CN114972781A - 聚档优化方法、电子设备及计算机可读存储介质 - Google Patents
聚档优化方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114972781A CN114972781A CN202210412760.8A CN202210412760A CN114972781A CN 114972781 A CN114972781 A CN 114972781A CN 202210412760 A CN202210412760 A CN 202210412760A CN 114972781 A CN114972781 A CN 114972781A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- images
- adjacent
- pair
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种聚档优化方法、电子设备及计算机可读存储介质,该聚档优化方法包括:获取多个目标档案,其中,预先对多个待聚类图像进行聚类处理,得到多个目标档案;分别确定各个目标档案是否存在错拍图像以及漏拍图像;响应于目标档案存在错拍图像,将错拍图像从目标档案转移至候选集合中;响应于目标档案存在漏拍图像,在候选集合中查找漏拍图像,并将查找到的漏拍图像加入目标档案。本申请所提供的聚档优化方法能够提高聚档的准确率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种聚档优化方法、电子设备及计算机可读存储介质。
背景技术
图像聚档技术可以对抓拍设备采集的图像数据进行整理,聚类成一个目标对象一个档案,实现结构化的信息存储和对比分析,在众多领域发挥着不可估量的作用。但是目前在进行图像聚档时,因为存在识别错误等因素,图像聚档的准确率还有待进一步提升。
发明内容
本申请提供一种聚档优化方法、电子设备及计算机可读存储介质,能够提高聚档的准确率。
本申请实施例第一方面提供一种聚档优化方法,所述方法包括:获取多个目标档案,其中,预先对多个待聚类图像进行聚类处理,得到多个所述目标档案;分别确定各个所述目标档案是否存在错拍图像以及漏拍图像;响应于所述目标档案存在所述错拍图像,将所述错拍图像从所述目标档案转移至候选集合中;响应于所述目标档案存在所述漏拍图像,在所述候选集合中查找所述漏拍图像,并将查找到的所述漏拍图像加入所述目标档案。
本申请实施例第二方面提供一种电子设备,所述电子设备包括处理器、存储器以及通信电路,所述处理器分别耦接所述存储器、所述通信电路,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现上述方法中的步骤。
本申请实施例第三方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序能够被处理器执行以实现上述方法中的步骤。
有益效果是:本申请的方法将目标档案中存在的错拍图像转移至候选集合,一方面可以去除目标档案中存在的错拍图像,另外一方面可以从候选集合查找目标档案中存在的漏拍图像,缩小漏拍图像的查找范围,提高查找效率,并在将查找到的漏拍图像加入目标档案后,可以保证目标档案中图像的完整性,进而提高聚档的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。其中:
图1是本申请聚档优化方法一实施方式的流程示意图;
图2是本申请设备拓扑结构图;
图3是图1中步骤S140的部分流程示意图;
图4是图3中步骤S142的流程示意图;
图5是图4中步骤S1422的流程示意图;
图6是图1中步骤S140的另一部分流程示意图;
图7是本申请电子设备一实施方式的结构示意图;
图8是本申请电子设备另一实施方式的结构示意图;
图9是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。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的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。
参阅图1,图1是本申请聚档优化一实施方式的流程示意图,该方法包括:
S110:获取多个目标档案,其中,预先对多个待聚类图像进行聚类处理,得到多个目标档案。
具体地,预先对多个待聚类图像进行聚类处理,得到多个目标档案。
其中,多个待聚类图像均是抓拍设备对同一类目标对象进行抓拍的图像,例如,均是对人,或者均是对车辆,又或者均是对动物等进行抓拍的图像。
在一应用场景中,考虑目标档案中的图像数据有的已经被处理为数据流的形式,但是有的还是图像数据,为了后续的识别和计算,需要对每个目标档案中的图像数据进行预处理,预处理的过程包括:首先将目标档案中的图像的尺寸进行归一化处理,使所有图像的大小一致,然后考虑到不同抓拍设备采集的图像,由于明暗、对比度等因素,会出现图像像素过大的问题,而为了让图像更加有效的进行后续的识别,削弱抓拍设备、光照、色彩等因素的影响,需要对图像进行标准化处理。
其中,本申请不限制对图像进行标准化处理的具体过程,例如可以采用如下公式对图像进行标准化处理:
经过标准化之后的数据更加符合正态分布,数据维度之间的差异会被缩小到一个很小的范围,可以有效地避免下梯度下降过程中出现的震荡,能够有效的进行后续的处理。
需要说明的是,上述预处理过程不是必经过程,在其他实施方式中,可以不进行预处理过程。
S120:分别确定各个目标档案是否存在错拍图像以及漏拍图像。
具体地,目标档案存在错拍图像指的是,目标档案所包括的不是同一个目标对象的图像,而除了其中一个目标对象的图像外,其余目标对象的图像均是错拍图像;目标档案存在漏拍图像指的是,目标档案中遗失了所对应目标对象的抓拍图像。
S130:响应于目标档案存在错拍图像,将错拍图像从目标档案转移至候选集合中。
具体地,在确定目标档案存在错拍图像后,将查找到的错拍图像转移至候选集合中,一方面可以去除目标档案中存在的错拍图像,保证目标档案中图像的正确率,另一方面候选集合的设置,可以缩小后续查找漏拍图像的范围。
S140:响应于目标档案存在漏拍图像,在候选集合中查找漏拍图像,并将查找到的漏拍图像加入目标档案。
具体地,由于多个目标档案是对多个待聚类图像进行聚类处理而得到的,因此在该多个目标档案中,如果一个目标档案存在错拍图像,那必然会有另外一个目标档案存在漏拍图像,进而目标档案存在的漏拍图像必然存在于候选集合中,从而从候选集合中查找目标档案存在的漏拍图像可以缩小查找的范围,提高查找效率,并在将查找到的漏拍图像加入目标档案后,可以保证目标档案中图像的完整性。
从上述内容可以看出,本实施方式将目标档案中存在的错拍图像加入候选集合,一方面可以去除目标档案中存在的错拍图像,另外一方面可以从候选集合查找目标档案中存在的漏拍图像,缩小漏拍图像的查找范围,提高查找效率,并在将查找到的漏拍图像加入目标档案后,可以保证目标档案中图像的完整性,进而提高聚档的准确率。
在本实施方式中,步骤S120包括:分别将各个目标档案输入预先训练好的分类模型,以确定各个目标档案是否存在错拍图像以及漏拍图像。
其中,预先采用有标签数据对分类模型进行监督训练,使得训练得到的分类模型能够确定接收到的目标档案是否存在错拍图像以及漏拍图像。
其中,分类模型可以是支持向量机、决策树、序列模型RNN或者LSTM等,在此本申请对分类模型的结构不做限制。
在确定目标档案是否存在错拍图像以及漏拍图像后,再进一步查找目标档案中存在的错拍图像或者漏拍图像,该过程可参见下文。
在本实施方式中,从目标档案查找存在的错拍图像的方案有如下三种:
第一种方案包括:(a1)响应于目标档案存在错拍图像,基于目标档案中的目标图像的抓拍时间,确定目标档案对应的目标对象每次通过邻近设备对所用的时长,其中,邻近设备对包括位置相邻且通过道路连通的两个抓拍设备;(b1)响应于确定的时长中存在异常值,将目标档案中异常值对应的邻近设备抓拍的与异常值对应的目标图像,确定为错拍图像,并将错拍图像从目标档案转移至候选集合中。
其中,首先介绍邻近设备对的概念:
在目标区域(上述所提及的多个待聚类图像均是目标区域内的抓拍设备所抓拍的图像)内的所有抓拍设备中,如果有两个抓拍设备的位置相邻且通过道路连通,则确定这两个抓拍设备构成近邻设备对。
其中,判断两个抓拍设备是否构成邻近设备对可以结合地图进行判断,具体而言,将目标区域内每个抓拍设备都标记在地图上,然后判断邻近的两个抓拍设备之间是否有道路连通,如果有,则确定这两个抓拍设备是邻近设备对。
或者,也可以根据大量的历史数据的连续性特征进行判断,具体而言,根据大量的历史抓拍图像,如果两个抓拍设备先后依次对同一个目标对象进行抓拍,则这两个抓拍设备构成邻近设备对。
其中,在确定目标区域内的邻近设备对后,可以构建如图2所示的设备拓扑结构图。在图2中,圆圈表示抓拍设备,通过线段连接的两个抓拍设备构成近邻设备对。
其中,在确定目标区域内的邻近设备对后,还可以进一步确定目标对象通过邻近设备对的时长,即假设存在邻近设备对包括抓拍设备A和抓拍设备B,该邻近设备对对应的时长为,目标对象自抓拍设备A的位置到达抓拍设备B的位置所用的时长。
其中,可以基于大量历史数据统计出不同目标对象通过邻近设备对的时长,然后确定平均时长,最后将该平均时长确定为目标对象通过邻近设备对的时长,或者,也可以根据邻近设备对中两个抓拍设备的距离(具体可以根据两个抓拍设备的经纬度确定距离),以及目标对象的平均运动速度(可以根据统计得到),确定目标对象通过邻近设备对所用的时长。
上述对邻近设备对进行了介绍,下面继续介绍上述的第一种方案:
在确定目标档案存在错拍图像后,根据目标档案中图像的抓拍时间,统计目标档案对应的目标对象每次通过邻近设备对所用的时长,其中,目标对象每次通过邻近设备对所用的时长都应该在一个既定的范围内,不应该出现某种异常情况,因此判断统计得到的时长中是否存在异常值,如果存在异常值,则将异常值对应的邻近设备对抓拍的与异常值对应的目标图像,确定为错拍图像,并将该错拍图像从目标档案转移至候选集合中。
其中值得注意的是,假设目标对象先后两次通过同一个邻近设备对,且第一次通过该邻近设备对所用的时长为L1,第二次通过该邻近设备对所用的时长为L2,但是在进行异常值检测时,仅将L1确定为异常值,则只会将该邻近设备对在目标对象第一次通过时抓拍的图像,确定为错拍图像。
其中,可以通过箱线图或者3σ准则等方法,判断统计得到的时长中是否存在异常值。在此对检测过程不做具体介绍。
其中,为了方便理解,结合实例对根据目标档案中图像的抓拍时间,统计目标档案对应的目标对象每次通过邻近设备对所用的时长的过程,进行介绍:
假设邻近设备对包括抓拍设备A和抓拍设备B,目标对象在通过该邻近设备对时,抓拍设备A对其抓拍,得到了图像A和图像B,抓拍设备B也对其抓拍,得到了图像C和图像D,其中,可以计算图像A和图像B的抓拍时间的平均值,图像C和图像D的抓拍时间的平均值,这两个平均值的差值即为目标对象此次通过该邻近设备对所用的时长,或者,确定图像A和图像B中任意一个的抓拍时间,与图像C和图像D中任意一个的抓拍时间的差值,该差值即为目标对象此次通过该邻近设备对所用的时长。
上面对查找错拍图像的第一种方案进行了介绍,下面介绍第二种和第三种方案:
第二种方案:如果目标档案中存在一个目标图像,其与其他目标图像在时间或者空间上不连续,则确定该目标图像是错拍图像。
例如,统计目标档案中所有目标图像对应的抓拍设备,在得到的所有抓拍设备中,如果存在与其他抓拍设备均相距较远的抓拍设备,则将目标档案中,该相距较远的抓拍设备抓拍的图像,确定为错拍图像,或者,统计目标档案中所有目标图像对应的抓拍时间,在得到的所有抓拍时间中,如果存在与其他抓拍时间均相距较远的抓拍时间,则将目标档案中,该相距较远的抓拍时间对应的图像,确定为错拍图像。
其中,判断目标档案中是否存在与其他目标图像在时间或者空间上不连续的目标图像的步骤可以包括:
(a2)基于抓拍时间或者抓拍设备的位置,对目标图像档案中的目标图像进行聚类处理,得到聚类结果。
具体地,将抓拍时间靠近或者抓拍设备的位置靠近的目标图像归为一类。
(b2)响应于聚类结果包括两个以上的图像类簇,将聚类结果中,目标图像的数量最多的预设数量的图像类簇,确定为目标图像类簇。
具体地,在进行聚类处理后,如果有两个以上的图像类簇,将包括目标图像的数量最多的预设数量的图像类簇,确定为目标图像类簇。其中可以将聚类结果中的图像类簇,按照所包括图像的数量从大到小进行排序,然后将排在前面的预设数量的图像类簇,确定为目标图像类簇。
其中,预设数量可以根据聚类结果中图像类簇的数量进行确定,例如,当聚类结果包括两个图像类簇时,预设数量为一,当聚类结果包括三个图像类簇时,预设数量可以是一个,也可以是两个。
(c2)将聚类结果中目标图像类簇之外的图像类簇所包括的目标图像,确定为错拍图像,并将错拍图像从目标档案转移至候选集合。
具体地,在确定目标图像类簇后,将聚类结果中,除目标图像类簇之外的其他图像类簇所包括的目标图像,均确定为错拍图像,并加入候选集合中。
第三种方案:考虑到目标档案中,错拍图像的图像特征必然与其他图像的图像特征存在较大的区别,因此第三种方案包括:
(a3)响应于目标档案存在错拍图像,基于图像特征,对目标图像档案中的目标图像进行聚类处理,得到聚类结果。
其中,对于目标档案中的每个目标图像而言,可以利用其像素点的像素值构成目标图像对应的特征向量,该特征向量即为目标图像的图像特征。然后对目标档案中所有目标图像对应的特征向量进行聚类处理。
其中,可以采用例如k-means等任何一种聚类算法进行聚类处理,在此不做限制。
(b3)响应于聚类结果包括两个以上的图像类簇,将聚类结果中,目标图像的数量最多的预设数量的图像类簇,确定为目标图像类簇。
(c3)将聚类结果中目标图像类簇之外的图像类簇所包括的目标图像,确定为错拍图像,并将错拍图像从目标档案转移至候选集合中。
其中,步骤(b3)、(c3)与第二种方案中步骤(b2)、(c2)对应相同,在此不再赘述。
其中,可以采用上述三种方案中的一种或者几种的组合,查找目标档案中存在的错拍图像。
下面介绍如何在候选集合中,查找目标档案存在的漏拍图像:
在本实施方式中,结合图3,步骤S140包括:
S141:响应于目标档案存在漏拍图像,在目标档案中查找邻近图像对,邻近图像对包括抓拍时间相邻的第一目标图像以及第二目标图像,且任意目标对象从第一目标图像对应的第一抓拍设备的位置到达第二目标图像对应的第二抓拍设备的位置时,必定经过第三抓拍设备的位置。
具体地,目标对象的轨迹应该是连续的,如果目标对象通过抓拍设备A(即第一抓拍设备)和抓拍设备B(第二抓拍设备)时,必定经过抓拍设备C(即第三抓拍设备),但是在目标档案中,在将所有的目标图像按照抓拍时间从前到后进行排序后,两个抓拍时间相邻的图像分别是抓拍设备A、抓拍设备B抓拍的图像,两个图像之间不存在抓拍设备C抓拍的图像,则确定目标档案遗失了抓拍设备C抓拍的图像。
其中,在目标档案中查找邻近图像对时,可以预先将目标区域(上述所提及的多个待聚类图像均是目标区域内的抓拍设备抓拍的图像)内的所有抓拍设备都在地图上标示,然后将目标档案中的目标图像按照抓拍时间从前到后的顺序依次排序,接着结合地图,判断抓拍时间相邻的两个目标图像所对应的抓拍设备之间是否存在必经的抓拍设备,如果存在,则确定这两个目标图像构成邻近图像对。
可以理解的是,目标档案中存在的邻近图像对可以是一对、两对或者更多对。而当目标档案中不存在邻近图像对时,可以确定该目标档案不存在漏拍图像。
S142:将候选集合中,各个邻近图像对对应的第三抓拍设备抓拍的图像,确定为漏拍图像。
经过上述分析可知,当目标档案中存在邻近图像对时,目标档案遗失了该邻近图像对所对应的第三抓拍设备抓拍的图像,因此可以将候选集合中,每个邻近图像对对应的第三抓拍设备抓拍的图像,确定为漏拍图像。
其中,考虑到候选集合中,邻近图像对对应的第三抓拍设备所抓拍的图像可能对应不同的目标对象,因此提高查找目标档案对应的漏拍图像的准确率,结合图4,步骤S142具体包括:
S1421:获取各个邻近图像对中第一目标图像对应的第一抓拍时间、第二目标图像对应的第二抓拍时间。
S1422:将候选集合中,各个邻近图像对对应的第三抓拍设备介于邻近图像对各自对应的第一抓拍时间、第二抓拍时间之间抓拍的图像,确定为漏拍图像。
经过上述分析可知,对于每个邻近图像对而言,对应的第三抓拍设备对目标档案对应的目标对象进行抓拍的时间,必定介于邻近图像对所对应的第一抓拍时间、第二抓拍时间之间,不可能出现在其他时间段,因此将候选集合中,第三抓拍设备介于第一抓拍时间、第二抓拍时间之间抓拍的图像,确定为漏拍图像,可以避免将第三抓拍设备对其他目标对象进行抓拍的图像确定为目标档案的漏拍图像,从而提高将目标档案补全的准确率。
其中,考虑到第三抓拍设备介于对应的第一抓拍时间、第二抓拍时间进行抓拍的图像也有可能对应不同的目标对象,因此为了进一步提高查找目标档案对应的漏拍图像的准确率,参阅图5,步骤S1422具体包括:
S14221:获取各个邻近图像对对应的第一时长以及第二时长。
其中,第一时长为目标对象自邻近图像对对应的第一抓拍设备的位置到达对应的第三抓拍设备的位置所用的时长,第二时长为目标对象自邻近图像对对应的第二抓拍设备的位置到达对应的第三抓拍设备的位置所用的时长。
具体地,结合上述邻近设备对的概念可知,对于每个邻近图像对而言,其所对应的第一抓拍设备、第三抓拍设备构成邻近设备对(定义为第一邻近设备对),第二抓拍设备、第三抓拍设备构成邻近设备对(定义为第二邻近设备对)。
第一时长为目标对象通过第一邻近设备对所用的时长;第二时长为目标对象通过第二邻近设备对所用的时长。
S14222:基于各个邻近图像对对应的第一抓拍时间以及第一时长,确定邻近图像对各自对应的第三抓拍时间。
S14223:基于各个邻近图像对对应的第二抓拍时间以及第二时长,确定邻近图像对各自对应的第四抓拍时间。
其中,邻近图像对对应的第三抓拍时间、第四抓拍时间位于邻近图像对对应的第一抓拍时间、第二抓拍时间之间。
其中,对于每个邻近图像对而言,根据目标对象处于第一抓拍设备的位置的时间以及第一时长,推测目标对象处于第三抓拍设备的第三抓拍时间,以及根据目标对象处于第二抓拍设备的位置的时间以及第二时长,可以推测目标对象处于第三抓拍设备的第四抓拍时间。
因此基于第三抓拍时间、第四抓拍时间,可以确定目标对象被第三抓拍设备抓拍的时间范围,因此目标档案遗漏的第三抓拍设备抓拍的图像必定处于第三抓拍时间与第四抓拍时间之间,进而后续在候选集合中查找遗漏图像时,可以进一步缩小查找范围,以及提高查找效率。
S14224:将候选集合中,各个邻近图像对对应的第三抓拍设备介于邻近图像对各自对应的第三抓拍时间、第四抓拍时间之间抓拍的图像,确定为漏拍图像。
经过前述步骤,对于每个邻近图像对而言,均存在对应的第三抓拍时间和第四抓拍时间,因此在候选集合中查找漏拍图像时,可以直接查找邻近图像对所对应的第三抓拍设备在对应的第三抓拍时间和第四抓拍时间之间抓拍的图像。
以上对在候选集合中查找漏拍图像的过程进行了介绍。但是需要说明的是,在候选集合中查找遗漏图像的过程并不限制于此,在其他实施方式中,还可以在候选集合中查找与目标档案的相似度满足要求的图像,将这部分图像作为目标图像的漏拍图像。
在本实施方式中,为了保证将目标档案进行补全的正确率,参阅图6,步骤S140将查找到的漏拍图像加入目标档案的步骤,包括:
S143:分别确定查找到的各个漏拍图像与目标档案的相似度。
其中,首先确定目标档案的特征向量,该过程可以是:将目标档案中的每个图像的图像特征用一个定长的特征向量表示(利用图像中像素点的像素值构成一个特征向量),然后确定特征向量的平均向量,将该平均向量作为目标档案的特征向量,或者,将目标档案中任意图像的特征向量,作为目标档案的特征向量。其中关于如何确定目标档案的特征向量的过程,本申请不做限制。
然后将查找到的每个漏拍图像的图像特征也用一个定长的特征向量表示,然后分别确定每个漏拍图像的特征向量与目标档案的特征向量的相似度,得到每个漏拍图像与目标档案的相似度。
S144:将对应相似度超过相似度阈值的漏拍图像,加入目标档案。
具体地,只有漏拍图像与目标档案的相似度超过相似度阈值,才会将其加入目标档案,否则判定其与目标档案并非同一个目标对象。
需要说明的是,在其他实施方式中,在查找到目标档案对应的漏拍图像后,也可以不进行相似度的计算,直接将查找到的漏拍图像加入目标档案。
参阅图7,图7是本申请电子设备一实施方式的结构示意图。该电子设备200包括处理器210、存储器220以及通信电路230,处理器210分别耦接存储器220、通信电路230,存储器220中存储有程序数据,处理器210通过执行存储器220内的程序数据以实现上述任一项实施方式方法中的步骤,其中详细的步骤可参见上述实施方式,在此不再赘述。
其中,电子设备200可以是电脑、手机等任一项具有图像处理能力的装置,在此不做限制。
参阅图8,图8是本申请电子设备另一实施方式的结构示意图。该电子设备300包括获取模块310、确定模块320、候选模块330以及补全模块340。
获取模块310用于获取多个目标档案,其中,预先对多个待聚类图像进行聚类处理,得到多个目标档案。
确定模块320与获取模块310连接,用于分别确定各个目标档案是否存在错拍图像以及漏拍图像。
候选模块330与确定模块320连接,用于响应于目标档案存在错拍图像,将错拍图像从目标档案转移至候选集合中。
补全模块340与候选模块330连接,用于响应于目标档案存在漏拍图像,在候选集合中查找漏拍图像,并将查找到的漏拍图像加入目标档案。
其中,电子设备300可以是电脑、手机等任一项具有图像处理能力的装置,在此不做限制。且电子设备300在工作时执行上述任一项实施方式中的方法步骤,详细的方法步骤可参见上述实施方式,在此不再赘述。
参阅图9,图9是本申请计算机可读存储介质一实施方式的结构示意图。该计算机可读存储介质400存储有计算机程序410,计算机程序410能够被处理器执行以实现上述任一项方法中的步骤。
其中,计算机可读存储介质400具体可以为U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储计算机程序410的装置,或者也可以为存储有该计算机程序410的服务器,该服务器可将存储的计算机程序410发送给其他设备运行,或者也可以自运行该存储的计算机程序410。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种聚档优化方法,其特征在于,所述方法包括:
获取多个目标档案,其中,预先对多个待聚类图像进行聚类处理,得到多个所述目标档案;
分别确定各个所述目标档案是否存在错拍图像以及漏拍图像;
响应于所述目标档案存在所述错拍图像,将所述错拍图像从所述目标档案转移至候选集合中;
响应于所述目标档案存在所述漏拍图像,在所述候选集合中查找所述漏拍图像,并将查找到的所述漏拍图像加入所述目标档案。
2.根据权利要求1所述的方法,其特征在于,所述响应于所述目标档案存在所述漏拍图像,在所述候选集合中查找所述漏拍图像,并将查找到的所述漏拍图像加入所述目标档案的步骤,包括:
响应于所述目标档案存在所述漏拍图像,在所述目标档案中查找邻近图像对,所述邻近图像对包括抓拍时间相邻的第一目标图像以及第二目标图像,且任意目标对象从所述第一目标图像对应的第一抓拍设备的位置到达所述第二目标图像对应的第二抓拍设备的位置时,必定经过第三抓拍设备的位置;
将所述候选集合中,各个所述邻近图像对对应的所述第三抓拍设备抓拍的图像,确定为所述漏拍图像。
3.根据权利要求2所述的方法,其特征在于,所述将所述候选集合中,各个所述邻近图像对对应的所述第三抓拍设备抓拍的图像,确定为所述漏拍图像的步骤,包括:
获取各个所述邻近图像对中所述第一目标图像对应的第一抓拍时间、所述第二目标图像对应的第二抓拍时间;
将所述候选集合中,各个所述邻近图像对对应的所述第三抓拍设备介于所述邻近图像对各自对应的所述第一抓拍时间、所述第二抓拍时间之间抓拍的图像,确定为所述漏拍图像。
4.根据权利要求3所述的方法,其特征在于,所述将所述候选集合中,各个所述邻近图像对对应的所述第三抓拍设备介于所述邻近图像对各自对应的所述第一抓拍时间、所述第二抓拍时间之间抓拍的图像,确定为所述漏拍图像的步骤,包括:
获取各个所述邻近图像对对应的第一时长以及第二时长,其中,所述第一时长为目标对象自所述邻近图像对对应的所述第一抓拍设备的位置到达对应的所述第三抓拍设备的位置所用的时长,所述第二时长为所述目标对象自所述邻近图像对对应的所述第二抓拍设备的位置到达对应的所述第三抓拍设备的位置所用的时长;
基于各个所述邻近图像对对应的所述第一抓拍时间以及所述第一时长,确定所述邻近图像对各自对应的第三抓拍时间;
基于各个所述邻近图像对对应的所述第二抓拍时间以及所述第二时长,确定所述邻近图像对各自对应的第四抓拍时间,其中,所述邻近图像对对应的所述第三抓拍时间、所述第四抓拍时间位于所述邻近图像对对应的所述第一抓拍时间、所述第二抓拍时间之间;
将所述候选集合中,各个所述邻近图像对对应的所述第三抓拍设备介于所述邻近图像对各自对应的所述第三抓拍时间、所述第四抓拍时间之间抓拍的图像,确定为所述漏拍图像。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
查找目标区域内的邻近设备对,并确定目标对象通过所述邻近设备对的时长,其中,所述邻近设备对包括位置相邻且通过道路连通的两个抓拍设备。
6.根据权利要求1所述的方法,其特征在于,所述响应于所述目标档案存在所述错拍图像,将所述错拍图像从所述目标档案转移至候选集合中的步骤,包括:
响应于所述目标档案存在所述错拍图像,基于所述目标档案中的目标图像的抓拍时间,确定所述目标档案对应的目标对象每次通过邻近设备对所用的时长,其中,邻近设备对包括位置相邻且通过道路连通的两个抓拍设备;
响应于确定的所述时长中存在异常值,将所述目标档案中所述异常值对应的所述邻近设备抓拍的与所述异常值对应的所述目标图像,确定为所述错拍图像,并将所述错拍图像从所述目标档案转移至所述候选集合中。
7.根据权利要求1所述的方法,其特征在于,所述响应于所述目标档案存在所述错拍图像,将所述错拍图像从所述目标档案转移至候选集合中的步骤,包括:
响应于所述目标档案存在所述错拍图像,基于图像特征、抓拍时间或者抓拍设备的位置,对所述目标图像档案中的目标图像进行聚类处理,得到聚类结果;
响应于所述聚类结果包括两个以上的图像类簇,将所述聚类结果中,所述目标图像的数量最多的预设数量的所述图像类簇,确定为目标图像类簇;
将所述聚类结果中所述目标图像类簇之外的所述图像类簇所包括的所述目标图像,确定为所述错拍图像,并将所述错拍图像从所述目标档案转移至所述候选集合中。
8.根据权利要求1所述的方法,其特征在于,所述将查找到的所述漏拍图像加入所述目标档案的步骤,包括:
分别确定查找到的各个所述漏拍图像与所述目标档案的相似度;
将对应所述相似度超过相似度阈值的所述漏拍图像,加入所述目标档案。
9.根据权利要求1所述的方法,其特征在于,所述分别确定各个所述目标档案是否存在错拍图像以及漏拍图像的步骤,包括:
分别将各个所述目标档案输入预先训练好的分类模型,以确定各个所述目标档案是否存在所述错拍图像以及所述漏拍图像。
10.一种电子设备,其特征在于,所述电子设备包括处理器、存储器以及通信电路,所述处理器分别耦接所述存储器、所述通信电路,所述存储器中存储有程序数据,所述处理器通过执行所述存储器内的所述程序数据以实现如权利要求1-9任一项所述方法中的步骤。
11.一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存储有计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-9任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412760.8A CN114972781A (zh) | 2022-04-19 | 2022-04-19 | 聚档优化方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412760.8A CN114972781A (zh) | 2022-04-19 | 2022-04-19 | 聚档优化方法、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972781A true CN114972781A (zh) | 2022-08-30 |
Family
ID=82978094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210412760.8A Pending CN114972781A (zh) | 2022-04-19 | 2022-04-19 | 聚档优化方法、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972781A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687249A (zh) * | 2022-12-30 | 2023-02-03 | 浙江大华技术股份有限公司 | 一种图像聚档方法、装置、终端及计算机可读存储介质 |
-
2022
- 2022-04-19 CN CN202210412760.8A patent/CN114972781A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687249A (zh) * | 2022-12-30 | 2023-02-03 | 浙江大华技术股份有限公司 | 一种图像聚档方法、装置、终端及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109768985B (zh) | 一种基于流量可视化与机器学习算法的入侵检测方法 | |
US20220174089A1 (en) | Automatic identification and classification of adversarial attacks | |
US8744125B2 (en) | Clustering-based object classification | |
CN104751136B (zh) | 一种基于人脸识别的多相机视频事件回溯追踪方法 | |
CN110795595B (zh) | 基于边缘计算的视频结构化存储方法、装置、设备及介质 | |
CN112614187B (zh) | 回环检测方法、装置、终端设备和可读存储介质 | |
CN111949827B (zh) | 视频抄袭检测方法、装置、设备和介质 | |
EP1835462A1 (en) | Tracing device, and tracing method | |
US20070058856A1 (en) | Character recoginition in video data | |
CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
CN111145223A (zh) | 多摄像头识别人员行为轨迹分析方法 | |
CN107590486B (zh) | 运动目标识别方法和系统、自行车流量统计方法和设备 | |
CN111368867B (zh) | 档案归类方法及系统、计算机可读存储介质 | |
CN115205765B (zh) | 一种基于fpga的视频分析方法及系统 | |
CN116168222A (zh) | 轨迹识别方法和装置、存储介质及电子设备 | |
CN114627406A (zh) | 一种人群快速聚集行为的识别方法、系统、设备及介质 | |
CN111444758A (zh) | 一种基于时空信息的行人重识别方法及装置 | |
CN114972781A (zh) | 聚档优化方法、电子设备及计算机可读存储介质 | |
CN111091041A (zh) | 一种车辆违法判别方法、装置、计算机设备和存储介质 | |
CN111428064B (zh) | 小面积指纹图像快速索引方法、装置、设备及存储介质 | |
Kalva et al. | Smart Traffic monitoring system using YOLO and deep learning techniques | |
CN111325708A (zh) | 一种输电线路检测方法和服务器 | |
CN111597980B (zh) | 一种目标对象聚类方法及装置 | |
CN114187568A (zh) | 道路标牌破损检测方法、装置及存储介质 | |
CN115393802A (zh) | 一种基于小样本学习的铁路场景不常见入侵目标识别方法 |
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 |