CN114078269A - 一种人脸图像聚类方法、装置、服务器和存储介质 - Google Patents
一种人脸图像聚类方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN114078269A CN114078269A CN202010837159.4A CN202010837159A CN114078269A CN 114078269 A CN114078269 A CN 114078269A CN 202010837159 A CN202010837159 A CN 202010837159A CN 114078269 A CN114078269 A CN 114078269A
- Authority
- CN
- China
- Prior art keywords
- face
- target
- area
- image
- centroid
- 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
- 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)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种人脸图像聚类方法、装置、服务器和存储介质,方法包括:获取目标图像采集器采集的目标人脸图像;确定目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;将目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。本申请实施例将目标人脸与属于目标区域的人脸质心进行比对,可以提升聚类的准确性,而且在比对聚类时避免了将目标人脸图像与全量的人脸质心进行比对,也即降低了质心比对的基数,提升了聚类的效率。
Description
技术领域
本申请实施例涉及视频监控技术领域,尤其涉及一种人脸图像聚类方法、装置、服务器和存储介质。
背景技术
随着互联网技术及计算机技术的发展,越来越多的数据被保存到硬盘中,拥有大量用户数据的公司也抓紧步伐将精力投入到对这些数据的挖掘再利用,例如在人脸图像业务中,需要对大量的人脸图片进行标签化,得到一个人的多张抓拍照片对应一个标签的数据结果集,从而用来支撑大数据量的研判与分析业务,减轻一线公安民警的工作压力,进一步提升公安系统的智能化。
传统的聚类算法属于机器学习领域的一种无监督式的学习算法,可以将具有相似特征的数据划为一类。但一般的聚类算法的时间复杂度较高,导致人脸图像的聚类的效率较低;而针对birch(Balanced Iterative Reducing and Clustering UsingHierarchies,基于层次结构的平衡迭代约简与聚类)算法,虽然算法的时间复杂度相对一般的聚类算法低,但该种算法准确度却较低。由此使得利用传统的聚类算法对数据进行聚类,很难保证数据的实效性以及聚类的准确度。
发明内容
本申请实施例提供一种人脸图像实时聚类方法、装置、服务器和存储介质,以解决大数据量人脸数据聚类时的准确性和实时性问题,提高聚类的速度以及聚类结果的准确度。
第一方面,本申请实施例提供了一种人脸图像实时聚类方法,包括:
获取目标图像采集器采集的目标人脸图像;
确定所述目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;
将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
第二方面,本申请实施例提供了一种人脸图像聚类装置,包括:
图像获取模块,用于获取目标图像采集器采集的目标人脸图像;
第一位置确定与质心获取模块,用于确定所述目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;
第一类型确定模块,用于将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
第三方面,本申请实施例还提供了一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如本申请任一实施例的人脸图像聚类方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请任一实施例的人脸图像聚类方法。
本申请实施例中,在获取目标人脸图像后,确定目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心,进而将目标人脸图像与目标区域的人脸质心进行比对,以确定目标人脸所属类别。由于将目标人脸与属于目标区域的人脸质心进行比对,可以提升聚类的准确性,而且在比对聚类时避免了将目标人脸图像与全量的人脸质心进行比对,也即降低了质心比对的基数,提升了聚类的效率。
附图说明
图1a是根据本申请第一实施例中的人脸图像聚类方法的流程示意图;
图1b是根据本申请第一实施例中各图像采集器进行区域划分后的示意图;
图2是根据本申请第二实施例中的人脸图像聚类方法的流程示意图;
图3是根据本申请第三实施例中的人脸图像聚类方法的逻辑流程图;
图4是根据本申请第四实施例中的人脸图像聚类方法的流程示意图;
图5是根据本申请第五实施例中的人脸图像聚类装置的结构示意图;
图6是根据本申请第六实施例中的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非所有结构。
图1a是根据本申请第一实施例提供的人脸图像聚类方法的流程图,本实施例可适用于需要进行人脸图像实时聚类的情况,该方法可以由人脸图像聚类装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成在服务器集群。
由于现有的聚类方法,在当数据量较大时,聚类耗时则呈指数级增长,如果考虑降低算法迭代训练的次数,则会牺牲很大的准确度;而且在聚类时,需要将质心数据全部读入内存中进行比较,导致聚类的效率较低。针对现有问题,发明人创造性的提出了本申请的人脸聚类方法。由于本申请的人脸图像聚类方法应用于服务器集群,而在集群模式下,如果每个服务器节点都保存全量质心数据势必会导致内存浪费,同时新增质心时难以保证新增质心在集群间的同步,因此将数据按照固定规则分布到不同的服务器节点上。
在一种可选的实施方式中,首先,基于划分规则对图像采集器进行区域划分,具体的,可根据各图像采集器的地理位置信息,对各图像采集器进行区域划分,得到至少一个地理区域,并对每个地理区域进行编号以及记录各地理区域之间的位置关系。示例性的,参见图1b,其示出了对各图像采集器进行区域划分后的示意图,其中包括编号1001-1025共25个地理区域。需要说明的是,每个地理区域内包括内至少一个图像采集器,且同一个地理区域内的图像采集器共用这个地理区域的编号。
其次,在划分完地理区域后,还需保证每个区域内的质心数量比较均等。而在实现时,可选的,针对任一地理区域,根据预设的质心数量阈值,以及预先依据该地理区域内各图像采集器的人脸图像采集记录确定的人脸质心,确定属于该地理区域的人脸质心,并将该地理区域的人脸质心保存到集群的数据库中,其中,属于一个地理区域的人脸质心数量可人为配置。而依据该地理区域内各图像采集器的人脸图像采集记录确定的人脸质心的过程包括:对各图像采集器的采集记录包括的人脸图像进行聚类,得到多个人脸质心,例如针对某一个图像采集器的采集的100张人脸图像,通过聚类后发现这100张人脸图像属于10个人,由此将100张图像分成10组,每组对应一个人脸质心,也即得到10个人脸质心来分别表征这10个人的人脸特征信息。
示例性的,针对图1b中的编号1009这个地理区域,初始状态下,先取出该区域1/4(参数可配,可调整为其他比例)的区域面积覆盖下的图像采集器信息,并将这些图像采集器的抓拍记录所对应的质心数据加入编号1009区域中,加入后统计编号1009区域中已拥有的质心数量,与质心数量阈值X进行比较,如果小于X,则继续加入下一个1/4区域面积覆盖下的图像采集器所对应的质心数据,如此往复,直至编号1009区域中的质心数量大于X,即进入下一个地理区域的质心数据划分,划分完成之后将其持久化到数据库中保存。
在此需要说明的是,为了更合理对图像采集器进行划分,还可以通过自定义划分策略及人为修改区域划分数据,自定义的划分策略可选的包含根据地图数据及路网信息等数据进行区域划分。
最后,为了保证临近的区域尽可能位于同一台服务器中,区域及其所属数据在集群中的存储方式则根据实际的集群数量以及区域的编号进行弹性划分,且相邻编号的区域分布在同一个节点上。可选的,根据地理区域的数量M、服务器集群中服务器节点的数量L,并将M与L的商值作为每个服务器节点所分配到的区域数量,进而确定各地理区域分别所属的服务器节点。示例性的,例如将1001-1005区域划分到服务器节点node1上,1006-1010划分到node2上,依次类推由此保证区域数量在每个服务器节点上均匀分布。
需要说明的是,通过上述的分配操作,实现了数据分簇,便于后续比对聚类时降低比对的质心基数。
在上述的技术上,如图1a所示,人脸图像聚类方法具体包括如下流程:
S101、获取目标图像采集器采集的目标人脸图像。
其中,图像采集器可选的监控摄像机或者其他可以拍摄图像的电子设备。
S102、确定目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心。
其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域,示例性的,目标区域为编号1009的地理区域;本申请实施例中,将同一个人的多张人脸图片的特征信息融合之后的平均特征信息称为人脸质心,人脸质心可以表达出一个人人脸的特征信息,通常一个人的人脸图片拥有同一个人脸质心,因此人脸质心可用于表征已经聚类后的人脸图像集合。
由于同一个区域的凸显采集器共用该区域得到的编号,因此可根据目标图像采集器使用的区域编号,确定目标图像采集器所在的目标区域,进而获取属于目标区域的所有人脸质心。由于各区域的人脸质心存存储集群数据库中,因此可在从数据库中获取属于目标区域的所有人脸质心,并将人脸质心按照预设存储格式保存在目标区域所属的目标服务器节点的内存中。需要说明的是,将属于目标区域的人脸质心数据加载到服务器内存中,从而提高后续的比对聚类的效率,而且在内存中人脸质心数据按照预设格式存储,可进一步保证更快的确定比对结果。
S103、将目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
在一种可选的实施方式中,将目标人脸图像与属于目标区域的所有人脸质心分别进行比对时,可通过计算目标人脸图像与人脸质心的相似度,例如计算目标人脸图像与人脸质心之间的欧氏距离或者余弦距离,并根据相似度确定是否存在与目标人脸图像相匹配的目标人脸质心,例如将相似度大于预设阈值的人脸质心作为目标人脸质心。若存在与目标人脸图像相匹配的目标人脸质心,则确定目标人脸图像与目标人脸质心属于同一类型。在此需要说明的是,如果目标区域某一图像采集器拍摄到目标人脸图像,则表明目标人物在该目标区域出现,该目标区域的其它图像采集器可能已采集过该目标人物,也即目标区域内可能存在其对应的人脸质心,因此将属于该区域的人脸质心分别与目标人脸图像进行比对聚类,可提升聚类的准确性。
本申请实施例中,通过区域划分,实现了对质心数据的区域划分,进而在获取目标人脸图像后,确定目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心,进而将目标人脸图像与目标区域的人脸质心进行比对,以确定目标人脸所属类别。由此将目标人脸与属于目标区域的人脸质心进行比对,不但可以提升聚类的准确性,而且在比对聚类时避免了将目标人脸图像与全量的人脸质心进行比对,也即降低了质心比对的基数,减少无效的比对聚类,提升了聚类的效率。
图2是根据本申请第二实施例的人脸图像聚类方法的流程图,本实施例是在上述实施例的基础上进行优化,参见图2,该方法包括:
S201、获取目标图像采集器采集的目标人脸图像。
S202、确定目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心。
其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合。
而获取属于目标区域所有人脸质心的过程包括:从数据库中获取属于目标区域或者属于关联区域的所有人脸质心,并将所述人脸质心按照预设存储格式保存在目标区域所属的目标服务器节点的内存中。
进一步的,人脸质心除了包括人脸特征的数据信息外,还至少包括结构化属性信息;其中,结构化属性信息包括如下至少一项:性别、年龄段、肤色、是否佩戴眼镜。相应的,在服务器节点内存中存储人脸质心时,可选的,整体的数据存储采用键值对的方式进行存储。示例性的,以两种结构化属性为例,按照如下格式进行存储:Map<key1,Map<key2,date>>,其中,key1为第一种结构化属性,例如为男女属性;key2为第二种结构化属性,例如为是否戴眼镜属性;data为质心所保存的特性信息以及必要的其他信息。
S203、将目标人脸图像与属于目标区域的所有人脸质心分别进行比对。
为了减少比对质心基数,可先通过比对结构化属性信息,对获取的人脸质心进行筛选,进而比对筛选后的质心数据,示例性的,采集到的目标人脸图像经过采集器分析过后,分析出来结构化属性信息,例如性别、是否戴眼镜等。如果一条实时数据分析出来,分析得出这是一张女性的图片,那先只和已被分析出来是女性的质心进行比对,必然能够提高命中的概率。
具体实现时,先获取目标人脸图像中包括的结构化属性信息;将目标人脸图像中包括的结构化属性信息,与各人脸质心中的结构化属性信息进行比对,筛选出比对结果相同的人脸质心;将目标人脸图像依次与筛选出的人脸质心进行比对。如果存在与目标人脸图像匹配的目标人脸质心,则确定目标人脸图像与目标质心属于同一类型。在本申请实施例中,人脸质心中还包括表征类型的标签数据,在确定与目标人脸图像相匹配的目标人脸质心后,将目标人脸质心包括的标签添加的目标人脸图像上,以表征两者属于同一类型。
S204、判断是否已确定目标人脸所属类别,若否,则执行S205-S206。
S205、根据预设的区域范围参数,确定目标区域的关联区域,并获取属于关联区域的所有人脸质心数据。
其中,关联区域包括根据与目标区域的距离被划分为不同层级的地理区域;区域范围参数用于确定层级的数量。示例性的,参见图1b,若目标区域为编号1009的地理区域,根据与编号1009区域的距离,可将编号1001-1008的地理区域作为第一层级的地理区域,将编号1010-1025的区域作为第二层级的地理区域。如果区域范围参数的值等于1,则确定目标区域的关联区域为第一层级的地理区域,也即关联区域包括编号1001-1008的8个地理区域。进而获取属于关联区域的所有人脸质心数据包括:获取组成关联区域的各个地理区域(即编号1001-1008的区域)的人脸质心数据。
具体的,从数据库中获取属于关联区域的所有人脸质心,并将人脸质心按照预设存储格式保存在关联区域所属的目标服务器节点的内存中。由于区域划分时,不同的地理区域分属于集群中不同的服务器节点,因此获取各区域的人脸质心是由各区域所属服务器节点执行的,示例性的,由于1001-1005区域属于服务器节点node1,1006-1008属于服务器节点node2。因此,由服务器节点node1执行获取属于编号1001-1005区域的人脸质心后,将人脸质心按照预设存储格式保存在服务器节点node1上,进而由服务器节点node1按照S206的步骤进行比对;进一步的,如果目标人脸图像与属于编号1001-1005区域的人脸质心比对后,没有相匹配的目标人脸质心,则由服务器节点node2执行获取属于编号1006-1008区域的人脸质心后,将人脸质心按照预设存储格式保存在服务器节点node2上,进而由服务器节点node2按照S206的步骤进行比对。
S206、将目标人脸图像数据与属于关联区域的所有人脸质心数据分别进行比对,并根据比对结果确定目标人脸数据所属的类别。
可选的,将目标人脸图像数据与属于关联区域的所有人脸质心数据分别进行比对,与将目标人脸图像与属于目标区域的所有人脸质心分别进行比对的过程类似。可选的,先获取目标人脸图像中包括的结构化属性信息;将目标人脸图像中包括的结构化属性信息,与各人脸质心中的结构化属性信息进行比对,筛选出比对结果相同的人脸质心;将目标人脸图像依次与筛选出的人脸质心进行比对。
本申请实施例,在目标区域不存在与目标人脸图像匹配的人脸质心时,将目标人脸图像与不同层级的地理区域中的人脸质心进行比较,实现了通过多级聚类的方式对采集器抓拍人脸图像进行实时比对聚类,能够提高聚类准确度及聚类结果的时效性,同时在比对过程中,通过图像的结构化属性信息,对人脸质心进行筛选,降低质心比对的基数,提高了聚类的效率,而且充分的利用了集群资源。
图3是根据本申请第三实施例的人脸图像聚类方法的逻辑流程图,本实施例是在上述实施例的基础上进行优化,参见图3,该方法包括:
在开始人脸图像聚类后,确定图像采集器所在的初始区域,并将采集的人脸图像与初始区域的人脸质心进行比对,并判断是否存在与人脸图像相匹配的目标人脸质心,也即人脸图像是否命中一个目标人脸质心,若是命中,则获取并返回目标人脸质心中保存的标签数据,也即确定人脸图像的标签,本申请实施例中,每一个标签代表了一个类型,也即带有相同标签的图像属于同一类型。
进一步的,如果人脸图像没有命中一个目标人脸质心,则根据初始区域和预设的区域范围参数,选择不同层级的地理区域,进而将人脸图像与不同层级地理区域的人脸质心依次进行比对,如果命中目标人脸质心,则返回其包含的标签,否则继续判断,如果判断结束后,依然没有命中目标人脸质心,则新增标签并保存到数据库,也即是为采集的人脸图像新建一个类别。
本申请实施例中,采用多级聚类方式对采集器抓拍人脸图片进行实时比对聚类,能够提高聚类准确度及聚类结果的时效性。
图4是根据本申请第四实施例的人脸图像聚类方法的流程图,本实施例是在上述实施例的基础上进行优化,参见图4,该方法包括:
S401、在第一地理区域中存在与目标人脸图像相匹配的人脸质心后,若在第二地理区域采集到目标人脸图像,且属于第二地理区域的人脸质心与所述目标人脸图像均不匹配,则分别确定在第一地理区域和第二地理区域采集到目标人脸图像的第一采集时间和第二采集时间,以及确定第一地理区域和第二地理区域之间的空间距离。
S402、若第二采集时间晚于第一采集时间,且所述空间距离大于预设阈值,则将与目标人脸图像匹配的人脸质心从第一地理区域迁移到第二地理区域。
在正常生活场景下,一个人的活动范围不可能一直固定在同一个地理区域下,可能会跨区域活动。而一般从一个区域到另一个区域,两个区域的距离都较远,与此同时,从一个区域活动到下一个区域,一般都会在第二个区域被多次抓拍,故单纯的依靠上述实施例中的比对聚类流程,势必会造成大量的扩展不同层级的地理区域进行比对聚类的步骤,从而导致大量不必要的比对流程。
因此发明人创造性的提出一种质心迁移的方式,具体的,如果在第一地理区域中采集到目标人脸图像后,通过上述实施例的比对过程,确定在第一地理区域中存在与目标人脸图像相匹配的人脸质心。同时若在第二地理区域采集到目标人脸图像,且属于第二地理区域的人脸质心与所述目标人脸图像均不匹配,则分别确定在第一地理区域和第二地理区域采集到目标人脸图像的第一采集时间和第二采集时间,以及确定第一地理区域和第二地理区域之间的空间距离。
若第二采集时间晚于第一采集时间,也即人脸图像对应的目标人物从第一地理区域经过一段时间后,运动到第二地理区域,可能需要发生质心迁移。另外,因为质心数据的迁移可能涉及到服务器节点的数据通信,如果过于频繁,可能会影响集群稳定性。因此,为了保证集群稳定性,还需计算两个区域的空间距离,如果大于预设阈值,才进行质心数据的迁移,也即将与目标人脸图像匹配的人脸质心从第一地理区域迁移到第二地理区域。
本申请实施例中,根据时间和空间两个维度,动态变更根据区域划分的质心数据,以便后续减少不必要的质心比对,提高了标签命中率。
图5是根据本申请第五实施例的人脸图像聚类装置的结构示意图,本实施例可适用于任何需要进行人脸图像聚类的情况,参见图5,该装置包括:
图像获取模块501,用于获取目标图像采集器采集的目标人脸图像;
第一位置确定与质心获取模块502,用于确定所述目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;
第一类型确定模块503,用于将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
在上述实施例的基础上,可选的,该装置还包括:
第二位置确定与质心获取模块,用于若基于目标区域的人脸质心无法确定目标人脸所属类别,则根据预设的区域范围参数,确定目标区域的关联区域,并获取属于所述关联区域的所有人脸质心数据;
第二类型确定模块,用于将所述目标人脸图像数据与属于关联区域的所有人脸质心数据分别进行比对,并根据比对结果确定目标人脸数据所属的类别。
在上述实施例的基础上,可选的,关联区域包括根据与目标区域的距离被划分为不同层级的地理区域;区域范围参数用于确定层级的数量。
在上述实施例的基础上,可选的,该装置还包括区域划分模块,用于:
根据各图像采集器的地理位置信息,对各图像采集器进行区域划分,得到至少一个地理区域,并记录各地理区域之间的位置关系;其中,每个地理区域内包括内至少一个图像采集器。
在上述实施例的基础上,可选的,区域划分模块还用于:
针对任一地理区域,根据预设的质心数量阈值,以及预先依据该地理区域内各图像采集器的人脸图像采集记录确定的人脸质心,确定属于该地理区域的人脸质心,并将该地理区域的人脸质心保存到集群的数据库中;
根据地理区域的数量、服务器集群中服务器节点的数量,确定各地理区域分别所属的服务器节点。
在上述实施例的基础上,可选的,第一/第二位置确定与质心获取模块还包括获取单元,该获取单元用于:
从数据库中获取属于目标区域或者属于关联区域的所有人脸质心,并将所人脸质心按照预设存储格式保存在目标区域或者关联区域所属的目标服务器节点的内存中。
在上述实施例的基础上,可选的,人脸质心至少包括结构化属性信息;其中,结构化属性信息包括如下至少一项:性别、年龄段、肤色、是否佩戴眼镜;
相应的,第一类型确定模块还用于:
获取目标人脸图像中包括的结构化属性信息;
将目标人脸图像中包括的结构化属性信息,与各人脸质心中的结构化属性信息进行比对,筛选出比对结果相同的人脸质心;
将目标人脸图像依次与筛选出的人脸质心进行比对。
在上述实施例的基础上,可选的,该装置还包括质心迁移模块,用于:
在第一地理区域中存在与目标人脸图像相匹配的人脸质心后,若在第二地理区域采集到目标人脸图像,且属于第二地理区域的人脸质心与所述目标人脸图像均不匹配,则分别确定在第一地理区域和第二地理区域采集到目标人脸图像的第一采集时间和第二采集时间,以及确定第一地理区域和第二地理区域之间的空间距离;
若第二采集时间晚于第一采集时间,且所述空间距离大于预设阈值,则将与目标人脸图像匹配的人脸质心从第一地理区域迁移到第二地理区域。
本申请实施例所提供的人脸图像聚类装置可执行本申请任意实施例所提供的人脸图像聚类方法,具备执行方法相应的功能模块和有益效果。
图6是根据本申请第六实施例的一种服务器的结构示意图。本申请实施例的人脸图像聚类方法应用于服务器集群,该服务器集群包括多个服务器节点,每个服务器节点的结构如图6所示包括:一个或多个处理器602和存储器601;该服务器中的处理器602可以是一个或多个,图6中以一个处理器602为例;存储器601用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器602执行,使得所述一个或多个处理器602实现如本申请实施例中任一项所述的安全通信方法。
该服务器还可以包括:输入装置603和输出装置604。
该服务器中的处理器602、存储器601、输入装置603和输出装置604可以通过总线或其他方式连接,图6中以通过总线连接为例。
该服务器中的存储装置601作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本申请实施例中所提供的应用控制方法对应的程序指令/模块。处理器602通过运行存储在存储装置601中的软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中安全通信方法。
存储装置601可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;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器601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、或其他非易失性固态存储器件。在一些实例中,存储器601可进一步包括相对于处理器602远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置603可用于接收输入的数字或字符信息,以及产生与服务器的用户设置以及功能控制有关的键信号输入。输出装置604可包括显示屏等显示设备。
并且,当上述服务器所包括一个或者多个程序被所述一个或者多个处理器602执行时,程序进行如下操作:
获取目标图像采集器采集的目标人脸图像;
确定所述目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;
将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
当然,本领域技术人员可以理解,当上述服务器所包括一个或者多个程序被所述一个或者多个处理器602执行时,程序还可以进行本申请任意实施例中所提供的应用控制方法中的相关操作。
本申请的一个实施例中提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时用于执行安全通信方法,该方法包括:
获取目标图像采集器采集的目标人脸图像;
确定所述目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;
将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
可选的,该程序被处理器执行时还可以用于执行本申请任意实施例中所提供的方法。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机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。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、无线电频率(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(例如包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (11)
1.一种人脸图像聚类方法,其特征在于,应用于服务器集群,所述方法包括:
获取目标图像采集器采集的目标人脸图像;
确定所述目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;
将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若基于目标区域的人脸质心无法确定目标人脸所属类别,则根据预设的区域范围参数,确定目标区域的关联区域,并获取属于所述关联区域的所有人脸质心数据;
将所述目标人脸图像数据与属于关联区域的所有人脸质心数据分别进行比对,并根据比对结果确定目标人脸数据所属的类别。
3.根据权利要求2所述的方法,其特征在于,所述关联区域包括根据与目标区域的距离被划分为不同层级的地理区域;所述区域范围参数用于确定层级的数量。
4.根据权利要求1所述的方法,其特征在于,预先基于划分规则对图像采集器进行区域划分的过程包括:
根据各图像采集器的地理位置信息,对各图像采集器进行区域划分,得到至少一个地理区域,并记录各地理区域之间的位置关系;其中,每个地理区域内包括内至少一个图像采集器。
5.根据权利要求4所述的方法,其特征在于,在得到至少一个地理区域之后,所述方法还包括:
针对任一地理区域,根据预设的质心数量阈值,以及预先依据该地理区域内各图像采集器的人脸图像采集记录确定的人脸质心,确定属于该地理区域的人脸质心,并将该地理区域的人脸质心保存到集群的数据库中;
根据地理区域的数量、服务器集群中服务器节点的数量,确定各地理区域分别所属的服务器节点。
6.根据权利要求5所述的方法,其特征在于,获取属于目标区域或者属于关联区域的所有人脸质心的过程包括:
从数据库中获取属于目标区域或者属于关联区域的所有人脸质心,并将所述人脸质心按照预设存储格式保存在目标区域或者关联区域所属的目标服务器节点的内存中。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述人脸质心至少包括结构化属性信息;其中,所述结构化属性信息包括如下至少一项:性别、年龄段、肤色、是否佩戴眼镜;
相应的,将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,包括:
获取目标人脸图像中包括的结构化属性信息;
将目标人脸图像中包括的结构化属性信息,与各人脸质心中的结构化属性信息进行比对,筛选出比对结果相同的人脸质心;
将目标人脸图像依次与筛选出的人脸质心进行比对。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在第一地理区域中存在与目标人脸图像相匹配的人脸质心后,若在第二地理区域采集到目标人脸图像,且属于第二地理区域的人脸质心与所述目标人脸图像均不匹配,则分别确定在第一地理区域和第二地理区域采集到目标人脸图像的第一采集时间和第二采集时间,以及确定第一地理区域和第二地理区域之间的空间距离;
若第二采集时间晚于第一采集时间,且所述空间距离大于预设阈值,则将与目标人脸图像匹配的人脸质心从第一地理区域迁移到第二地理区域。
9.一种人脸图像聚类装置,其特征在于,包括:
图像获取模块,用于获取目标图像采集器采集的目标人脸图像;
第一位置确定与质心获取模块,用于确定所述目标图像采集器所在目标区域,并获取属于目标区域的所有人脸质心;其中,目标区域是指预先基于划分规则对图像采集器进行区域划分后得到的任一地理区域;人脸质心用于表征已经聚类后的人脸图像集合;
第一类型确定模块,用于将所述目标人脸图像与属于目标区域的所有人脸质心分别进行比对,并根据比对结果确定目标人脸所属类别。
10.一种服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的人脸图像聚类方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的人脸图像聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837159.4A CN114078269A (zh) | 2020-08-19 | 2020-08-19 | 一种人脸图像聚类方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837159.4A CN114078269A (zh) | 2020-08-19 | 2020-08-19 | 一种人脸图像聚类方法、装置、服务器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114078269A true CN114078269A (zh) | 2022-02-22 |
Family
ID=80282448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010837159.4A Pending CN114078269A (zh) | 2020-08-19 | 2020-08-19 | 一种人脸图像聚类方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114078269A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973727A (zh) * | 2022-08-02 | 2022-08-30 | 成都工业职业技术学院 | 一种基于乘客特征的智能驾驶方法 |
CN116071860A (zh) * | 2023-03-07 | 2023-05-05 | 雷图志悦(北京)科技发展有限公司 | 一种门禁数据管理方法及系统 |
-
2020
- 2020-08-19 CN CN202010837159.4A patent/CN114078269A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973727A (zh) * | 2022-08-02 | 2022-08-30 | 成都工业职业技术学院 | 一种基于乘客特征的智能驾驶方法 |
CN114973727B (zh) * | 2022-08-02 | 2022-09-30 | 成都工业职业技术学院 | 一种基于乘客特征的智能驾驶方法 |
CN116071860A (zh) * | 2023-03-07 | 2023-05-05 | 雷图志悦(北京)科技发展有限公司 | 一种门禁数据管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111756848B (zh) | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 | |
CN111324643A (zh) | 知识图谱的生成方法、关系挖掘方法、装置、设备和介质 | |
CN104426841A (zh) | 设置背景图像的方法及相关的服务器和系统 | |
CN110569321B (zh) | 基于城市地图的网格划分处理方法、装置和计算机设备 | |
CN114244595B (zh) | 权限信息的获取方法、装置、计算机设备及存储介质 | |
CN114078269A (zh) | 一种人脸图像聚类方法、装置、服务器和存储介质 | |
US20220138893A9 (en) | Distributed image analysis method and system, and storage medium | |
Nikitopoulos et al. | Hot spot analysis over big trajectory data | |
CN115002414A (zh) | 监测方法、装置及服务器和计算机可读存储介质 | |
CN111459723B (zh) | 终端数据处理系统 | |
CN114078277A (zh) | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 | |
CN109145225B (zh) | 一种数据处理方法及装置 | |
CN111475746A (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
WO2019000468A1 (zh) | 用户位置识别方法、装置、存储介质及电子设备 | |
CN116668580B (zh) | 场景识别的方法、电子设备及可读存储介质 | |
US11836637B2 (en) | Construction method of human-object-space interaction model based on knowledge graph | |
CN115082999A (zh) | 合影图像人物分析方法、装置、计算机设备和存储介质 | |
CN114356712A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
CN113449130A (zh) | 一种图像检索方法、装置、一种计算机可读存储介质和计算设备 | |
CN116668576B (zh) | 获取数据的方法、设备、云端管理平台、系统及存储介质 | |
Li et al. | EV-matching: Bridging large visual data and electronic data for efficient surveillance | |
CN115565215B (zh) | 一种人脸识别算法切换方法、装置及存储介质 | |
CN117495063B (zh) | 警力资源调度方法、装置、电子设备和计算机可读介质 | |
CN115858875B (zh) | 基于频繁图模式挖掘的企业员工层级关系发现方法及装置 | |
CN117008487B (zh) | 一种基于物联网的智能家居控制系统及方法 |
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 |