CN114037852A - 人像聚类方法、装置、电子设备和存储介质 - Google Patents
人像聚类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114037852A CN114037852A CN202111202157.9A CN202111202157A CN114037852A CN 114037852 A CN114037852 A CN 114037852A CN 202111202157 A CN202111202157 A CN 202111202157A CN 114037852 A CN114037852 A CN 114037852A
- Authority
- CN
- China
- Prior art keywords
- bayonet
- search radius
- loop
- time
- determining
- 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
- 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
- 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
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种人像聚类方法、装置、电子设备和存储介质,提高了人像聚类的准确性。本申请实施例中,首先根据卡口的地理位置的名称和/或所属环路来确定卡口的标准搜索半径,并根据卡口的标准搜索半径来划分第一时空域,并根据划分的第一时空域进行聚类分析,进而得到聚类结果。在本申请实施例中,根据卡口的地理位置和所属环路时空域进行划分,充分考虑到了人活动的信息,并对一段时间内的人像进行聚类,融合了人员在一定空间范围内活动的时间跨度,提高了对人像聚类的效果。
Description
技术领域
本申请涉及图像聚类技术领域,尤其涉及一种人像聚类方法、装置、电子设备和存储介质。
背景技术
在图像识别与聚类技术、实时计算技术以及硬件存储介质等的共同推动下,大规模的人像聚类逐渐成为可能。同时,随着监控摄像机等智能监控终端在人们生活中的大量普及以及监控技术的快速发展,相关设备所产生的图像数据量呈井喷式增长。对于安防领域,如何利用海量图像数据有效地进行人像聚类是一项重难点课题。
传统的人像聚类技术专注于从图像本身出发进行图像特征值对比,从而实现人像聚类。然而,这类静态方法对图像质量要求较高,对抓拍质量不高、模糊、部分遮挡的图像难以有效识别出人像。此外,因为大样本中存在无关但相似图像的概率较高会导致聚类效果不佳。
发明内容
本申请的目的是提供一种人像聚类方法、装置、电子设备和存储介质,用于提高人像聚类的效果。
第一方面,本申请实施例提供了一种人像聚类方法,包括:
对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到第一聚类结果;其中,所述第一时空域是根据以下方法确定的:
获取目标区域的卡口集合中任一卡口的地理位置;
根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径;其中所述预设参数包括:所述地理位置的名称和/或所属环路,所述所属环路表示围绕所述目标区域的环路中最小的环路;
将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域。
在本申请实施例中,根据卡口的地理位置和所属环路对当前城市进行时空域的划分,充分考虑到了人在空间和时间两个维度的活动的信息,并对一段时间内的人像进行聚类,融合了人员在一定空间范围内活动的时间跨度;本申请中在一定时间和一定空间范围内对卡口进行聚类分析,使得聚类结果中融合了人在空间和时间内的活动信息,从而提高了对人像聚类的效果。
在一些可能的实施例中,所述预设参数包括地理位置的名称;
所述根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径,包括:
根据所述地理位置的名称确定所述任一卡口对应的关键字段;
根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径。
在本申请实施例中根据卡口对应的地理位置的名称,来确定卡口所处位置的卡口的疏密程度,进而根据卡口的疏密程度来确定搜索半径,提高了对时空域进行划分的合理性。
在一些可能的实施例中,所述根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径,包括:
若所述关键字段在第一关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base–delta_r1,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base+delta_r2,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径公式为:r1=r_base,其中,r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
在本申请实施例中,根据关键字段来确定当前卡口所处的地理位置的卡口的疏密程度,进而确定第一搜索半径,可以准确且合理的确定卡口的第一搜索半径。
在一些可能的实施例中,所述预设参数包括区域位置;
所述根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径,包括:
根据所述任一卡口的所属环路确定所述任一卡口对应的第二搜索半径计算公式;
基于所述标准搜索半径计算公式确定所述任一卡口的标准搜索半径。
在本申请实施例中,由于不同环路的卡口分布的疏密程度不同,因此根据卡口所属的环路来确定卡口的第二搜索半径,提高了对时空域划分的合理性和准确性。
在一些可能的实施例中,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述根据所述地理位置对应的区域位置,确定所述任一卡口对应的第二搜索半径计算公式,包括:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr1,其中:r_loop1为标准搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr3,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
在本申请实施例中,根据环路的不同,将环路分为了四种情况,并根据卡口所属环路的不同来确定第二搜索半径,提高了对时空域划分的合理性和准确性。
在一些可能的实施例中,所述预设参数包括地理位置的名称和区域位置;
所述根据所述地理位置和所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径,包括:
根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径;以及
根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式,并基于所述第四搜索半径计算公式确定所述任一卡口的第四搜索半径;
根据所述任一卡口的第三搜索半径和第四搜索半径分别对应的权重、所述第三搜索半径和所述第四搜索半径确定所述任一卡口的标准搜索半径。
在本申请实施例中,设置合理的权重,结合卡口的所属环路和地理位置来共同确定卡口的标准搜索半径,提高了对时空域划分的合理性和准确性。
在一些可能的实施例中,所述根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径,包括:
若所述关键字段在所述第一关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base–delta_r1,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base+delta_r2,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径公式为:r2=r_base,其中,r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
在本申请实施例中,根据关键字段来确定当前卡口所处的地理位置的卡口的疏密程度,进而确定第三搜索半径,可以准确且合理的确定卡口的第三搜索半径。
在一些可能的实施例中,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式,包括:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr1,其中:r_loop2为第四搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop2=r_base2+Δr2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr3,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
在本申请实施例中,根据环路的不同,将环路分为了四种情况,并根据卡口所属环路的不同来确定第四搜索半径,提高了对时空域划分的合理性和准确性。
在一些可能的实施例中,所述方法还包括:
在确定各第一时空域的过程中,每确定出一个第一时空域,则从所述卡口集合中删除位于第一时空域的卡口。
在本申请实施例中,为了避免将同一个卡口划分到多个时空域中,导致的聚类结果的不准确,因此,在确定出一个第一时空域之后,将该时空域中的卡口从卡口集合中删除再进行后续时空域的确定。
在一些可能的实施例中,所述将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域之后,所述方法还包括:
针对划分得到的任意一个第一时空域,确定所述任意一个第一时空域中卡口的数量;
若所述任意一个第一时空域中仅包含一个卡口,则确定所述任意一个第一时空域中单卡口所属的第二时空域;其中所述第二时空域中包括所述单卡口以及与所述单卡口位置信息相同的其他卡口,所述位置信息包括以下中的任一种:兴趣面AOI信息、兴趣点POI信息、所属区域;
从所述其他卡口所属的各第一时空域中,确定包含所述其他卡口数量最多的目标第一时空域;
将所述单卡口与所述目标第一时空域划分为新的第一时空域,并用所述新的第一时空域替换所述任意一个第一时空域。
在本申请实施例中,通过将单个卡口构成的第一时空域与其他第一时空域合并,提升了聚类结果的准确性,并节省了在距离过程中资源的浪费。
在一些可能的实施例中,所述第二时空域是根据以下方法确定的:
若确定出任一卡口的AOI信息,则将所述卡口集合中的第一类型卡口与所述任一卡口划分为同一第二时空域,其中所述第一类型卡口是与所述任一卡口的AOI信息相同的卡口;
若无法确定出所述任一卡口的AOI信息,且确定出所述任一卡口的POI信息,则将所述卡口集合中的第二类型卡口与所述任一卡口划分为同一第二时空域,其中所述第二类型的卡口是与所述任一卡口的POI信息相同的卡口;
若无法确定出所述任一卡口的POI信息,且确定出所述任一卡口的所属区域,则将所述卡口集合中的第三类型卡口与所述任一卡口划分为同一第二时空域,其中第三类型卡口是与所述任一卡口的所属区域相同的卡口。
在本申请实施例中,根据卡口的位置信息对卡口进行第二时空域的划分,并根据第二时空域修正第一时空域中由单个卡口组成的第一时空域,提高了对第一时空域划分的准确性。
在一些可能的实施例中,所述对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到聚类结果之后,所述方法还包括:
获取第二指定时间段的人像信息,得到第二聚类结果;
根据所述第一聚类结果和所述第二聚类结果确定最终聚类结果;
其中,所述第一时间段和所述第二时间段为在时间上相邻的两个时间段。
在本申请实施例中,为了进一步提高人像聚类的准确性,进行了时间延展,通过比较两个相邻时间段的聚类结果来提高人像聚类结果的准确性。
第二方面本申请还提供了一种人像聚类的装置,所述装置包括:
聚类模块,用于对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到第一聚类结果;其中,所述第一时空域是根据以下方法确定的:
获取模块,用于获取目标区域的卡口集合中任一卡口的地理位置;
搜索半径确定模块,用于根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径;其中所述预设参数包括:所述地理位置的名称和/或所属环路,所述所属环路表示围绕所述目标区域的环路中最小的环路;
时空域划分模块,用于将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域。
在一些可能的实施例中,所述预设参数包括地理位置的名称;
所述搜索半径确定模块执行所述根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径时,被配置为:
根据所述地理位置的名称确定所述任一卡口对应的关键字段;
根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径。
在一些可能的实施例中,所述搜索半径确定模块执行根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径时,被配置为:
若所述关键字段在第一关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base–delta_r1,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base+delta_r2,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径公式为:r1=r_base,其中,r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述预设参数包括区域位置;
所述搜索半径确定模块执行根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径时,被配置为:
根据所述任一卡口的所属环路确定所述任一卡口对应的第二搜索半径计算公式;
基于所述标准搜索半径计算公式确定所述任一卡口的标准搜索半径。
在一些可能的实施例中,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述搜索半径确定模块执行根据所述地理位置对应的区域位置,确定所述任一卡口对应的第二搜索半径计算公式时,被配置为:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr1,其中:r_loop1为标准搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr3,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述预设参数包括地理位置的名称和区域位置;
所述搜索半径确定模块执行根据所述地理位置和所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径时,被配置为:
根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径;以及
根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式,并基于所述第四搜索半径计算公式确定所述任一卡口的第四搜索半径;
根据所述任一卡口的第三搜索半径和第四搜索半径分别对应的权重、所述第三搜索半径和所述第四搜索半径确定所述任一卡口的标准搜索半径。
在一些可能的实施例中,所述搜索半径确定模块执行根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径时,被配置为:
若所述关键字段在所述第一关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base–delta_r1,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base+delta_r2,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径公式为:r2=r_base,其中,r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述搜索半径确定模块执行根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式时,被配置为:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr1,其中:r_loop2为第四搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop2=r_base2+Δr2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr3,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述时空域确定模块还被配置为:
在确定各第一时空域的过程中,每确定出一个第一时空域,则从所述卡口集合中删除位于第一时空域的卡口。
在一些可能的实施例中,所述时空域划分模块执行将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域之后,还被配置为:
针对划分得到的任意一个第一时空域,确定所述任意一个第一时空域中卡口的数量;
若所述任意一个第一时空域中仅包含一个卡口,则确定所述任意一个第一时空域中单卡口所属的第二时空域;其中所述第二时空域中包括所述单卡口以及与所述单卡口位置信息相同的其他卡口,所述位置信息包括以下中的任一种:兴趣面AOI信息、兴趣点POI信息、所属区域;
从所述其他卡口所属的各第一时空域中,确定包含所述其他卡口数量最多的目标第一时空域;
将所述单卡口与所述目标第一时空域划分为新的第一时空域,并用所述新的第一时空域替换所述任意一个第一时空域。
在一些可能的实施例中,所述第二时空域是根据以下方法确定的:
若确定出任一卡口的AOI信息,则将所述卡口集合中的第一类型卡口与所述任一卡口划分为同一第二时空域,其中所述第一类型卡口是与所述任一卡口的AOI信息相同的卡口;
若无法确定出所述任一卡口的AOI信息,且确定出所述任一卡口的POI信息,则将所述卡口集合中的第二类型卡口与所述任一卡口划分为同一第二时空域,其中所述第二类型的卡口是与所述任一卡口的POI信息相同的卡口;
若无法确定出所述任一卡口的POI信息,且确定出所述任一卡口的所属区域,则将所述卡口集合中的第三类型卡口与所述任一卡口划分为同一第二时空域,其中第三类型卡口是与所述任一卡口的所属区域相同的卡口。
在一些可能的实施例中,所述聚类模块执行对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到聚类结果之后,还被配置为:
获取第二指定时间段的人像信息,得到第二聚类结果;
根据所述第一聚类结果和所述第二聚类结果确定最终聚类结果;
其中,所述第一时间段和所述第二时间段为在时间上相邻的两个时间段。
第三方面,本申请另一实施例还提供了一种电子设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请第一方面实施例提供的任一方法。
第四方面,本申请另一实施例还提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使计算机执行本申请第一方面实施例提供的任一方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍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为本申请实施例提供的一种人像聚类方法的应用场景图;
图2为本申请实施例提供的一种人像聚类方法的整体流程图;
图3为本申请实施例提供的一种人像聚类方法的根据地理位置名称确定标准搜索半径的示意图;
图4A为本申请实施例提供的一种人像聚类方法的根据稀疏程度确定标准搜索半径示意图;
图4B为本申请实施例提供的一种人像聚类方法的根据稀疏程度确定标准搜索半径的另一示意图;
图5A为本申请实施例提供的一种人像聚类方法的根据区域位置确定标准搜索半径的示意图;
图5B为本申请实施例提供的一种人像聚类方法的根据区域位置确定所属环路示意图;
图5C为本申请实施例提供的一种人像聚类方法的根据区域位置确定所属环路的另一示意图;
图6为本申请实施例提供的一种人像聚类方法的根据地理位置名称和区域位置确定标准搜索半径的示意图;
图7为本申请实施例提供的一种人像聚类方法的对单卡口组成的第一时空域进行替换的示意图;
图8A为本申请实施例提供的一种人像聚类方法的根据AOI信息划分第二时空域的示意图;
图8B为本申请实施例提供的一种人像聚类方法的根据POI信息划分第二时空域的示意图;
图8C为本申请实施例提供的一种人像聚类方法的根据所属区域划分第二时空域的示意图;
图9A为本申请实施例提供的一种人像聚类方法整体流程示意图;
图9B为本申请实施例提供的一种人像聚类方法的装置示意图;
图10为本申请实施例提供的一种人像聚类方法的电子设备示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书的术语“第一”、“第二”等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。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于理解,首先对本申请中的专业名词进行解释:
人像聚类:对一个库中的图像数据进行比对和分组以形成多个人员图像集合的过程,人像数据一般包括人脸图像数据以及人体图像数据。
时空域划分:时空域包括时间和空间两个人员存在以及活动的主体世界维度。时间是表征人员在一定空间范围内活动的时间跨度,而空间是在一段连续时间内人员活动的地理区间,两者都可作为人员出现在某一时空域的主要载体。应注意,一个时空域由一组连续的时间点和空间点组成,空间点在本申请中可离散化为具体的监控摄像头卡口。
搜索邻域:对人员活动轨迹表征的搜索地理空间范围大小。它是在进行时空域划分时的一个关键参数,在一定程度上决定了时空域划分的结果优劣与否,包括各个时空域子集的大小、囊括的监控卡口数量合理性以及与各个类簇行为模式的一致性等。
类簇:各个时空域子集中所包含的人员群体。
发明人研究发现,在图像识别与聚类技术、实时计算技术以及硬件存储介质等的共同推动下,大规模的人像聚类逐渐成为可能。同时,随着监控摄像机等智能监控终端在人们生活中的大量普及以及监控技术的快速发展,相关设备所产生的图像数据量呈井喷式增长。对于安防领域,如何利用海量图像数据有效地进行人像聚类是一项重难点课题。
传统的人像聚类技术专注于从图像本身出发进行图像特征值对比,从而实现人像聚类。然而,这类静态方法对图像质量要求较高,对与抓拍质量不高、模糊、部分遮挡的图像难以有效识别。此外,直接采取海量数据进行人像聚类,既使得计算成本骤增,又因为大样本中存在无关但相似图像的概率更高从而使得聚类效果不佳。
发明人研究发现,针对以上问题,有效的解决方式是依据“分而治之”的思想,融合人活动的时空信息进行时空域划分,然后在时空域各子集中分别进行人像聚类,以提升人像聚类的效果。时空域划分可行的技术思路是针对特定类簇的活动轨迹(如该类簇的时空活动范围等)进行定制化划分。定制化意味着划分规则应该依据卡口分布情况、类簇行为方式以及地区人流量等进行适当调整,以更符合各个类簇的实际行为模式。
有鉴于此,本申请提出了一种人像聚类方法、装置、电子设备和存储介质,用于解决上述问题。本申请的发明构思可概括为:首先根据卡口的地理位置的名称和/或所属环路来确定卡口的标准搜索半径,并根据卡口的标准搜索半径来划分第一时空域,并根据划分的第一时空域进行聚类分析,进而得到聚类结果。
为了便于理解下面结合附图对本申请实施例提出的人像聚类方法进行详细说明。
如图1所示,为本申请实施例中的人像聚类方法的应用场景图。图中包括:服务器10、存储器20、卡口30(卡口301,卡口302,卡口303……);其中,
服务器10首先从存储器20中获取目标区域的卡口30集合中的任一卡口的地理位置,并根据地理位置对应的预设参数确定卡口的标准搜索半径,进而将该卡口标准搜索半径内的卡口都划分为同一第一时空域;然后服务器对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,并得到聚类结果。
本申请中的描述中仅就单个服务器或卡口加以详述,但是本领域技术人员应当理解的是,示出的卡口30、服务器10和存储器20旨在表示本申请的技术方案涉及的卡口、服务器以及存储器的操作。对单个服务器和存储器加以详述至少为了说明方便,而非暗示对卡口和服务器的数量、类型或是位置等具有限制。应当注意,如果向图示环境中添加附加模块或从其中去除个别模块,不会改变本申请的示例实施例的底层概念。
需要说明的是,本申请实施例中的存储器例如可以是缓存系统、也可以是硬盘存储、内存存储等等。此外,本申请提出的人像聚类方法不仅适用于图1所示的应用场景,还适用于任何有人像聚类需求的装置。
本申请实施例提出的人像聚类方法在实施时,对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到第一聚类结果;为了便于理解,下面对划分第一时空域的整体流程进行详细说明,如图2所示:
步骤201中:获取目标区域的卡口集合中任一卡口的地理位置;
步骤202中:根据地理位置对应的预设参数确定任一卡口的标准搜索半径;其中预设参数包括:地理位置的名称和/或所属环路,所属环路表示围绕目标区域的环路中最小的环路;
步骤203中:将卡口集合在任一卡口标准搜索半径内的卡口划分为与任一卡口对应的第一时空域。
下面分根据地理位置名称划分第一时空域、根据所属区域划分第一时空域、根据地理位置名称和所属区域划分第一时空域三部分对第一时空域划分的过程进行详细说明:
1、根据地理位置名称划分第一时空域
在本申请实施例中根据地理位置对应的地理位置名称确定任一卡口的标准搜索半径时,具体可实施为如图3所示的步骤:
步骤301中:根据地理位置的名称确定任一卡口对应的关键字段;
在本申请实施例中,为了合理的确定标准搜索半径,因此,在本申请实施例中,首先采集各个卡口对应的关键字段,比如:广场、商场、火车站、路、风景区;其他可以表示卡口疏密的关键词均可作为本申请中的关键字段,本申请对关键字段的具体内容不作限定。
步骤302中:根据关键字段对应的第一搜索半径计算公式确定任一卡口的标准搜索半径。
在本申请中根据关键字段表示的不同的疏密程度划分了第一关键字段集合和第二关键字段集合;在具体实施时,技术人员首先可通过卡口的地理位置,确定相同地理位置的卡口来确定当前区域的卡口是密集还是稀疏,并记录当前区域对应的关键字段,并将表示卡口密集和卡口稀疏的关键字段分别组成第一关键字段集合和第二关键字段集合,在后续确定卡口对应的关键字段所属的集合时直接应用。其中第一关键字段集合中包含的关键字段可以是:广场、商场、火车站等;第二关键字段集合中包含的关键字段可以是:镇、路、风景区等。
为了使得对第一时空域的划分合理,因此,对于处于不同关键字段集合中关键字段,确定半径的方式不同,下面进行详细说明:
情况一:关键字段在第一关键字段集合中
确定任一卡口对应的第一搜索半径计算公式如公式1所示:
r1=r_base–delta_r1,(公式1)
其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值,在具体实施时为了快速确定delta_r1,可由本领域的技术人员根据经验设置区间[a1,b1],使得在确定delta_r1时可在区间[a1,b1]上进行随机取值。
在一些实施例中,技术人员可预先根据卡口的数量构建卡口稀疏程度表,例如:当前目标区域中卡口的数量为100,则对应的稀疏程度为5,则此时根据稀疏程度确定目标区域对应的r_base和delta_r1。
情况二:关键字段在第二关键字段集合中
确定任一卡口对应的第一搜索半径计算公式如公式2所示:
r1=r_base+delta_r2,(公式2)
其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值,在具体实施时为了快速确定delta_r2,可由本领域的技术人员根据经验设置区间[a2,b2],使得在确定delta_r2时可在区间[a2,b2]上进行随机取值。
在一些实施例中,技术人员可预先根据卡口的数量构建卡口稀疏程度表,例如:当前目标区域中卡口的数量为100,则对应的稀疏程度为5,此时根据稀疏程度确定目标区域对应的r_base和delta_r2。
情况三:关键字段即在第一关键字段集合中又在第二关键字段集合中
例如:关键字段为A路B广场,则确定任一卡口对应的第一搜索半径公式如公式3所示:
r1=r_base,(公式3)
其中,r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。在一些实施例中,技术人员可预先根据卡口的数量构建卡口稀疏程度表,例如:当前目标区域中卡口的数量为100,则对应的稀疏程度为5,此时根据稀疏程度确定目标区域对应的r_base。
综上,本申请的中心思想如图4A所示,在卡口密集的地方的标准搜索半径较小,如图4B所示,在卡口稀疏的地方的标准搜索半径较大。
2、根据区域位置划分第一时空域
在本申请实施例中,根据地理位置对应的区域位置确定任一卡口的标准搜索半径,可实施为如图5A所示的步骤:
步骤501中:根据任一卡口的所属环路确定任一卡口对应的第二搜索半径计算公式;
在本申请实施例中,根据卡口分布的疏密程度,将卡口的所属环路划分为了第一环路、第二环路、第三环路、第四环路;在具体实施时,可根据当前城市的环城公路的分布情况确定第一环路、第二环路、第三环路、第四环路。例如:如图5B所示,若当前城市的环城公路为内环、中环、外环以及郊环,则第一环路为内环,第二环路为中环,第三环路为外环,第四环路为郊环;如图5C所示,若当前城市的换成公路为一环、二环、三环、四环,则第一环路为一环,第二环路为二环,第三环路为三环,第四环路为四环。
步骤502中:基于标准搜索半径计算公式确定任一卡口的标准搜索半径。
具体实施为以下四种情况:
情况一:任一卡口的所属环路为第一环路
确定任一卡口对应的第二搜索半径计算公式如公式4所示:
r_loop1=r_base2,(公式4)
其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
情况二:任一卡口的所属环路为第二环路
确定任一卡口对应的第二搜索半径计算公式如公式5所示:
r_loop1=r_base2+Δr1,(公式5)
其中:r_loop1为标准搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
情况三:任一卡口的所属环路为第三环路
确定任一卡口对应的第二搜索半径计算公式如公式6所示:
r_loop1=r_base2+Δr2,(公式6)
其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
情况四:任一卡口的所属环路为第四环路
确定任一卡口对应的第二搜索半径计算公式如公式7所示:
r_loop1=r_base2+Δr3,(公式7)
其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
3、根据地理位置和区域位置划分第一时空域
在本申请实施例中,为了进一步提高对第一时空域划分的准确性,因此可结合上述两种计算方式,并分别赋予一定的权重,得到最终的标准搜索半径,具体可实施为如图6所示:
步骤601中:根据关键字段对应的第三搜索半径计算公式确定任一卡口的第三搜索半径;
此处关键字段、第一关键字段集合、第二关键字段集合的确定方法与上述相同,在此不在赘述。
若关键字段在第一关键字段集合中,则确定任一卡口对应的第三搜索半径计算公式如公式8所示:
r2=r_base–delta_r1,(公式8)
其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值,且delta_r1在区间[a1,b1]上均匀分布,区间[a1,b1]是本领域的技术人员根据经验确定的。
若关键字段在第二关键字段集合中,则确定任一卡口对应的第三搜索半径计算公式如公式9所示:
r2=r_base+delta_r2,(公式9)
其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值,且delta_r2在区间[a2,b2]上均匀分布,区间[a2,b2]是本领域的技术人员根据经验确定的。
若关键字段即在第一关键字段集合中又在第二关键字段集合中,则确定任一卡口对应的第三搜索半径公式如公式10所示:
r2=r_base,(公式10)
其中,r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
步骤602中:根据任一卡口的所属环路确定任一卡口对应的第四搜索半径计算公式,并基于第四搜索半径计算公式确定任一卡口的第四搜索半径;
此处所属环路的确定方式与上述相同,在此不在进行赘述。
具体实施为以下四种情况:
情况一:任一卡口的所属环路为第一环路
确定任一卡口对应的第四搜索半径计算公式如公式11所示:
r_loop 2=r_base2,(公式11)
其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
情况二:任一卡口的所属环路为第二环路
确定任一卡口对应的第四搜索半径计算公式如公式12所示:
r_loop 2=r_base2+Δr1,(公式12)
其中:r_loop2为第四搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
情况三:任一卡口的所属环路为第三环路
确定任一卡口对应的第四搜索半径计算公式如公式13所示:
r_loop2=r_base2+Δr2,(公式13)
其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若任一卡口的所属环路为第四环路,则确定任一卡口对应的第四搜索半径计算公式如公式14所示:
r_loop 2=r_base2+Δr3,(公式14)
其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
步骤603中:根据任一卡口的第三搜索半径和第四搜索半径分别对应的权重、第三搜索半径和第四搜索半径确定任一卡口的标准搜索半径。
其中,本领域的技术人员可根据经验确定第三搜索半径和第四搜索半径分别对应的权重,本申请对此不作限定。
在本申请实施例中,为了避免将同一个卡口划分在两个时空域中,导致的最后的聚类结果不准确,因此在确定各第一时空域的过程中,每确定出一个第一时空域,则从卡口集合中删除位于第一时空域的卡口。例如:卡口集合中有卡口1、卡口2、卡口3、卡口4、卡口5,确定出卡口1的标准搜索半径内包括卡口2、卡口3,则将卡口1、卡口2、卡口3划分为同一时空域中。并将卡口1、卡口2、卡口3从卡口集合中删除,此时卡口集合中仅包括卡口4、卡口5;则继续确定卡口4、卡口5所属的第一时空域。
在采用上述方法进行第一时空域的划分时,可能存在单独一个卡口属于一个第一时空域,针对这种第一时空域进行人像聚类会导致浪费计算资源,因此在本申请实施例中,在将卡口集合在任一卡口标准搜索半径内的卡口划分为与任一卡口对应的第一时空域之后,可实施如图7所示的方法对单独卡口组成的第一时空域进行替换:
步骤701中:针对划分得到的任意一个第一时空域,确定任意一个第一时空域中卡口的数量;
步骤702中:若任意一个第一时空域中仅包含一个卡口,则确定任意一个第一时空域中单卡口所属的第二时空域;其中第二时空域中包括单卡口以及与单卡口位置信息相同的其他卡口,位置信息包括以下中的任一种:兴趣面(area of interest,AOI)信息、兴趣点(point of interest,POI)信息、所属区域;
在一些实施例中,可以根据预先登记的卡口的地理经纬度坐标确定卡口附近的地理信息,由于相关技术中的经纬度信息都是基于火星坐标系设计的,因此要使用逆地理编码技术,将真实地理坐标进行编码,进而爬取各卡口附近的位置信息,位置信息包括但不限于省、市、区、AOI、POI、所属区域;其中,POI是指地图上可检索到的一个点,如肯德基等;AOI是指具有面状、区域状特点的一个区域,包括但不限于工业园区、学校校区、商圈、住宅小区、景区、火车站、机场等。
在一些实施例中,第二时空域可根据以下方法确定:
首先根据位置信息中各个信息所表征的地理位置的大小,首先根据各个卡口的AOI信息来进行划分第二时空域,对于无法确定出AOI信息的卡口,则根据POI信息来进行划分第二时空域,对于也无法确定出POI信息的卡口,则根据所属区域进行划分,具体如以下三种情况所示:
情况一:根据AOI信息划分
若确定出任一卡口的AOI信息,则将卡口集合中的第一类型卡口与任一卡口划分为同一第二时空域,其中第一类型卡口是与任一卡口的AOI信息相同的卡口;
例如:如图8A所示,卡口集合中包括卡口1、卡口2、卡口3、卡口4、卡口5;卡口1的AOI为A学校,卡口2的AOI为A学校,卡口3的AOI为A学校,则卡口1、卡口2、卡口3为同一第二时空域;同时为了避免将同一卡口划分为多个时空域中,因此,在将卡口1、卡口2、卡口3划分为同一第二时空域后需要从卡口集合中将卡口1、卡口2、卡口3删除。
情况二:根据POI信息划分
若无法确定出任一卡口的AOI信息,且确定出任一卡口的POI信息,则将卡口集合中的第二类型卡口与任一卡口划分为同一第二时空域,其中第二类型的卡口是与任一卡口的POI信息相同的卡口;
例如:如图8B所示,卡口集合中包括卡口1、卡口2、卡口3、卡口4、卡口5;无法确定出卡口1、卡口2、卡口3的AOI信息,则确定出卡口1、卡口2、卡口3的POI信息,若卡口1的POI信息为A饭店、卡口2的POI信息为A饭店、卡口3的POI信息为B饭店,则将卡口1、卡口2划分为同一第二时空域。
情况三:根据所属区域划分
若无法确定出任一卡口的POI信息,且确定出任一卡口的所属区域,则将卡口集合中的第三类型卡口与任一卡口划分为同一第二时空域,其中第三类型卡口是与任一卡口的所属区域相同的卡口。
例如:如图8C所示,卡口集合中包括卡口1、卡口2、卡口3、卡口4、卡口5;无法确定出卡口1、卡口2、卡口3的POI信息,则确定出卡口1、卡口2、卡口3的所属区域,若卡口1的所属区域为内环、卡口2的所属区域为外环、卡口3的所属区域为内环,则将卡口1、卡口3划分为同一第二时空域。
步骤703中:从其他卡口所属的各第一时空域中,确定包含其他卡口数量最多的目标第一时空域;
例如:针对卡口1,卡口1所属的第一时空域中仅包含卡口1,卡口1所属的第二时空域中包含卡口1、卡口2、卡口3、卡口4、卡口5;其中卡口2、卡口3、卡口4、属于A第一时空域,卡口5属于B第一时空域,则目标第一时空域为A第一时空域。
步骤704中:将单卡口与目标第一时空域划分为新的第一时空域,并用新的第一时空域替换任意一个第一时空域。
将卡口1与A第一时空域划分为新的第一时空域,并用该第一时空域替换卡口1对应的第一时空域。
在一些实施例中,本领域的技术人员可根据需求仅选择第一时空域进行聚类分析,或仅选择第二时空域进行聚类分析,也可结合第一时空域与第二时空域进行聚类分析,本申请对此不作限定。
在本申请实施例中,为了进一步的实现时间延展,因此在对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到聚类结果之后,可获取第二指定时间段的人像信息,得到第二聚类结果;然后根据第一聚类结果和第二聚类结果确定最终聚类结果。其中,第二指定时间段与第一指定时间在时间上应为相邻的两个时间段。
例如:在第一时间段内不同第一时空域进行聚类分析得到的第一聚类结果为:在A第一时空域中有人像A,人像B,人像C;在B第一时空域内有人像D,人像E;第二时间段内不同第一时空域进行聚类分析得到的第二聚类结果为:在A第一时空域中有人像A,人像B,人像C,人像F;在B第一时空域内有人像D;则总和第一距离结果和第二距离结果可得到最终聚类结果为:在A第一时空域中有人像A,人像B,人像C,人像F;在B第一时空域内有人像D,人像E。
为了便于理解本申请实施例提出的人像聚类方法,下面以根据地理位置名称和所属区域确定第一时空域为例对本申请实施例提供的人像聚类方法的整体流程进行详细说明,如图9A所示:
步骤901中:根据关键字段对应的第三搜索半径计算公式确定任一卡口的第三搜索半径;
步骤902中:根据任一卡口的所属环路确定任一卡口对应的第四搜索半径计算公式,并基于第四搜索半径计算公式确定任一卡口的第四搜索半径;
步骤903中:根据任一卡口的第三搜索半径和第四搜索半径分别对应的权重、第三搜索半径和第四搜索半径确定任一卡口的标准搜索半径;
步骤904中:将卡口集合在任一卡口标准搜索半径内的卡口划分为与任一卡口对应的第一时空域;
步骤905中:针对划分得到的任意一个第一时空域,确定任意一个第一时空域中卡口的数量;
步骤906中:若任意一个第一时空域中仅包含一个卡口,则确定任意一个第一时空域中单卡口所属的第二时空域;
步骤907中:其他卡口所属的各第一时空域中,确定包含其他卡口数量最多的目标第一时空域;
步骤908中:将单卡口与目标第一时空域划分为新的第一时空域,并用新的第一时空域替换任意一个第一时空域;
步骤909中:获取第一时空域内的卡口在第一指定时间段内采集的人像信息,得到第一聚类结果;
步骤910中:获取第二指定时间段的人像信息,得到第二聚类结果;
步骤911中:根据第一聚类结果和第二聚类结果确定最终聚类结果。
如图9B示,基于相同的发明构思,提出一种人像聚类装置900,包括:
聚类模块9001,用于对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到第一聚类结果;其中,所述第一时空域是根据以下方法确定的:
获取模块9002,用于获取目标区域的卡口集合中任一卡口的地理位置;
搜索半径确定模块9003,用于根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径;其中所述预设参数包括:所述地理位置的名称和/或所属环路,所述所属环路表示围绕所述目标区域的环路中最小的环路;
时空域划分模块9004,用于将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域。
在一些可能的实施例中,所述预设参数包括地理位置的名称;
所述搜索半径确定模块执行所述根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径时,被配置为:
根据所述地理位置的名称确定所述任一卡口对应的关键字段;
根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径。
在一些可能的实施例中,所述搜索半径确定模块执行根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径时,被配置为:
若所述关键字段在第一关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base–delta_r1,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base+delta_r2,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径公式为:r1=r_base,其中,r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述预设参数包括区域位置;
所述搜索半径确定模块执行根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径时,被配置为:
根据所述任一卡口的所属环路确定所述任一卡口对应的第二搜索半径计算公式;
基于所述标准搜索半径计算公式确定所述任一卡口的标准搜索半径。
在一些可能的实施例中,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述搜索半径确定模块执行根据所述地理位置对应的区域位置,确定所述任一卡口对应的第二搜索半径计算公式时,被配置为:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr1,其中:r_loop1为标准搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr3,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述预设参数包括地理位置的名称和区域位置;
所述搜索半径确定模块执行根据所述地理位置和所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径时,被配置为:
根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径;以及
根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式,并基于所述第四搜索半径计算公式确定所述任一卡口的第四搜索半径;
根据所述任一卡口的第三搜索半径和第四搜索半径分别对应的权重、所述第三搜索半径和所述第四搜索半径确定所述任一卡口的标准搜索半径。
在一些可能的实施例中,所述搜索半径确定模块执行根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径时,被配置为:
若所述关键字段在所述第一关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base–delta_r1,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base+delta_r2,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径公式为:r2=r_base,其中,r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述搜索半径确定模块执行根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式时,被配置为:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr1,其中:r_loop2为第四搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop2=r_base2+Δr2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr3,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
在一些可能的实施例中,所述时空域确定模块还被配置为:
在确定各第一时空域的过程中,每确定出一个第一时空域,则从所述卡口集合中删除位于第一时空域的卡口。
在一些可能的实施例中,所述时空域划分模块执行将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域之后,还被配置为:
针对划分得到的任意一个第一时空域,确定所述任意一个第一时空域中卡口的数量;
若所述任意一个第一时空域中仅包含一个卡口,则确定所述任意一个第一时空域中单卡口所属的第二时空域;其中所述第二时空域中包括所述单卡口以及与所述单卡口位置信息相同的其他卡口,所述位置信息包括以下中的任一种:兴趣面AOI信息、兴趣点POI信息、所属区域;
从所述其他卡口所属的各第一时空域中,确定包含所述其他卡口数量最多的目标第一时空域;
将所述单卡口与所述目标第一时空域划分为新的第一时空域,并用所述新的第一时空域替换所述任意一个第一时空域。
在一些可能的实施例中,所述第二时空域是根据以下方法确定的:
若确定出任一卡口的AOI信息,则将所述卡口集合中的第一类型卡口与所述任一卡口划分为同一第二时空域,其中所述第一类型卡口是与所述任一卡口的AOI信息相同的卡口;
若无法确定出所述任一卡口的AOI信息,且确定出所述任一卡口的POI信息,则将所述卡口集合中的第二类型卡口与所述任一卡口划分为同一第二时空域,其中所述第二类型的卡口是与所述任一卡口的POI信息相同的卡口;
若无法确定出所述任一卡口的POI信息,且确定出所述任一卡口的所属区域,则将所述卡口集合中的第三类型卡口与所述任一卡口划分为同一第二时空域,其中第三类型卡口是与所述任一卡口的所属区域相同的卡口。
在一些可能的实施例中,所述聚类模块执行对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到聚类结果之后,还被配置为:
获取第二指定时间段的人像信息,得到第二聚类结果;
根据所述第一聚类结果和所述第二聚类结果确定最终聚类结果;
其中,所述第一时间段和所述第二时间段为在时间上相邻的两个时间段。
在介绍了本申请示例性实施方式的人像聚类方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的人像聚类方法中的步骤。
下面参照图10来描述根据本申请的这种实施方式的电子设备130。图10显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图10中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的一种人像聚类方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种人像聚类方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于人像聚类的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种人像聚类方法,其特征在于,所述方法包括:
对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到第一聚类结果;其中,所述第一时空域是根据以下方法确定的:
获取目标区域的卡口集合中任一卡口的地理位置;
根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径;其中所述预设参数包括:所述地理位置的名称和/或所属环路,所述所属环路表示围绕所述目标区域的环路中最小的环路;
将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域。
2.根据权利要求1所述的方法,其特征在于,所述预设参数包括地理位置的名称;
所述根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径,包括:
根据所述地理位置的名称确定所述任一卡口对应的关键字段;
根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径。
3.根据权利要求2所述的方法,其特征在于,所述根据所述关键字段对应的第一搜索半径计算公式确定所述任一卡口的标准搜索半径,包括:
若所述关键字段在第一关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base–delta_r1,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径计算公式为:r1=r_base+delta_r2,其中:r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第一搜索半径公式为:r1=r_base,其中,r1为标准搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
4.根据权利要求1所述的方法,其特征在于,所述预设参数包括区域位置;
所述根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径,包括:
根据所述任一卡口的所属环路确定所述任一卡口对应的第二搜索半径计算公式;
基于所述标准搜索半径计算公式确定所述任一卡口的标准搜索半径。
5.根据权利要求4所述的方法,其特征在于,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述根据所述地理位置对应的区域位置,确定所述任一卡口对应的第二搜索半径计算公式,包括:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr1,其中:r_loop1为标准搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr2,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第二搜索半径计算公式为:r_loop1=r_base2+Δr3,其中:r_loop1为标准搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
6.根据权利要求1所述的方法,其特征在于,所述预设参数包括地理位置的名称和区域位置;
所述根据所述地理位置和所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径,包括:
根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径;以及
根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式,并基于所述第四搜索半径计算公式确定所述任一卡口的第四搜索半径;
根据所述任一卡口的第三搜索半径和第四搜索半径分别对应的权重、所述第三搜索半径和所述第四搜索半径确定所述任一卡口的标准搜索半径。
7.根据权利要求6所述的方法,其特征在于,所述根据所述关键字段对应的第三搜索半径计算公式确定所述任一卡口的第三搜索半径,包括:
若所述关键字段在所述第一关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base–delta_r1,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r1为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第一关键字段集合包含表示卡口密集的关键字段;
若所述关键字段在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径计算公式为:r2=r_base+delta_r2,其中:r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值,delta_r2为根据目标区域中卡口的稀疏程度确定的经验值;其中,所述第二关键字段集合包含表示卡口稀疏的关键字段;
若所述关键字段即在所述第一关键字段集合中又在所述第二关键字段集合中,则确定所述任一卡口对应的第三搜索半径公式为:r2=r_base,其中,r2为第三搜索半径,r_base为根据目标区域中卡口的稀疏程度确定的经验值。
8.根据权利要求6所述的方法,其特征在于,所述任一卡口的所属环路为第一环路、第二环路、第三环路、第四环路中的任一种,且第一环路小于第二环路,第二环路小于第三环路,第三环路小于第四环路;
所述根据所述任一卡口的所属环路确定所述任一卡口对应的第四搜索半径计算公式,包括:
若所述任一卡口的所属环路为第一环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第二环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr1,其中:r_loop2为第四搜索半径,r_base2为根据目标区域卡口的稀疏程度确定的经验值,Δr1为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第三环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop2=r_base2+Δr2,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr2为根据目标区域卡口的稀疏程度确定的经验值;
若所述任一卡口的所属环路为第四环路,则确定所述任一卡口对应的第四搜索半径计算公式为:r_loop 2=r_base2+Δr3,其中:r_loop2为第四搜索半径,r_base2为根据目标区域中卡口的稀疏程度确定的经验值,Δr3为根据目标区域中卡口的稀疏程度确定的经验值。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在确定各第一时空域的过程中,每确定出一个第一时空域,则从所述卡口集合中删除位于第一时空域的卡口。
10.根据权利要求1所述的方法,其特征在于,所述将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域之后,所述方法还包括:
针对划分得到的任意一个第一时空域,确定所述任意一个第一时空域中卡口的数量;
若所述任意一个第一时空域中仅包含一个卡口,则确定所述任意一个第一时空域中单卡口所属的第二时空域;其中所述第二时空域中包括所述单卡口以及与所述单卡口位置信息相同的其他卡口,所述位置信息包括以下中的任一种:兴趣面AOI信息、兴趣点POI信息、所属区域;
从所述其他卡口所属的各第一时空域中,确定包含所述其他卡口数量最多的目标第一时空域;
将所述单卡口与所述目标第一时空域划分为新的第一时空域,并用所述新的第一时空域替换所述任意一个第一时空域。
11.根据权利要求10所述的方法,其特征在于,所述第二时空域是根据以下方法确定的:
若确定出任一卡口的AOI信息,则将所述卡口集合中的第一类型卡口与所述任一卡口划分为同一第二时空域,其中所述第一类型卡口是与所述任一卡口的AOI信息相同的卡口;
若无法确定出所述任一卡口的AOI信息,且确定出所述任一卡口的POI信息,则将所述卡口集合中的第二类型卡口与所述任一卡口划分为同一第二时空域,其中所述第二类型的卡口是与所述任一卡口的POI信息相同的卡口;
若无法确定出所述任一卡口的POI信息,且确定出所述任一卡口的所属区域,则将所述卡口集合中的第三类型卡口与所述任一卡口划分为同一第二时空域,其中第三类型卡口是与所述任一卡口的所属区域相同的卡口。
12.根据权利要求1~11任一所述的方法,其特征在于,所述对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到聚类结果之后,所述方法还包括:
获取第二指定时间段的人像信息,得到第二聚类结果;
根据所述第一聚类结果和所述第二聚类结果确定最终聚类结果;
其中,所述第一时间段和所述第二时间段为在时间上相邻的两个时间段。
13.一种人像聚类装置,其特征在于,所述装置包括:
聚类模块,用于对第一时空域内的卡口在第一指定时间段内采集的人像信息进行聚类分析,得到第一聚类结果;其中,所述第一时空域是根据以下方法确定的:
获取模块,用于获取目标区域的卡口集合中任一卡口的地理位置;
搜索半径确定模块,用于根据所述地理位置对应的预设参数确定所述任一卡口的标准搜索半径;其中所述预设参数包括:所述地理位置的名称和/或所属环路,所述所属环路表示围绕所述目标区域的环路中最小的环路;
时空域划分模块,用于将所述卡口集合在所述任一卡口标准搜索半径内的卡口划分为与所述任一卡口对应的第一时空域。
14.一种电子设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任何一项所述的方法。
15.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行权利要求1-12任何一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111202157.9A CN114037852A (zh) | 2021-10-15 | 2021-10-15 | 人像聚类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111202157.9A CN114037852A (zh) | 2021-10-15 | 2021-10-15 | 人像聚类方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037852A true CN114037852A (zh) | 2022-02-11 |
Family
ID=80135036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111202157.9A Pending CN114037852A (zh) | 2021-10-15 | 2021-10-15 | 人像聚类方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037852A (zh) |
-
2021
- 2021-10-15 CN CN202111202157.9A patent/CN114037852A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Human mobility and socioeconomic status: Analysis of Singapore and Boston | |
US9733094B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
Chen et al. | Delineating urban functional areas with building-level social media data: A dynamic time warping (DTW) distance based k-medoids method | |
CN108446293A (zh) | 一种基于城市多源异构数据构建城市画像的方法 | |
Nurmi et al. | Identifying meaningful places: The non-parametric way | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN105095991A (zh) | 用于人群风险预警的方法及装置 | |
CN102184311A (zh) | 移动pda现场应急指挥系统 | |
CN116011322A (zh) | 基于数字孪生的城市信息展示方法、装置、设备及介质 | |
Zhou et al. | An efficient access model of Massive spatiotemporal Vehicle trajectory data in Smart City | |
CN114219379B (zh) | 一种适用于社区服务圈的资源配套评估方法、及系统 | |
Hu et al. | A framework to detect and understand thematic places of a city using geospatial data | |
CN110012426B (zh) | 消亡poi的确定方法、装置、计算机设备和存储介质 | |
CN108804507A (zh) | 用户的住址位置确定方法及系统 | |
George et al. | Spatio-temporal event detection using poisson model and quad-tree on geotagged social media | |
CN116433053A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114037852A (zh) | 人像聚类方法、装置、电子设备和存储介质 | |
Honarvar et al. | Particular matter prediction using synergy of multiple source urban big data in smart cities | |
CN116108120A (zh) | 用于轨迹数据的网格索引方法、轨迹数据搜索方法和装置 | |
Shad et al. | Precise location acquisition of mobility data using cell-id | |
CN113961826A (zh) | 摄像头查找方法、装置、智能终端及计算机可读存储介质 | |
CN114511125A (zh) | 一种空间划分方法、装置、设备及介质 | |
CN114339606B (zh) | 确定用户位置的方法、装置、存储介质和电子设备 | |
Salnikov et al. | The geography and carbon footprint of mobile phone use in Côte d’Ivoire | |
Feng et al. | EHSTC: An enhanced method for semantic trajectory compression |
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 |