，除了可以通过余弦距离衡量外观相似度外，还可以通过欧式距离、度量网络预测的距离等衡量外观相似度，本申请在此不对衡量外观相似度的实现方式做任何限定。
下面对衡量候选聚类簇组合中的候选聚类簇是否满足时空约束条件的实现方式进行介绍。
判断候选聚类簇组合中各候选聚类簇的跨越时间是否存在重叠，此处候选聚类簇的跨越时间实质上为其中包括的各个轨迹片段的时间戳集合。
若候选聚类簇组合中各候选聚类簇的跨越时间不存在重叠，则根据该候选聚类簇组合中各候选聚类簇的跨越时间之间的时间间隔，确定该候选聚类簇组合中的候选聚类簇是否满足时间约束条件；以及，根据该候选聚类簇组合中各候选聚类簇的预测轨迹和真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足空间约束条件；当该候选聚类簇组合中的候选聚类簇同时满足时间约束条件和空间约束条件时，可以确定该候选聚类簇组合中的候选聚类簇满足时空约束条件。
假设候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇，在该第一候选聚类簇的跨越时间与第二候选聚类簇的跨越时间不存在重叠的情况下，具体可以通过以下方式判断该第一候选聚类簇和第二候选聚类簇是否满足时间约束条件：
先确定第一候选聚类簇的跨越时间和第二候选聚类簇的跨越时间中间隔最近的时间戳之间的时间间隔；然后，判断该时间间隔是否小于本轮聚类处理的时间约束阈值，若是，则确定该候选聚类簇组合中的第一候选聚类簇和第二候选聚类簇满足时间约束条件。
应理解，每轮聚类处理的时间约束阈值均可以根据实际需求进行设定，通常情况下，随着迭代聚类处理的进行，时空约束条件会逐渐放松，即每轮聚类处理的时间约束阈值会逐渐变大。本申请在此不对每轮聚类处理的时间约束阈值做具体限定。
具体可以通过以下方式判断该第一候选聚类簇和第二候选聚类簇是否满足空间约束条件：
预测第二候选聚类簇在第一候选聚类簇的跨越时间上的轨迹，作为该第一候选聚类簇的预测轨迹，计算该第一候选聚类簇的预测轨迹与其真实轨迹之间的平均欧式距离作为第一距离；相类似地，预测第一候选聚类簇在第二候选聚类簇的跨越时间上的轨迹，作为该第二候选聚类簇的预测轨迹，计算该第二候选聚类簇的预测轨迹与其真实轨迹之间的平均欧式距离作为第二距离。进而，计算该第一距离与第二距离的平均值，并判断该平均值是否小于本轮聚类处理的第一空间约束阈值，若是，则确定该候选聚类簇组合中的第一候选聚类簇和第二候选聚类簇满足空间约束条件。
应理解，每轮聚类处理的第一空间约束阈值均可以根据实际需求进行设定，通常情况下，随着迭代聚类处理的进行，时空约束条件会逐渐放松，即每轮聚类处理的第一空间约束阈值会逐渐变大。本申请在此不对每轮聚类处理的第一空间约束阈值做具体限定。
应理解，在实际应用中，在候选聚类簇组合中各候选聚类簇的跨越时间不存在重叠的情况下，服务器可以先判断候选聚类簇组合中的候选聚类簇是否满足时间约束条件，后判断候选聚类簇组合中的候选聚类簇是否满足空间约束条件，也可以先判断候选聚类簇组合中的候选聚类簇是否满足空间约束条件，后判断候选聚类簇组合中的候选聚类簇是否满足时间约束条件，还可以同时判断候选聚类簇组合中的候选聚类簇是否满足时间约束条件和空间约束条件，在此不对时间约束条件和空间约束条件的判断顺序做任何限定。
若候选聚类簇组合中各候选聚类簇的跨越时间存在重叠，则根据该候选聚类簇组合中各候选聚类簇在重叠时间内的轨迹片段所属的摄像头索引标识，和/或该候选聚类簇组合各候选聚类簇的真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足时空约束条件。
仍假设候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇，在该第一候选聚类簇的跨越时间与第二候选聚类簇的跨越时间存在重叠的情况下，具体可以通过以下方式判断该第一候选聚类簇和第二候选聚类簇是否满足时空约束条件：
组合第一候选聚类簇中在重叠时间内的轨迹片段所属的摄像头索引标识，得到第一摄像头标识集合；组合第二候选聚类簇中在重叠时间内的轨迹片段所属的摄像头索引标识，得到第二摄像头标识集合；若该第一摄像头标识集合与该第二摄像头标识集合存在交集，则确定该候选聚类簇组合中的第一候选聚类簇和第二候选聚类簇不满足时空约束条件；若该第一摄像头标识集合与该第二摄像头标识集合不存在交集，则进一步确定重叠时间内第一候选聚类簇的真实轨迹与第二候选聚类簇的真实轨迹之间的平均欧式距离，并判断该平均欧式距离是否小于本轮聚类处理的第二空间约束阈值，若是，则确定该候选聚类簇组合中的第一候选聚类簇和第二候选聚类簇满足时空约束条件。
应理解，每轮聚类处理的第二空间约束阈值均可以根据实际需求进行设定，通常情况下，随着迭代聚类处理的进行，时空约束条件会逐渐放松，即每轮聚类处理的第二空间约束阈值会逐渐变大。本申请在此不对每轮聚类处理的第二空间约束阈值做具体限定。
作为一种示例，在本申请实施例中，候选聚类簇的跨越时间可以表示为其包含的所有轨迹片段的时间戳集合，即候选聚类簇C的跨越时间可表示为
任意两个候选聚类簇Ci和Cj之间的时间重叠可以表示为
当
时，表示候选聚类簇Ci和Cj的跨越时间不存在重叠。
此时，可以基于候选聚类簇Ci和Cj之间衔接点对的时间间隔，判断候选聚类簇Ci和Cj是否满足时间约束条件，候选聚类簇Ci和Cj之间衔接点对为集合ti和tj中时间间隔最小的两个时间戳。当衔接点对所对应的时间戳之间的差值绝对值小于时间约束阈值τt时，认为候选聚类簇Ci和Cj满足时间约束条件。
此外，本申请实施例还定义了候选聚类簇的预测轨迹与真实轨迹之间的欧式距离作为空间约束。具体的，可以根据卡尔曼滤波算法预测候选聚类簇Ci在候选聚类簇Cj的跨越时间tj上的轨迹，进而计算该预测轨迹与候选聚类簇Cj的真实轨迹间的平均欧式距离dj作为第一距离；相类似地，可以根据卡尔曼滤波算法预测候选聚类簇Cj在候选聚类簇Ci的跨越时间ti上的轨迹，进而计算该预测轨迹与候选聚类簇Ci的真实轨迹间的平均欧式距离di作为第二距离。计算di,j＝(di+dj)/2作为候选聚类簇Ci和Cj间的时空距离，当di,j小于第一空间约束阈值τd1时，认为候选聚类簇Ci和Cj满足空间约束条件。
应理解，在实际应用中，除了可以将候选聚类簇的预测轨迹与真实轨迹之间的欧式距离作为空间约束外，还可以基于其它类型的距离计算方法，基于候选聚类簇的预测轨迹与真实轨迹确定空间约束条件，本申请在此不对确定空间约束条件时使用的距离计算方法做任何限定。此外，除了可以采用卡尔曼滤波算法确定候选聚类簇的预测轨迹外，还可以采用其他轨迹预测算法，确定候选聚类簇的预测轨迹，本申请在此也不对用于确定候选聚类簇的预测轨迹的算法做任何限定。
当候选聚类簇Ci和Cj同时满足时间约束条件和空间约束条件时，可以认为候选聚类簇Ci和Cj满足时空约束条件。
当
时，表示候选聚类簇Ci和Cj的跨越时间存在重叠。
由于同一目标不会在同一时刻出现在两个空间位置，因此，此时可以先判断候选聚类簇Ci和Cj在重叠时间
内的轨迹片段所属的摄像头索引标识集合是否存在交集，若存在交集，则可确定候选聚类簇Ci和Cj在时空上发生冲突，不满足时空约束条件。
此外，本申请实施例还定义了候选聚类簇Ci和Cj在重叠时间
内的真实轨迹之间的平均欧式距离di,j作为空间约束。当该di,j小于第二空间约束阈值τd2时，可以认为候选聚类簇Ci和Cj满足时空约束条件。相类似地，此处除了可以采用两个候选聚类簇在重叠时间内的平均欧式距离作为空间约束外，也可以采用基于其它距离计算方法计算两个候选聚类簇在重叠时间内的距离，作为空间约束条件。
步骤103：通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度。
服务器经多次迭代聚类处理得到多个候选聚类簇(此处的多个候选聚类簇包括在所有轮次的迭代聚类处理中得到的候选聚类簇)后，可以进一步利用预先训练好的纯净度识别网络，识别各个候选聚类簇的各自对应的纯净度。当候选聚类簇中包括的轨迹片段均对应于同一目标时，该候选聚类簇对应的纯净度应当为1，反之，当候选聚类簇中包括的轨迹片段分别对应不同的目标时，该候选聚类簇对应的纯净度应当为0。
在一些实施例中，服务器可以针对每个候选聚类簇，根据其中包括的轨迹片段的外观特征以及其中起始时间戳相邻的轨迹片段之间的空间距离，确定该候选聚类簇的基础特征；进而，通过纯净度识别网络，根据该候选聚类簇的基础特征确定该候选聚类簇的纯净度。
作为一种示例，可以将候选聚类簇
中包括的轨迹片段按照其各自的起始时间戳
排序，则该候选聚类簇C可以表示为C＝{T1,T2,…,Tn}，其中，n为候选聚类簇C中包含的轨迹片段的个数，且
在本申请实施例中，定义轨迹片段Ti的特征表示为fi＝[ai,di-1,i]，如前文所述，轨迹片段Ti的N维外观特征可以表示为
di-1,i为轨迹片段Ti-1与轨迹片段Ti之间的空间距离(当i＝0时，d-1,0＝0)。确定出候选聚类簇C中包括的各轨迹片段的特征表达后，可以通过下式确定候选聚类簇C的基础特征φC：
作为一种示例，本申请实施例中的纯净度识别网络可以由五层全连接层构成，将上述候选聚类簇的基础特征输入该纯净度识别网络，即可相应地获得该纯净度识别网络输出的该候选聚类簇对应的纯净度，纯净度识别网络输出的纯净度通常为0到1之间的数值，纯净度越高则表示该候选聚类簇中各轨迹片段对应于同一目标的可能性越高。
应理解，在实际应用中，还可以采用其他网络结构作为本申请中的纯净度识别网络，在此不对该纯净度识别网络的具体结构做任何限定。
步骤104：根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
服务器通过纯净度识别网络确定出各个候选聚类簇各自对应的纯净度后，即可根据各个候选聚类簇各自对应的纯净度，对在步骤102中在迭代聚类过程中获得的候选聚类簇进行去重叠处理，从而得到多个纯净度较高的目标聚类簇。
在一些实施例中，服务器可以先根据各个候选聚类簇各自对应的纯净度和包括的轨迹片段长度，确定各个候选聚类簇各自对应的得分；然后，根据各个候选聚类簇各自对应的得分，对这多个候选聚类簇进行降序排序，并且根据各个候选聚类簇的排序顺序确定各个候选聚类簇的轨迹片段保留优先级，排序靠前的候选聚类簇的轨迹片段保留优先级高于排序靠后的候选聚类簇的轨迹片段保留优先级；进而，根据各个候选聚类簇各自对应的轨迹片段保留优先级，对各个候选聚类簇中包括的轨迹片段进行去重叠处理，从而得到多个目标聚类簇。
具体的，服务器可以为纯净度和轨迹片段长度分别配置对应的权重值，然后针对每个候选聚类簇，基于纯净度和轨迹片段长度各自对应的权重值，对该候选聚类簇对应的纯净度和其中包括的轨迹片段长度进行加权处理，得到该候选聚类簇对应的得分。确定出各个候选聚类簇各自对应的得分后，依据各候选聚类簇各自对应的得分对各个候选聚类簇进行降序排序，其中排序较为靠前的候选聚类簇具有较高的轨迹片段保留优先级，排序较为靠后的候选聚类簇具有较低的轨迹片段保留优先级。进而，根据各候选聚类簇各自的轨迹片段保留优先级，删除轨迹片段保留优先级较低的候选聚类簇中与轨迹片段保留优先级较高的候选聚类簇中重叠的轨迹片段。
例如，假设候选聚类簇A的轨迹片段保留优先级高于候选聚类簇B的轨迹片段保留优先级，候选聚类簇A中包括轨迹片段1、轨迹片段2和轨迹片段3，候选聚类簇B中包括轨迹片段2、轨迹片段4和轨迹片段5；由于候选聚类簇A的轨迹片段保留优先级高于候选聚类簇B的轨迹片段保留优先级，因此，在候选聚类簇A和候选聚类簇B同时包括轨迹片段2的情况下，需要保留候选聚类簇A中的轨迹片段2，去除候选聚类簇B中的轨迹片段2。
可选的，服务器得到多个目标聚类簇后，还可以基于这多个目标聚类簇确定各个目标在所述目标场景中的完整轨迹。
服务器通过候选聚类簇去重叠处理后得到多个目标聚类簇，由于目标聚类簇具有较高的纯净度，因此，可以直接基于各个目标聚类簇确定各个目标在目标场景中的完整轨迹。具体的，可以针对每个目标聚类簇，根据其中包括的轨迹片段进行跨摄像头数据关联，从而得到该目标聚类簇中的目标在目标场景中完整的运动轨迹。
上述聚类方法对目标场景中各摄像头下各个目标的轨迹片段进行迭代聚类处理时，基于逐步放宽的外观相似度约束条件和时空约束条件，衡量上一轮聚类处理得到的各候选聚类簇是否可以进一步合并聚类，如此通过多次迭代聚类得到一系列高质量的候选聚类簇。进而，利用预先训练好的纯净度识别网络，识别在上述迭代聚类过程中得到的各个候选聚类簇各自对应的纯净度，并结合各个候选聚类簇各自对应的纯净度对各个候选聚类簇进行去重叠处理，得到一系列目标聚类簇；由于此前经历了基于外观相似度约束和时空约束这双重约束的迭代聚类，并且在去重叠过程中考虑了纯净度识别网络确定的识别结果，因此，此处得到的目标聚类簇通常具备较高的纯净度，基本能够保证同一目标的轨迹片段聚集在同一目标聚类簇，而不同目标的轨迹片段聚集在不同目标聚类簇。相应地，基于各个具有高纯净度的目标聚类簇进行多目标跟踪，能够有效地保证所确定的跟踪轨迹的准确性。
本申请实施例还提供了一种聚类装置。参见图2，图2为本申请实施例提供的一种聚类装置的结构示意图，如图2所示，该装置包括：
获取模块201，用于获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；
聚类模块202，用于针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；所述外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度，衡量候选聚类簇是否需要合并；所述时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系，衡量候选聚类簇是否需要合并；
纯净度识别模块203，用于通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度；
去重叠模块204，用于根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
可选的，所述聚类模块202具体用于：
将经上一轮聚类处理得到的多个候选聚类簇两两组合，得到多个候选聚类簇组合；
针对每个候选聚类簇组合执行以下操作：
计算该候选聚类簇组合中各候选聚类簇的外观特征之间的最小余弦距离，作为该候选聚类簇组合对应的相似度；所述候选聚类簇的外观特征是根据其中包括的各个轨迹片段的外观特征确定的；
判断该候选聚类簇组合对应的相似度是否大于本轮聚类处理的外观相似度阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述外观相似度约束条件。
可选的，所述聚类模块202具体用于：
将经上一轮聚类处理得到的多个候选聚类簇两两组合，得到多个候选聚类簇组合；
针对每个候选聚类簇组合执行以下操作：
判断该候选聚类簇组合中各候选聚类簇的跨越时间是否存在重叠；所述候选聚类簇的跨越时间为其中包括的各个轨迹片段的时间戳集合；
若不存在重叠，则根据该候选聚类簇组合中各候选聚类簇的跨越时间之间的时间间隔，确定该候选聚类簇组合中的候选聚类簇是否满足时间约束条件；以及，根据该候选聚类簇组合中各候选聚类簇的预测轨迹和真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足空间约束条件；当该候选聚类簇组合中的候选聚类簇满足所述时间约束条件和所述空间约束条件时，确定该候选聚类簇组合中的候选聚类簇满足所述时空约束条件；
若存在重叠，则根据该候选聚类簇组合中各候选聚类簇在重叠时间内的轨迹片段所属的摄像头索引标识，和/或该候选聚类簇组合中各候选聚类簇在重叠时间内的真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足所述时空约束条件。
可选的，所述候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇；所述聚类模块202具体用于：
确定所述第一候选聚类簇的跨越时间和所述第二候选聚类簇的跨越时间中间隔最近的时间戳之间的时间间隔；
判断所述时间间隔是否小于本轮聚类处理的时间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述时间约束条件；
预测所述第二候选聚类簇在所述第一候选聚类簇的跨越时间上的轨迹，作为所述第一候选聚类簇的预测轨迹；计算所述第一候选聚类簇的预测轨迹与真实轨迹之间的平均欧式距离，作为第一距离；
预测所述第一候选聚类簇在所述第二候选聚类簇的跨越时间上的轨迹，作为所述第二候选聚类簇的预测轨迹；计算所述第二候选聚类簇的预测轨迹与真实轨迹之间的平均欧式距离，作为第二距离；
计算所述第一距离与所述第二距离的平均值；
判断所述平均值是否小于本轮聚类处理的第一空间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述空间约束条件。
可选的，所述候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇；所述聚类模块202具体用于：
组合所述第一候选聚类簇中在所述重叠时间内的轨迹片段所属的摄像头索引标识，得到第一摄像头标识集合；组合所述第二候选聚类簇中在所述重叠时间内的轨迹片段所属的摄像头索引标识，得到第二摄像头标识集合；
若所述第一摄像头标识集合与所述第二摄像头标识集合存在交集，则确定该候选聚类簇组合中的候选聚类簇不满足所述时空约束条件；
若所述第一摄像头标识集合与所述第二摄像头标识集合不存在交集，则确定所述重叠时间内所述第一候选聚类簇的真实轨迹与所述第二候选聚类簇的真实轨迹之间的平均欧式距离，判断所述平均欧式距离是否小于本轮聚类处理的第二空间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述时空约束条件。
可选的，所述纯净度识别模块203具体用于：
针对每个候选聚类簇，根据其中包括的轨迹片段的外观特征以及其中起始时间戳相邻的轨迹片段之间的空间距离，确定该候选聚类簇的基础特征；通过所述纯净度识别网络，根据该候选聚类簇的基础特征确定该候选聚类簇对应的纯净度。
可选的，所述去重叠模块204具体用于：
根据所述多个候选聚类簇各自对应的纯净度和包括的轨迹片段长度，确定所述多个候选聚类簇各自对应的得分；
根据所述多个候选聚类簇各自对应的得分，对所述多个候选聚类簇进行降序排序；
根据所述多个候选聚类簇的排序顺序确定所述多个候选聚类簇的轨迹片段保留优先级，排序靠前的候选聚类簇的轨迹片段保留优先级高于排序靠后的候选聚类簇的轨迹片段保留优先级；
根据所述多个候选聚类簇各自的轨迹片段保留优先级，对所述多个候选聚类簇中的轨迹片段进行去重叠处理，得到所述多个目标聚类簇。
上述聚类装置对目标场景中各摄像头下各个目标的轨迹片段进行迭代聚类处理时，基于逐步放宽的外观相似度约束条件和时空约束条件，衡量上一轮聚类处理得到的各候选聚类簇是否可以进一步合并聚类，如此通过多次迭代聚类得到一系列高质量的候选聚类簇。进而，利用预先训练好的纯净度识别网络，识别在上述迭代聚类过程中得到的各个候选聚类簇各自对应的纯净度，并结合各个候选聚类簇各自对应的纯净度对各个候选聚类簇进行去重叠处理，得到一系列目标聚类簇；由于此前经历了基于外观相似度约束和时空约束这双重约束的迭代聚类，并且在去重叠过程中考虑了纯净度识别网络确定的识别结果，因此，此处得到的目标聚类簇通常具备较高的纯净度，基本能够保证同一目标的轨迹片段聚集在同一目标聚类簇，而不同目标的轨迹片段聚集在不同目标聚类簇。相应地，基于各个具有高纯净度的目标聚类簇进行多目标跟踪，能够有效地保证所确定的跟踪轨迹的准确性。
本申请实施例还提供了一种设备，该设备具体可以是服务器或终端设备，下面将从硬件实体化的角度对本申请实施例提供的服务器和终端设备进行介绍。
参见图3，图3为本申请实施例提供的一种服务器300的结构示意图。该服务器300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在服务器300上执行存储介质330中的一系列指令操作。
服务器300还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图3所示的服务器结构。
其中，CPU 322用于执行如下步骤：
获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；
针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；所述外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度，衡量候选聚类簇是否需要合并；所述时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系，衡量候选聚类簇是否需要合并；
通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度；
根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
可选的，CPU 322还可以用于执行本申请实施例提供的聚类方法的任意一种实现方式的步骤。
参见图4，图4为本申请实施例提供的一种终端设备的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括计算机、平板电脑、个人数字助理(英文全称：Personal DigitalAssistant，英文缩写：PDA)等任意终端设备，以终端为计算机为例：
图4示出的是与本申请实施例提供的终端相关的计算机的部分结构的框图。参考图4，计算机包括：射频(英文全称：Radio Frequency，英文缩写：RF)电路410、存储器420、输入单元430、显示单元440、传感器450、音频电路460、无线保真(英文全称：wirelessfidelity，英文缩写：WiFi)模块470、处理器480、以及电源490等部件。本领域技术人员可以理解，图4中示出的计算机结构并不构成对计算机的限定，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。
存储器420可用于存储软件程序以及模块，处理器480通过运行存储在存储器420的软件程序以及模块，从而执行计算机的各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器480是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器420内的软件程序和/或模块，以及调用存储在存储器420内的数据，执行计算机的各种功能和处理数据，从而对计算机进行整体监控。可选的，处理器480可包括一个或多个处理单元；优选的，处理器480可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器480中。
在本申请实施例中，该终端所包括的处理器480还具有以下功能：
获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；
针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；所述外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度，衡量候选聚类簇是否需要合并；所述时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系，衡量候选聚类簇是否需要合并；
通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度；
根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
可选的，所述处理器480还用于执行本申请实施例提供的聚类方法的任意一种实现方式的步骤。
本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的一种聚类方法中的任意一种实施方式。
本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例所述的一种聚类方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种聚类方法，其特征在于，所述方法包括：
获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；
针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；所述外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度，衡量候选聚类簇是否需要合并；所述时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系，衡量候选聚类簇是否需要合并；
通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度；
根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
2.根据权利要求1所述的方法，其特征在于，通过以下方式衡量候选聚类簇是否满足所述外观相似度约束条件：
将经上一轮聚类处理得到的多个候选聚类簇两两组合，得到多个候选聚类簇组合；
针对每个候选聚类簇组合执行以下操作：
计算该候选聚类簇组合中各候选聚类簇的外观特征之间的最小余弦距离，作为该候选聚类簇组合对应的相似度；所述候选聚类簇的外观特征是根据其中包括的各个轨迹片段的外观特征确定的；
判断该候选聚类簇组合对应的相似度是否大于本轮聚类处理的外观相似度阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述外观相似度约束条件。
3.根据权利要求1所述的方法，其特征在于，通过以下方式衡量候选聚类簇是否满足所述时空约束条件：
将经上一轮聚类处理得到的多个候选聚类簇两两组合，得到多个候选聚类簇组合；
针对每个候选聚类簇组合执行以下操作：
判断该候选聚类簇组合中各候选聚类簇的跨越时间是否存在重叠；所述候选聚类簇的跨越时间为其中包括的各个轨迹片段的时间戳集合；
若不存在重叠，则根据该候选聚类簇组合中各候选聚类簇的跨越时间之间的时间间隔，确定该候选聚类簇组合中的候选聚类簇是否满足时间约束条件；以及，根据该候选聚类簇组合中各候选聚类簇的预测轨迹和真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足空间约束条件；当该候选聚类簇组合中的候选聚类簇满足所述时间约束条件和所述空间约束条件时，确定该候选聚类簇组合中的候选聚类簇满足所述时空约束条件；
若存在重叠，则根据该候选聚类簇组合中各候选聚类簇在重叠时间内的轨迹片段所属的摄像头索引标识，和/或该候选聚类簇组合中各候选聚类簇在重叠时间内的真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足所述时空约束条件。
4.根据权利要求3所述的方法，其特征在于，所述候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇；所述根据该候选聚类簇组合中各候选聚类簇的跨越时间之间的时间间隔，确定该候选聚类簇组合中的候选聚类簇是否满足时间约束条件，包括：
确定所述第一候选聚类簇的跨越时间和所述第二候选聚类簇的跨越时间中间隔最近的时间戳之间的时间间隔；
判断所述时间间隔是否小于本轮聚类处理的时间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述时间约束条件；
所述根据该候选聚类簇组合中各候选聚类簇的预测轨迹和真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足空间约束条件，包括：
预测所述第二候选聚类簇在所述第一候选聚类簇的跨越时间上的轨迹，作为所述第一候选聚类簇的预测轨迹；计算所述第一候选聚类簇的预测轨迹与真实轨迹之间的平均欧式距离，作为第一距离；
预测所述第一候选聚类簇在所述第二候选聚类簇的跨越时间上的轨迹，作为所述第二候选聚类簇的预测轨迹；计算所述第二候选聚类簇的预测轨迹与真实轨迹之间的平均欧式距离，作为第二距离；
计算所述第一距离与所述第二距离的平均值；
判断所述平均值是否小于本轮聚类处理的第一空间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述空间约束条件。
5.根据权利要求3所述的方法，其特征在于，所述候选聚类簇组合中包括第一候选聚类簇和第二候选聚类簇；所述根据该候选聚类簇组合中各候选聚类簇在重叠时间内的轨迹片段所属的摄像头索引标识，和/或该候选聚类簇组合中各候选聚类簇的真实轨迹之间的位置关系，确定该候选聚类簇组合中的候选聚类簇是否满足所述时空约束条件，包括：
组合所述第一候选聚类簇中在所述重叠时间内的轨迹片段所属的摄像头索引标识，得到第一摄像头标识集合；组合所述第二候选聚类簇中在所述重叠时间内的轨迹片段所属的摄像头索引标识，得到第二摄像头标识集合；
若所述第一摄像头标识集合与所述第二摄像头标识集合存在交集，则确定该候选聚类簇组合中的候选聚类簇不满足所述时空约束条件；
若所述第一摄像头标识集合与所述第二摄像头标识集合不存在交集，则确定所述重叠时间内所述第一候选聚类簇的真实轨迹与所述第二候选聚类簇的真实轨迹之间的平均欧式距离，判断所述平均欧式距离是否小于本轮聚类处理的第二空间约束阈值，若是，则确定该候选聚类簇组合中的候选聚类簇满足所述时空约束条件。
6.根据权利要求1所述的方法，其特征在于，所述通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度，包括：
针对每个候选聚类簇，根据其中包括的轨迹片段的外观特征以及其中起始时间戳相邻的轨迹片段之间的空间距离，确定该候选聚类簇的基础特征；通过所述纯净度识别网络，根据该候选聚类簇的基础特征确定该候选聚类簇对应的纯净度。
7.根据权利要求1所述的方法，其特征在于，所述根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇，包括：
根据所述多个候选聚类簇各自对应的纯净度和包括的轨迹片段长度，确定所述多个候选聚类簇各自对应的得分；
根据所述多个候选聚类簇各自对应的得分，对所述多个候选聚类簇进行降序排序；
根据所述多个候选聚类簇的排序顺序确定所述多个候选聚类簇的轨迹片段保留优先级，排序靠前的候选聚类簇的轨迹片段保留优先级高于排序靠后的候选聚类簇的轨迹片段保留优先级；
根据所述多个候选聚类簇各自的轨迹片段保留优先级，对所述多个候选聚类簇中的轨迹片段进行去重叠处理，得到所述多个目标聚类簇。
8.一种聚类装置，其特征在于，所述装置包括：
获取模块，用于获取目标场景中各摄像头下各个目标的轨迹片段，组成轨迹片段集合；
聚类模块，用于针对所述轨迹片段集合，基于外观相似度约束条件和时空约束条件进行迭代聚类处理，在迭代聚类的过程中得到多个候选聚类簇；所述外观相似度约束条件用于根据候选聚类簇之间外观特征的相似度，衡量候选聚类簇是否需要合并；所述时空约束条件用于根据候选聚类簇之间时间特征的关联关系和空间特征的关联关系，衡量候选聚类簇是否需要合并；
纯净度识别模块，用于通过纯净度识别网络，确定所述多个候选聚类簇各自对应的纯净度；
去重叠模块，用于根据所述多个候选聚类簇各自对应的纯净度，对所述多个候选聚类簇进行去重叠处理，得到多个目标聚类簇；所述目标聚类簇用于确定所述目标在所述目标场景中的运动轨迹。
9.一种设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于调用所述计算机程序，以执行权利要求1至7任一项所述的聚类方法。
10.一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用于存储计算机程序，所述计算机程序用于执行权利要求1至7任一项所述的聚类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010316188.6A CN113536862A (zh) | 2020-04-21 | 2020-04-21 | 一种聚类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010316188.6A CN113536862A (zh) | 2020-04-21 | 2020-04-21 | 一种聚类方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113536862A true CN113536862A (zh) | 2021-10-22 |
Family
ID=78123806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010316188.6A Pending CN113536862A (zh) | 2020-04-21 | 2020-04-21 | 一种聚类方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113536862A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092524A (zh) * | 2022-01-18 | 2022-02-25 | 北京爱笔科技有限公司 | 物体轨迹的生成方法、相关装置和分类模型的构建方法 |
| CN114549593A (zh) * | 2022-02-25 | 2022-05-27 | 北京拙河科技有限公司 | 一种多目标多摄像头的目标追踪方法及系统 |
| CN114780796A (zh) * | 2022-03-31 | 2022-07-22 | 杭州海康威视数字技术股份有限公司 | 轨迹关联方法、装置、电子设备及机器可读存储介质 |
| CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及系统 |
| CN116821721A (zh) * | 2023-07-03 | 2023-09-29 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392937A (zh) * | 2017-07-14 | 2017-11-24 | 腾讯科技（深圳）有限公司 | 目标跟踪方法、装置及电子设备 |
| CN109829427A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 一种基于纯度检测和空间注意力网络的人脸聚类方法 |
| CN110349181A (zh) * | 2019-06-12 | 2019-10-18 | 华中科技大学 | 一种基于改进的图分区模型单摄像头多目标跟踪方法 |
| CN110619658A (zh) * | 2019-09-16 | 2019-12-27 | 北京地平线机器人技术研发有限公司 | 对象跟踪方法、对象跟踪装置和电子设备 |
-
2020
- 2020-04-21 CN CN202010316188.6A patent/CN113536862A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392937A (zh) * | 2017-07-14 | 2017-11-24 | 腾讯科技（深圳）有限公司 | 目标跟踪方法、装置及电子设备 |
| CN109829427A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 一种基于纯度检测和空间注意力网络的人脸聚类方法 |
| CN110349181A (zh) * | 2019-06-12 | 2019-10-18 | 华中科技大学 | 一种基于改进的图分区模型单摄像头多目标跟踪方法 |
| CN110619658A (zh) * | 2019-09-16 | 2019-12-27 | 北京地平线机器人技术研发有限公司 | 对象跟踪方法、对象跟踪装置和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 牟乃夏等: "移动轨迹聚类方法研究综述", 《测绘通报》, no. 01, 25 January 2018 (2018-01-25), pages 1 - 7 * |
| 韩敬贤等: "基于外观模型和时空模型的多摄像机目标跟踪", 《合肥工业大学学报(自然科学版)》, no. 12, 28 December 2016 (2016-12-28), pages 1639 - 1644 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092524A (zh) * | 2022-01-18 | 2022-02-25 | 北京爱笔科技有限公司 | 物体轨迹的生成方法、相关装置和分类模型的构建方法 |
| CN114092524B (zh) * | 2022-01-18 | 2022-06-28 | 北京爱笔科技有限公司 | 物体轨迹的生成方法、相关装置和分类模型的构建方法 |
| CN114549593A (zh) * | 2022-02-25 | 2022-05-27 | 北京拙河科技有限公司 | 一种多目标多摄像头的目标追踪方法及系统 |
| CN114549593B (zh) * | 2022-02-25 | 2022-11-29 | 北京拙河科技有限公司 | 一种多目标多摄像头的目标追踪方法及系统 |
| CN114780796A (zh) * | 2022-03-31 | 2022-07-22 | 杭州海康威视数字技术股份有限公司 | 轨迹关联方法、装置、电子设备及机器可读存储介质 |
| CN114780796B (zh) * | 2022-03-31 | 2024-05-24 | 杭州海康威视数字技术股份有限公司 | 轨迹关联方法、装置、电子设备及机器可读存储介质 |
| CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及系统 |
| CN116821721A (zh) * | 2023-07-03 | 2023-09-29 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
| CN116821721B (zh) * | 2023-07-03 | 2024-04-02 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113536862A (zh) | 一种聚类方法、装置、设备及存储介质 | |
| Kumar et al. | Eratosthenes sieve based key-frame extraction technique for event summarization in videos | |
| Wang et al. | Tracklet association by online target-specific metric learning and coherent dynamics estimation | |
| CN108133172B (zh) | 视频中运动对象分类的方法、车流量的分析方法及装置 | |
| CN110532884B (zh) | 行人重识别方法、装置及计算机可读存储介质 | |
| CN111444828A (zh) | 一种模型训练的方法、目标检测的方法、装置及存储介质 | |
| CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
| CN111860430B (zh) | 打架行为的识别方法和装置、存储介质及电子装置 | |
| US11055878B2 (en) | Person counting method and person counting system | |
| CN111581423B (zh) | 一种目标检索方法及装置 | |
| CN110555428B (zh) | 行人重识别方法、装置、服务器以及存储介质 | |
| CN111310728B (zh) | 基于监控相机和无线定位的行人重识别系统 | |
| CN111626194A (zh) | 一种使用深度关联度量的行人多目标跟踪方法 | |
| CN108053424B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN107944381B (zh) | 人脸跟踪方法、装置、终端及存储介质 | |
| CN111401196A (zh) | 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 | |
| EP4209959A1 (en) | Target identification method and apparatus, and electronic device | |
| JP2022539423A (ja) | 画像特徴抽出及びネットワークの訓練方法、装置並びに機器 | |
| CN114743139A (zh) | 视频场景检索方法、装置、电子设备及可读存储介质 | |
| CN112949662B (zh) | 一种图像处理方法、装置、计算机设备以及存储介质 | |
| CN113869274A (zh) | 基于城市管理的无人机智能跟踪监控方法及系统 | |
| CN111382627A (zh) | 同行判定方法及相关产品 | |
| CN114202558A (zh) | 一种目标跟踪方法、装置、设备及存储介质 | |
| Khan et al. | Foreground detection using motion histogram threshold algorithm in high-resolution large datasets | |
| CN111291785A (zh) | 目标检测的方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |