TWI767459B - 資料分群方法、電子設備和儲存媒體 - Google Patents

資料分群方法、電子設備和儲存媒體 Download PDF

Info

Publication number
TWI767459B
TWI767459B TW109144955A TW109144955A TWI767459B TW I767459 B TWI767459 B TW I767459B TW 109144955 A TW109144955 A TW 109144955A TW 109144955 A TW109144955 A TW 109144955A TW I767459 B TWI767459 B TW I767459B
Authority
TW
Taiwan
Prior art keywords
data
similarity
reliability
target
target data
Prior art date
Application number
TW109144955A
Other languages
English (en)
Other versions
TW202217594A (zh
Inventor
蔡官熊
鄭清源
唐詩翔
陳大鵬
趙瑞
Original Assignee
中國商深圳市商湯科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中國商深圳市商湯科技有限公司 filed Critical 中國商深圳市商湯科技有限公司
Publication of TW202217594A publication Critical patent/TW202217594A/zh
Application granted granted Critical
Publication of TWI767459B publication Critical patent/TWI767459B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Abstract

本申請實施例提出了一種資料分群方法、電子設備和電腦儲存媒體，資料分群方法包括：從待分群資料集中獲取多個關於目標物件的目標資料，其中，目標物件包括第一部位和第二部位，目標資料為第一部位對應的資料；確定多個目標資料之間的第一相似度以及參考因數，其中，參考因數包括以下至少一個：與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度，輔助資料為第二部位對應的資料；基於第一相似度以及參考因數，對多個目標資料進行分群，其中，分群的結果用於確定多個目標資料所屬的目標物件。

Description

資料分群方法、電子設備和儲存媒體
本申請基於申請號為202011172426.7 、申請日為2020年10月28日的中國專利申請提出，並要求該中國專利申請的優先權，該中國專利申請的全部內容在此引入本申請作為參考。本申請涉及資料處理技術領域，涉及但不限於一種資料分群方法、電子設備和電腦儲存媒體。
隨著資料獲取技術的快速發展，每天都會產生大量的相同或不同目標物件的目標資料，例如，智慧影片監控系統中，每天都會產生大量的人臉圖像資料。一般地，透過分群演算法從大量特徵庫中把同一目標物件的目標資料聚到一類，不同目標物件的目標資料聚到不同類中，以實現資料分群。以對智慧影片監控系統中的人臉圖像資料進行分群為例，人臉圖像可能存在以下情況：被口罩、墨鏡等遮擋物遮擋，為模糊人臉等低解析度圖像，被光線強度影響等，又或者同一人的正臉和側臉存在較大的差別，從而在資料分群時常常發生錯誤。有鑑於此，如何提高資料分群的準確性，成為亟待解決的問題。
本申請實施例至少提供一種資料分群方法、電子設備和電腦儲存媒體。
本申請實施例供了一種資料分群方法。該資料分群方法包括：從待分群資料集中獲取多個關於目標物件的目標資料，其中，所述目標物件包括第一部位和第二部位，所述目標資料為所述第一部位對應的資料；確定多個目標資料之間的第一相似度以及參考因數，其中，所述參考因數包括以下至少一個：與所述多個目標資料分別對應的輔助資料之間的第二相似度、所述目標資料的可信度、所述輔助資料的可信度，所述輔助資料為所述第二部位對應的資料；基於所述第一相似度以及參考因數，對所述多個目標資料進行分群，其中，所述分群的結果用於確定所述多個目標資料所屬的所述目標物件。
因此，從待分群資料集中獲取多個關於目標物件的目標資料後，不僅確定多個目標資料之間的第一相似度，還確定與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度等參考因數，從而可以聯合相似度和可信度，或者聯合與目標物件不同部位對應的目標資料和輔助資料對多個目標資料進行分群，以確定多個目標資料所屬的目標物件，實現目標物件的資料分群。而且相比僅利用與目標資料自身的相似度進行分群，本申請結合參考因數，能夠考慮資料可信度以及其他部位的資料，可提高資料分群的準確性。
本申請的一些實施例中，所述待分群資料集中還包括所述輔助資料，所述待分群資料集至少由以下步驟得到：在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料，其中，所述第一部位的特徵資料作為所述待分群資料集中的目標資料，所述第二部位的特徵資料作為所述待分群資料集中的輔助資料。
因此，待分群資料集中還包括輔助資料，並且透過在第一圖像中對目標物件不同部位進行特徵提取，可分別獲得待分群資料集中的目標資料及其對應的輔助資料。
本申請的一些實施例中，所述在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料，包括：從所述第一圖像中獲取所述第一部位對應的第一區域和所述第二部位對應的第二區域；在所述第一區域和所述第二區域滿足預設匹配條件的情況下，分別對所述第一區域和所述第二區域進行特徵提取，以對應得到所述第一部位的特徵資料和所述第二部位的特徵資料。
因此，僅在第一部位對應的第一區域和第二部位對應的第二區域滿足預設匹配條件時，才透過特徵提取獲得對應的特徵資料，從而可過濾掉明顯第一部位與第二部位不屬於同一目標物件的第一圖像及其資料。
本申請的一些實施例中，所述預設匹配條件包括以下至少一者：所述第一區域和所述第二區域之間的位置關係滿足預設位置關係、所述第一區域和所述第二區域的重疊面積大於預設面積閾值。
因此，可透過第一區域和第二區域之間的位置關係或者重疊面積情況來判斷第一部位與第二部位是否屬於同一目標物件，進而實現圖像過濾。
本申請的一些實施例中，在所述在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料之前，所述方法還包括：獲取第二圖像包含的每個所述第二部位的面積；基於所述第二部位的面積，從所述第二圖像包含的第二部位中選擇主要第二部位；在所述第二圖像中提取出包含所述主要第二部位的第一圖像。
因此，可利用第二面積選擇主要第二部位，並從第二圖像中提取包含主要第二部位的第一圖像，從而初步過濾掉同一圖像中目標物件不明顯的圖像，提高資料分群圖像的品質。
本申請的一些實施例中，所述特徵資料和所述可信度是由同一神經網路模型對所述第一圖像進行處理得到的。
因此，將第一圖像輸入神經網路模型，即可同時獲取到特徵資料和可信度，提高資料分群的效率。
本申請的一些實施例中，在所述從待分群資料集中獲取多個關於目標物件的目標資料之前，所述方法還包括：過濾所述待分群資料集中所述可信度不滿足預設可信條件的所述目標資料。
因此，可透過判斷可信度是否滿足預設可信條件，對目標資料進行過濾，使得待分群資料集中的目標資料的可信度較高，進而提高資料分群精度。
本申請的一些實施例中，所述目標資料和/或所述輔助資料的可信度是由所述第一圖像中對應部位的清晰度、被遮擋程度、光線強度中的至少一者確定的，其中，所述第一圖像用於獲得所述目標資料和/或所述輔助資料。
因此，可從第一圖像中獲取目標資料和/或輔助資料，並可以綜合清晰度、被遮擋程度、光線強度等因素得到目標資料和/或輔助資料的可信度。
本申請的一些實施例中，所述參考因數包括所述第二相似度，所述基於所述第一相似度以及參考因數，對所述多個目標資料進行分群，包括：獲取所述第一相似度和所述第二相似度的權重，並利用所述權重對所述第一相似度和所述第二相似度進行加權處理，得到所述多個目標資料的融合相似度；基於所述融合相似度，對所述多個目標資料進行分群。
因此，可綜合目標物件不同部位的第一相似度和第二相似度的權重，對第一相似度和第二相似度進行加權處理，從而得到並利用融合相似度，確定多個目標資料是否屬於同一目標物件，便於對多個目標資料進行分群。
本申請的一些實施例中，所述參考因數還包括所述目標資料的可信度、所述輔助資料的可信度，所述獲取所述第一相似度和所述第二相似度的權重，包括：基於所述第一相似度、所述第二相似度和所述目標資料的可信度和所述輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重。
因此，根據第一相似度、第二相似度、目標資料的可信度和輔助資料的可信度共同來確定第一相似度和第二相似度的權重，使得權重的確定綜合了相似度和可信度。
本申請的一些實施例中，所述基於所述第一相似度、所述第二相似度、所述目標資料的可信度和所述輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重，包括：基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度，以及基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度；利用所述第一相似度、所述第二相似度、所述第一綜合可信度和第二綜合可信度，得到所述第一相似度和所述第二相似度的權重。
因此，可先基於多個目標資料和輔助資料的可信度，分別得到第一綜合可信度和第二綜合可信度，再基於第一相似度、第二相似度、第一綜合可信度和第二綜合可信度聯合得到第一相似度和第二相似度的權重，能夠更加準確地獲取對應相似度的權重，進而提高資料分群得準確性。
本申請的一些實施例中，所述基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度，包括：將所述多個目標資料的可信度之和，作為所述多個目標資料的第一綜合可信度；所述基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度，包括：將所述多個輔助資料的可信度之和，作為所述多個輔助資料的第二綜合可信度。
因此，可將多個目標資料或多個輔助資料的可信度之和，作為相應資料的綜合可信度，提高綜合可信度的精準度。
本申請的一些實施例中，所述利用所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度，得到所述第一相似度和所述第二相似度的權重，包括：利用權重確定模型對所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度進行處理，得到所述第一相似度和所述第二相似度的權重。其中，所述權重確定模型至少由以下步驟訓練：獲取樣本目標資料及其可信度，以及獲取相應樣本輔助資料及其可信度；確定多個樣本目標資料之間的第三相似度和多個所述樣本輔助資料之間的第四相似度，並基於所述樣本目標資料和所述樣本輔助資料的可信度，得到所述多個樣本目標資料的第三綜合相似度和所述多個樣本輔助資料的第四綜合相似度；利用所述權重確定模型對所述第三相似度、所述第四相似度、所述第三綜合可信度和所述第四綜合可信度進行處理，得到所述第三相似度和第四相似度的權重；基於所述第三相似度和所述第四相似度的權重，調整所述權重確定模型的網路參數。
因此，可透過權重確定模型獲取第一相似度和第二相似度的權重，實現高效且智慧化地獲取對應相似度的權重，並且可以利用樣本的第三相似度、第四相似度、第三綜合可信度和第四綜合可信度對權重確定模型進行訓練，從而得到最終的權重確定模型。
本申請的一些實施例中，所述基於所述融合相似度，對所述多個目標資料進行分群，包括：在檢測到所述融合相似度大於預設相似度閾值的情況下，對所述多個目標資料進行分群。
因此，透過預設相似度閾值，可過濾融合相似度不大於預設相似度的目標資料，進一步提高資料分群的精度。
本申請的一些實施例中，所述目標資料和所述輔助資料分別為所述目標物件的臉部、身體對應的特徵資料。
因此，可聯合目標物件的臉部、身體對應的特徵資料對資料進行分群。
本申請實施例提供了一種資料分群裝置，該裝置包括：獲取模組，配置為從待分群資料集中獲取多個關於目標物件的目標資料，其中，所述目標物件包括第一部位和第二部位，所述目標資料為所述第一部位對應的資料；第一確定模組，配置為確定所述多個目標資料之間的第一相似度以及參考因數，其中，所述參考因數包括以下至少一個：與所述多個目標資料分別對應的輔助資料之間的第二相似度、所述目標資料的可信度、所述輔助資料的可信度，所述輔助資料為所述第二部位對應的資料；第二確定模組，配置為基於所述第一相似度以及參考因數，對所述多個目標資料進行分群，其中，所述分群的結果用於確定所述多個目標資料所屬的所述目標物件。
本申請的一些實施例中，所述待分群資料集中還包括輔助資料，所述裝置包括特徵提取模組； 所述特徵提取模組配置為在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料，其中，所述第一部位的特徵資料作為所述待分群資料集中的目標資料，所述第二部位的特徵資料作為所述待分群資料集中的輔助資料。
本申請的一些實施例中，所述特徵提取模組，配置為在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料時，從所述第一圖像中獲取所述第一部位對應的第一區域和所述第二部位對應的第二區域；在所述第一區域和所述第二區域滿足預設匹配條件的情況下，分別對所述第一區域和所述第二區域進行特徵提取，以對應得到所述第一部位的特徵資料和所述第二部位的特徵資料。
本申請的一些實施例中，所述預設匹配條件包括以下至少一者：所述第一區域和所述第二區域之間的位置關係滿足預設位置關係、所述第一區域和所述第二區域的重疊面積大於預設面積閾值。
本申請的一些實施例中，所述特徵提取模組，還配置為在所述第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料之前，獲取第二圖像包含的每個所述第二部位的面積；基於所述第二部位的面積，從所述第二圖像包含的至少一個第二部位中選擇主要第二部位；在所述第二圖像中提取出包含所述主要第二部位的第一圖像。
本申請的一些實施例中，所述特徵資料和所述可信度是由同一神經網路模型對所述第一圖像進行處理得到的。
本申請的一些實施例中，所述獲取模組還配置為在從所述待分群資料集中獲取多個目標資料之前，過濾所述待分群資料集中所述可信度不滿足預設可信條件的所述目標資料。
本申請的一些實施例中，所述目標資料和/或所述輔助資料的可信度是由所述第一圖像中對應部位的清晰度、被遮擋程度、光線強度中的至少一者確定的，其中，所述第一圖像用於獲得所述目標資料和/或所述輔助資料。
本申請的一些實施例中，所述參考因數包括所述第二相似度，所述第二確定模組，還配置為在基於所述第一相似度以及參考因數，對所述多個目標資料進行分群時，獲取所述第一相似度和所述第二相似度的權重，並利用權重對所述第一相似度和所述第二相似度進行加權處理，得到所述多個目標資料的融合相似度；基於所述融合相似度，對所述多個目標資料進行分群。
本申請的一些實施例中，所述參考因數還包括所述目標資料的可信度、所述輔助資料的可信度； 所述第二確定模組，配置為獲取所述第一相似度和所述第二相似度的權重時，基於所述第一相似度、所述第二相似度和所述目標資料的可信度和所述輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重。
本申請的一些實施例中，所述第二確定模組，配置為在基於所述第一相似度、所述第二相似度、所述目標資料的可信度和輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重時，基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度，以及基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度；利用所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度，得到所述第一相似度和所述第二相似度的權重。
本申請的一些實施例中，所述第二確定模組配置為在基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度時，將所述多個目標資料的可信度之和，作為所述多個目標資料的第一綜合可信度； 所述第二確定模組配置為基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度時，將所述多個輔助資料的可信度之和，作為所述多個輔助資料的第二綜合可信度。
本申請的一些實施例中，所述第二確定模組配置為在利用所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度，得到所述第一相似度和所述第二相似度的權重時，利用權重確定模型對所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度進行處理，得到所述第一相似度和所述第二相似度的權重； 所述第二確定模組包括模型訓練單元，所述模型訓練單元配置為： 獲取樣本目標資料及其可信度，以及獲取相應樣本輔助資料及其可信度；確定多個樣本目標資料之間的第三相似度和多個所述樣本輔助資料之間的第四相似度，並基於所述樣本目標資料和所述樣本輔助資料的可信度，得到所述多個樣本目標資料的第三綜合相似度和所述多個樣本輔助資料的第四綜合相似度；利用所述權重確定模型對所述第三相似度、所述第四相似度、所述第三綜合可信度和所述第四綜合可信度進行處理，得到所述第三相似度和所述第四相似度的權重；基於所述第三相似度和所述第四相似度的權重，調整所述權重確定模型的網路參數，以訓練得到所述權重確定模型。
本申請的一些實施例中，所述第二確定模組配置為在基於融合相似度，確定多個目標資料是否屬於同一目標物件時，在檢測到所述融合相似度大於預設相似度閾值的情況下，對所述多個目標資料進行分群。
本申請的一些實施例中，所述目標資料和所述輔助資料分別為所述目標物件的臉部、身體對應的特徵資料。
本申請實施例提供了一種電子設備，包括相互耦接的記憶體和處理器，處理器配置為執行記憶體中儲存的程式指令，以實現上述任意一種資料分群方法。
本申請實施例提供了一種電腦可讀儲存媒體，其上儲存有程式指令，程式指令被處理器執行時實現上述任意一種資料分群方法。
本申請實施例提供了一種電腦程式，包括電腦可讀代碼，當所述電腦可讀代碼在電子設備中運行時，所述電子設備中的處理器執行用於實現上述任意一種資料分群方法。
上述方案，從待分群資料集中獲取多個目標資料後，不僅確定多個目標資料之間的第一相似度，還確定與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度等參考因數，從而可以聯合相似度和可信度，或者聯合與目標物件不同部位對應的目標資料和輔助資料對多個目標資料進行分群，以確定多個目標資料所屬的目標物件。而且相比僅利用與目標資料自身的相似度對目標資料進行分群，本申請結合參考因數，能夠考慮資料可信度以及其他部位的資料，可提高資料分群的準確性。
應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，而非限制本申請。
下面結合說明書附圖，對本申請實施例的方案進行詳細說明。
以下描述中，為了說明而不是為了限定，提出了諸如特定系統結構、介面、技術之類的具體細節，以便透徹理解本申請。
本文中術語「和/或」，僅僅是一種描述關聯物件的關聯關係，表示可以存在三種關係，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中字元「/」，一般表示前後關聯物件是一種“或”的關係。此外，本文中的「多」表示兩個或者多於兩個。另外，本文中術語「至少一種」表示多種中的任意一種或多種中的至少兩種的任意組合，例如，包括A、B、C中的至少一種，可以表示包括從A、B和C構成的集合中選擇的任意一個或多個元素。
請參閱第1圖，第1圖是本申請資料分群方法一實施例的流程示意圖。具體而言，可以包括如下步驟： 步驟S11：從待分群資料集中獲取多個關於目標物件的目標資料。
本申請實施例中，待分群資料集包括但不限於為影片、圖像等圖像資料，該待分群資料集能夠包括目標物件的相關資料即可，在此不作具體限定。待分群資料集可以是影片圖像透過圖像抽取等方式得到的，可以是原始圖像組成的，也可以是對原始圖像進行特徵提取後得到的，還可以是其它資料獲取形式得到的，在此不做具體限定。待分群資料集可以包括多個關於目標物件的目標資料，以便對多個目標資料進行分群；待分群資料集還可以包括與多個目標資料分別對應的輔助資料，以便利用輔助資料對多個目標資料進行分群。
目標物件可以為任意需要進行分群的物件，例如為人、動物、車輛等任意物體。其中，目標物件包括但不限於第一部位和第二部位等反映目標物件不同特徵的區域。在本申請的一些實施例中，目標物件為人，第一部位為臉部、第二部位為身體。第一部位對應的資料為目標資料，第二部位對應的資料為輔助資料。目標資料和輔助資料均用於表徵目標物件的特徵資訊，但兩者分別對應目標物件的不同部位。在一實施例中，在第一圖像中對目標物件進行特徵提取，得到目標物件的第一部位的特徵資料和第二部位的特徵資料，其中，第一部位的特徵資料作為待分群資料集中的目標資料，第二部位的特徵資料作為待分群資料集中的輔助資料。
目標資料從待分群資料集獲取得到，且對目標資料分群時，從待分群資料集中獲取的目標資料的數量不作具體限定，例如為兩個、三個等。待分群資料集中的目標資料可能屬於同一目標物件，也可能不屬於同一目標物件。
步驟S12：確定多個目標資料之間的第一相似度以及參考因數。
本申請實施例中，參考因數用於輔助對多個目標資料進行分群，進而實現更精準的資料分群。參考因數包括以下至少一個：與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度。
輔助資料為與目標資料對應目標物件不同部位的資料，以用於提供目標物件其他部位的特徵資訊。在一些實施例中，可結合目標物件的目標資料和輔助資料的相關資訊來得到更加全面的資訊，進而實現聯合分群。故可理解，輔助資料可以是除目標物件的目標資料外，其餘能夠反映目標物件身份資訊、特徵資訊的資料。一般而言，一組目標資料及其對應的輔助資料對應同一個目標物件，例如目標資料為目標物件A的第一部位對應的資料，該目標物件對應的輔助資料為目標物件A的第二部位對應的資料。其中，目標物件的部位包括但不限於臉部、上半身或整個身體等，對應地，目標資料和輔助資料分別為目標物件的臉部、身體對應的資料。待分群資料集及其目標資料、輔助資料的獲取方式不作具體限定，例如，基於包括目標物件的圖像，提取目標物件不同部位的特徵資料作為對應的目標資料和輔助資料。上述相似度指示資料之間的相似程度，例如，多個目標資料之間的第一相似度指示多個目標資料之間的相似程度，第一相似度越大，多個目標資料之間的差距越小，且輔助資料及其第二相似度與之類似，在此不再贅述。目標資料和/或輔助資料的可信度指示資料品質，例如，目標資料的可信度越高，表明目標資料的品質越高，且輔助資料的可信度與之類似，在此不再贅述。
為了提高資料分群的靈活性，多個目標資料之間的第一相似度可以與參考因數進行任意組合。由於單純目標資料之間第一相似度作為分群依據時，若目標資料區分度不夠高時，容易出現分群錯誤，因此可引入輔助資料及其第二相似度，例如在一些實施例中，可以確定多個目標資料之間的第一相似度以及與多個目標資料分別對應的輔助資料之間的第二相似度，以使聯合目標資料和輔助資料的相似度對多個目標資料進行分群，可以確定多個目標資料是否屬於同一目標物件，也即是綜合目標物件不同部位的相似度進行聯合資料分群，進而將同一目標物件對應的目標資料分群到同一分群簇。在一申請實施例中，可以確定多個目標資料之間的第一相似度以及目標資料的可信度，綜合目標資料的第一相似度和可信度，對多個目標資料進行分群，可以確定多個目標資料是否屬於同一目標物件，進而將同一目標物件對應的目標資料分群到同一分群簇。在一些實施例中，可以確定多個目標資料之間的第一相似度、與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度，從而在目標資料分群時，引入輔助資料進行聯合分群，並且加入可信度約束，綜合相似度和可信度進行高準確度的資料分群。
本申請資料分群方法可以用於人或動物的識別或追蹤等任意需對目標物件進行分群的應用場景。以目標物件為人、目標資料為人臉資料，以實現人臉識別為例，在一應用場景中，為了對人員許可權進行驗證，在公司門口等特定場所的出入口配置資料分群裝置執行本申請資料分群方法，以實現人臉識別；在一應用場景中，為了記錄出入公共區域的人，在地鐵、火車站等公共場所配置資料分群裝置執行本申請資料分群方法，以實現人臉識別。單純利用臉部資料進行人臉識別時，容易將多個臉部相似的臉部資料確定為屬於同一人，因此，可以引入參考因數，例如人臉資料的可信度或利用身體特徵得到的輔助資料，來輔助進行人臉識別。僅基於臉部相似度進行人臉識別時，同一個人的臉部資料之間的相似度可能較低（例如，同一人的正臉和角度較大的側臉），或者不同人的臉部資料之間的相似度可能較高（例如，不同人都戴口罩、墨鏡，或都是角度較大的側臉），因此，可引入目標資料的參考因數，例如可融合臉部的相似度和身體的相似度，還可以融合臉部資料的可信度和身體資料的可信度，從而結合相似度和可信度實現人臉識別。
為了提高待分群資料集中目標資料的品質，可以在從待分群資料集中獲取多個目標資料之前，過濾待分群資料集中可信度不滿足預設可信條件的目標資料。因此，可透過判斷可信度是否滿足預設可信條件，對目標資料進行過濾，使得待分群資料集中的目標資料的可信度較高，進而提高資料分群精度。
步驟S13：基於第一相似度以及參考因數，對多個目標資料進行分群。
本申請實施例中，基於第一相似度以及參考因數，對多個目標資料進行分群，並且分群的結果用於確定多個目標資料所屬的目標物件，也即是確定多個目標資料是否屬於同一目標物件，若確定多個目標資料屬於同一目標物件，則可以將屬於同一目標物件的目標資料分群到同一分群簇。多個目標資料屬於同一目標物件表明該多個目標資料歸屬於同一分群簇，可重複執行步驟S11-步驟S13，從而將待分群資料集中的所有目標資料分群到相同或不同分群簇中，實現資料分群。
在確定多個目標資料是否屬於同一目標物件後，可根據屬於同一目標物件的目標資料，構建目標物件的連通圖；也可以根據屬於同一目標物件的目標資料和輔助資料，構建目標物件的連通圖。
在一些實施例中，在確定多個目標資料是否屬於同一目標物件後，可基於屬於同一目標物件的目標資料，進行目標物件的目標資料識別，還可以利用輔助資料協助進行目標物件的目標資料識別，例如，目標資料為目標物件的臉部的特徵資料，輔助資料為目標物件的身體的特徵資料，可以利用同一目標物件的臉部的特徵資料進行目標物件的人臉識別，還可以利用同一目標物件的臉部的特徵資料和身體的特徵資料進行目標物件的人臉識別。為方便進行目標物件的目標資料識別，可在確定多個目標資料是否屬於同一目標物件後，將屬於同一目標物件的多個目標資料放入與目標物件對應的資料庫中，從而基於資料庫進行目標物件的目標資料識別，其中，資料庫內包括但不限於目標資料、輔助資料等，在此不作限定。
本申請的一些實施例中，從待分群資料集中獲取多個目標資料後，不僅確定多個目標資料之間的第一相似度，還確定與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度等參考因數，從而可以聯合相似度和可信度，或者聯合與目標物件不同部位對應的目標資料和輔助資料對多個目標資料進行分群，由於分群的結果用於確定多個目標資料所屬的目標物件，從而將同一目標物件的目標資料分為同一類，實現目標物件的資料分群。而且相比僅利用與目標資料自身的相似度確定目標資料是否屬於同一目標物件，本申請結合參考因數，能夠考慮資料可信度以及其他部位的資料，可提高資料分群的準確性。
可以理解的是，本申請資料分群方法的執行主體可以為任意具有處理能力的設備，例如但不限於目標資料的採集設備、與目標資料的採集設備連接的伺服器等。在一應用場景中，該目標資料為圖像，故可利用至少一個圖像採集設備採集關於目標物件的圖像，並發送給伺服器，伺服器將圖像採集設備採集的圖像作為目標資料，並執行本申請資料分群方法，以對目標資料進行分群。在另一應用場景中，圖像採集設備採集得到關於目標物件的圖像後，也可將自身和/或其他圖像採集設備採集的圖像作為目標資料，執行本申請資料分群方法，以對目標資料進行分群。
為避免同一目標物件的目標資料明顯不同的情況下，將同一目標物件的目標資料分群為多個類，導致召回率偏低；或者為避免將目標資料相似的多個目標物件的目標資料分群為一類，導致分群精度較低，可結合多個目標資料之間的第一相似度和對應輔助資料之間的第二相似度來確定多個目標資料是否屬於同一目標物件，實現更準確的分群。請參閱第2圖，第2圖是本申請資料分群方法另一實施例的流程示意圖。具體而言，可以包括如下步驟： 步驟S21：在第一圖像中對目標物件進行特徵提取，得到目標物件的第一部位的特徵資料和第二部位的特徵資料，其中，第一部位的特徵資料作為待分群資料集中的目標資料，第二部位的特徵資料作為待分群資料集中的輔助資料。
本申請實施例中，第一圖像是包含目標物件的圖像，包括但不限於原始圖像，且用於獲得目標資料和/或輔助資料。在一些實施例中，結合目標資料和輔助資料進行資料分群，在第一圖像中對目標物件進行特徵提取，將目標物件的第一部位的特徵資料作為待分群資料集中的目標資料，並將目標物件的第二部位的特徵資料作為待分群資料集中的輔助資料。特徵資料的獲取方式包括但不限於利用神經網路模型對第一圖像進行處理得到的。因此，透過在第一圖像中對目標物件不同部位進行特徵提取，可分別獲得待分群資料集中的目標資料及其對應的輔助資料。
在第一圖像中對目標物件進行特徵提取，得到目標物件的第一部位的特徵資料和第二部位的特徵資料時，可以從第一圖像中獲取第一部位對應的第一區域和第二部位對應的第二區域；在第一區域和第二區域滿足預設匹配條件的情況下，分別對第一區域和第二區域進行特徵提取，以對應得到第一部位的特徵資料和第二部位的特徵資料。預設匹配條件包括以下至少一項：第一區域和第二區域之間的位置關係滿足預設位置關係、第一區域和第二區域的重疊面積大於預設面積閾值。預設位置關係和預設面積閾值可自訂設置，在此不作具體限定，例如，在第二區域上確定臨界線，預設位置關係為第一區域在第二區域的臨界線上方區域。因此，可透過第一區域和第二區域之間的位置關係或者重疊面積情況來判斷第一部位與第二部位是否屬於同一目標物件，在第一部位對應的第一區域和第二部位對應的第二區域滿足預設匹配條件時，透過特徵提取獲得對應的特徵資料，從而可過濾掉明顯第一部位與第二部位不屬於同一目標物件的第一圖像及其資料，實現圖像過濾。
為了獲取高品質的第一圖像，在一些實施例中，在第一圖像中對目標物件進行特徵提取，得到目標物件的第一部位的特徵資料和第二部位的特徵資料之前，可以獲取第二圖像包含的每個第二部位的面積，再基於第二部位的面積，從第二圖像包含的第二部位中選擇主要第二部位，最後在第二圖像中提取出包含主要第二部位的第一圖像，實現第一圖像的篩選。獲取第二圖像包含的每個第二部位的面積時，可透過掩膜基於區域的卷積神經網路（Mask Region based Convolutional Neural Network，Mask RCNN）等分割技術獲取第二圖像包含的每個第二部位的輪廓，進而獲取第二圖像包含的每個第二部位的面積。在基於第二部位的面積，從第二圖像包含的第二部位中選擇主要第二部位時，可將面積最大的第二部位作為主要第二部位，或者將第二部位的面積滿足預設面積條件的第二部位作為主要第二部位，且預設面積條件不作具體限定。在一些實施例中，獲取第二圖像包含的每個第二部位的面積；透過對所有第二部位的面積進行排序等方式，獲取面積最大的第二部位和面積第二大的第二部位；若面積第二大的第二部位和面積最大的第二部位的面積比小於預設面積值，則將面積最大的第二部位作為主要第二部位，否則判定不存在主要第二部位，不進行後續資料分群，從而將目標物件較明顯的圖像作為第一圖像。因此，可利用第二面積選擇主要第二部位，並從第二圖像中提取包含主要第二部位的第一圖像，從而初步過濾掉同一圖像中目標物件不明顯的圖像，提高資料分群圖像的品質。
步驟S22：從待分群資料集中獲取多個目標資料及其對應的輔助資料。
本申請實施例中，在進行資料分群時，從待分群資料集中獲取的目標資料的數量不作具體限定，例如為兩個、三個等。目標資料和輔助資料為目標物件的不同部位對應的資料。
步驟S23：確定多個目標資料之間的第一相似度以及與多個目標資料分別對應的輔助資料之間的第二相似度。
本申請實施例中，多個目標資料之間的第一相似度指示目標物件第一部位相似程度，多個輔助資料之間的第二相似度指示目標物件第二部位相似程度。
步驟S24：基於第一相似度以及第二相似度，對多個目標資料進行分群。
本申請實施例在對多個目標資料進行分群時，獲取第一相似度和第二相似度的權重，並利用權重對第一相似度和第二相似度進行加權處理，得到多個目標資料的融合相似度；基於融合相似度，對多個目標資料進行分群。分群的結果用於確定多個目標資料所屬的目標物件，從而基於融合相似度，對多個目標資料進行分群即可獲知多個目標資料是否屬於同一目標物件。相較於僅依靠與目標物件第一部位對應的第一相似度來確定多個目標資料是否屬於同一目標物件，本申請實施例聯合目標物件不同部位的相似度確定多個目標資料是否屬於同一目標物件，提高了資料分群的準確性。
在確定多個目標資料是否屬於同一目標物件後，可根據屬於同一目標物件的目標資料，構建目標物件的連通圖。本申請實施例中，可利用輔助資料的相似程度，輔助對多個目標資料進行分群，進而可在構建連通圖時利用目標物件不同部位的資訊進行建邊。
透過上述方式，在第一圖像中對目標物件進行特徵提取，得到目標物件的第一部位的特徵資料和第二部位的特徵資料，形成待分群資料集；從待分群資料集中獲取多個目標資料及其對應的輔助資料，並確定多個目標資料之間的第一相似度以及與多個目標資料分別對應的輔助資料之間的第二相似度，進而聯合不同部位的相似度來對多個目標資料進行分群，確定多個目標資料是否屬於同一目標物件，從而將同一目標物件的目標資料分為同一類，實現多模態聯合分群。
為實現更準確的資料分群，除了聯合目標資料和輔助資料的相似度外，還可以進一步聯合目標資料和輔助資料的可信度。請參閱第3圖，第3圖是本申請資料分群方法再一實施例的流程示意圖。具體而言，可以包括如下步驟： 步驟S31：在第一圖像中對目標物件進行特徵提取，得到目標物件的第一部位的特徵資料和第二部位的特徵資料，其中，第一部位的特徵資料作為待分群資料集中的目標資料，第二部位的特徵資料作為待分群資料集中的輔助資料。
本申請實施例中，第一部位的特徵資料作為待分群資料集中的目標資料，第二部位的特徵資料作為待分群資料集中的輔助資料。第一圖像用於獲得目標資料和/或輔助資料。其餘有關步驟S31的描述與上述步驟S21類似，在此不再贅述。
步驟S32：從待分群資料集中獲取多個目標資料及其對應的輔助資料。
本申請實施例中，可以利用第一圖像及特徵提取技術，得到待分群資料集中的目標資料及其對應的輔助資料後，則在進行資料分群時，可以從待分群資料集中獲取待分群的目標資料及其對應的輔助資料即可。
為了儘早過濾掉可信度較低的目標資料及其對應的輔助資料，進而提高資料分群精度，在從待分群資料集中獲取多個目標資料及其對應的輔助資料之前，可過濾待分群資料集可信度不滿足預設可信條件的目標資料及其對應的輔助資料。也即是，可判斷目標資料和/或輔助資料的可信度是否滿足預設可信條件，從而在可信度不滿足預設可信條件時，將目標資料和與之對應的輔助資料一同過濾掉，使得待分群資料集中的資料的可信度較高，進而提高資料分群精度。
步驟S33：確定多個目標資料之間的第一相似度、與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度。
本申請實施例中，目標資料和/或輔助資料的可信度是由第一圖像中對應部位的清晰度、被遮擋程度、光線強度中的至少一者確定的，因此，可從第一圖像中獲取目標資料和/或輔助資料，並可以綜合清晰度、被遮擋程度、光線強度等因素得到目標資料和/或輔助資料的可信度。
特徵資料和可信度是由神經網路模型對第一圖像進行處理得到的。在一些實施例中，特徵資料和可信度是由同一神經網路模型對第一圖像進行處理得到的，因此，將第一圖像輸入神經網路模型，即可同時獲取到特徵資料和可信度，提高資料分群的效率。
步驟S34：基於第一相似度、第二相似度、目標資料的可信度、輔助資料的可信度，對多個目標資料進行分群。
本申請實施例中，不僅聯合相似度和可信度，而且聯合與目標物件的不同部位對應目標資料和輔助資料對多個目標資料進行分群，從而更加準確地確定多個目標資料是否屬於同一目標物件，將同一目標物件的目標資料分為同一類，實現高精度資料分群。
為清楚地描述如何利用目標資料和輔助資料的相似度和可信度確定多個目標資料是否屬於同一目標物件，請參閱第4圖，第4圖是本申請資料分群方法再一實施例步驟S34的流程示意圖。具體而言，步驟S34可以包括如下步驟：
步驟S341：獲取第一相似度和第二相似度的權重，並利用權重對第一相似度和第二相似度進行加權處理，得到多個目標資料的融合相似度。
本申請實施例中，融合相似度是第一相似度和第二相似度加權處理後的結果，映射多個目標資料的相似程度。
獲取第一相似度和第二相似度的權重時，基於第一相似度、第二相似度、目標資料的可信度和輔助資料的可信度，得到第一相似度和第二相似度的權重，使得權重的確定綜合了相似度和可信度，實現自我調整加權。在一些實施例中，可以基於多個目標資料的可信度，得到多個目標資料的第一綜合可信度，以及基於多個目標資料對應的多個輔助資料的可信度，得到多個輔助資料的第二綜合可信度；利用第一相似度、第二相似度、第一綜合可信度和第二綜合可信度，得到第一相似度和第二相似度的權重，能夠更加準確地獲取對應相似度的權重，進而提高資料分群的準確性。
在一些實施例中，可以基於多個目標資料的可信度，得到多個目標資料的第一綜合可信度，或基於多個目標資料對應的多個輔助資料的可信度，得到多個輔助資料的第二綜合可信度時，將多個目標資料或多個輔助資料的可信度之和，作為相應資料的綜合可信度。也即是，將多個目標資料的可信度之和，作為多個目標資料的第一綜合可信度，將多個輔助資料的可信度之和，作為多個輔助資料的第二綜合可信度，從而求和的可信度得到綜合可信度，提高綜合可信度的精準度。
在一些實施例中，在利用第一相似度、第二相似度、第一綜合可信度和第二綜合可信度，得到第一相似度和第二相似度的權重時，可以利用權重確定模型對第一相似度、第二相似度、第一綜合可信度和第二綜合可信度進行處理，得到第一相似度和第二相似度的權重。權重確定模型獲取第一相似度和第二相似度的權重時，結合相似度和可信度學習模態權重，可局部自我調整增加合適的模態的權重，以構建聯合相似度。在一些實施例中，權重確定模型至少由以下步驟訓練：獲取樣本目標資料及其可信度，以及獲取相應樣本輔助資料及其可信度；確定多個樣本目標資料之間的第三相似度和多個樣本輔助資料之間的第四相似度，並基於樣本目標資料和樣本輔助資料的可信度，得到多個樣本目標資料的第三綜合相似度和多個樣本輔助資料的第四綜合相似度；利用權重確定模型對第三相似度、第四相似度、第三綜合可信度和第四綜合可信度進行處理，得到第三相似度和第四相似度的權重；基於第三相似度和第四相似度的權重，調整權重確定模型的網路參數。因此，利用樣本的第三相似度、第四相似度、第三綜合可信度和第四綜合可信度對權重確定模型進行訓練，從而得到最終的權重確定模型。在一些實施例中，也可基於第三相似度、第四相似度、樣本目標資料的可信度和樣本輔助資料的可信度，得到第三相似度的權重，將1與第三相似度的權重的差值作為第四相似度的權重，或者基於第三相似度、第四相似度、樣本目標資料的可信度和樣本輔助資料的可信度，得到第四相似度的權重，將1與第四相似度的權重的差值作為第三相似度的權重。
步驟S342：基於融合相似度，對多個目標資料進行分群。
本申請實施例中，在獲取到融合相似度後，即可基於融合相似度的大小對多個目標資料進行分群，也即是可以基於分群的結果確定多個目標資料所屬的目標物件。在一些實施例中，在檢測到融合相似度大於預設相似度閾值的情況下，可以對多個目標資料進行分群，確定多個目標資料屬於同一目標物件，因此，透過預設相似度閾值，可過濾融合相似度不大於預設相似度的目標資料，進一步提高資料分群的精度。
在一些實施例中，為聯合目標物件的臉部、身體對應的特徵資料進行人臉分群，目標資料和輔助資料分別為目標物件的臉部、身體對應的特徵資料，且目標資料及其對應的輔助資料的數量為兩個。
獲取第二圖像包含的每個第二部位的面積，將面積最大的第二部位作為主要第二部位，最後在第二圖像中提取出包含主要第二部位的第一圖像。在第一圖像中對目標物件進行特徵提取，得到目標物件的臉部的特徵資料和身體的特徵資料，進而得到待分群資料集中的目標資料及其對應的輔助資料，也即是人的臉部的特徵資料作為待分群資料集中的目標資料，人的身體的特徵資料作為待分群資料集中的輔助資料。
從待分群資料集中獲取A目標資料和B目標資料，及其對應的A輔助資料和B輔助資料，並利用神經網路模型確定A目標資料和B目標資料之間的第一相似度 S fe 、A目標資料和B目標資料之間的第二相似度 S be 、A目標資料的可信度 Q f1 、B目標資料的可信度 Q f2 、A輔助資料的可信度 Q b1 和B輔助資料的可信度 Q b2 。根據以下公式（1）和公式（2）可以得出A目標資料和B目標資料的第一綜合可信度 Q fe 、以及A輔助資料和B輔助資料的第二綜合可信度 Q be 。
Figure 02_image001
（1）
Figure 02_image003
（2）
參照第5圖，可以利用權重確定模型對第一相似度 S fe 、第二相似度 S be 、第一綜合可信度 Q fe 和第二綜合可信度 Q be 進行處理，得到第一相似度的權重 W F 和第二相似度的權重 W B 。然後，可以根據公式（3）得出A目標資料和B目標資料的融合相似度 S。
Figure 02_image005
（3）
在得出融合相似度 S之後，可以基於融合相似度，確定多個目標資料是否屬於同一目標物件。權重確定模型是利用臉部和身體兩種模態資訊，透過訓練回歸的方式，學習不同模態的權重，進行自我調整加權得到的。
在一些實施例中，參照第6圖，P和P1表示兩個正樣本，正樣本包含臉部特徵資料和身體特徵資料的正樣本，N1表示與P相對的負樣本，人臉邊（Face edge）表示不同臉部特徵之間透過相似度構建的邊，人體邊（Body edge）表示不同身體特徵之間透過相似度構建的邊。
在一些實施例中，可以根據樣本的不同臉部特徵之間的相似度（對應人臉邊）以及不同身體特徵之間的相似度（對應人體邊）訓練聯合分群模型，聯合分群模型表示結合臉部特徵和身體特徵對目標物件進行分群的網路。示例性地，可以基於二進位交叉熵損失（Binary Cross Entropy Loss）函數和/或三元組損失（Triplet Loss）函數訓練聯合分群模型。
二進位交叉熵損失的計算公式為以下公式（4）：
Figure 02_image007
（4）
其中，
Figure 02_image009
表示二進位交叉熵損失，
Figure 02_image011
表示第 i個樣本的標注值，
Figure 02_image013
表示利用聯合分群模型對第 i個樣本進行預測得到的預測值， N表示樣本的總數。
三元組損失的計算公式為以下公式（5）：
Figure 02_image015
（5）
其中，
Figure 02_image017
表示三元組損失， A表示錨點樣本點， R表示與 A同一類的正樣本點， Q表示與 A不為同一類的負樣本點 ，
Figure 02_image019
表示聯合分群模型的特徵提取函數，
Figure 02_image021
表示範數，
Figure 02_image023
為設定的常數， M為大於1的整數。
參照第6圖，聯合分群模型可以由聯合邊（Joint edge）和聯合圖（Joint graph）表示，聯合邊表示人臉邊和人體邊之間透過聯合相似度構建的邊，聯合圖表示由聯合邊構成的圖。
在得到訓練完成的聯合分群模型後，可以利用聯合分群模型對不同的目標物件進行分群，得到分群結果，第6圖中，分群結果可以由多個聯合群（Joint cluster）表示。
在相關技術中，單純利用目標資料進行人臉分群時，容易將臉部相似卻為不同目標物件的目標資料確定為屬於同一目標物件，因此，本申請實施例引入與身體對應的輔助資料指導人臉分群，利用更加全面的資訊實現聯合分群。僅基於相似度進行分群時，同一目標物件的目標資料之間的相似度可能較低（例如，同一目標物件的正臉和角度較大的側臉），或者不同目標物件的目標資料之間的相似度可能較高（例如，都戴口罩、墨鏡，或都是角度較大的側臉），因此，可引入可信度進行分群。本申請實施例中，不僅融合與目標物件的臉部對應的目標資料的相似度和與目標物件的身體對應的輔助資料的相似度，臉部模態和身體模態進行模態融合，而且融合了目標資料和輔助資料的可信度，實現臉部（或身體）的可信度量化融合相似度的權重，從而結合相似度和可信度構建融合相似度。
透過上述方式，在第一圖像中對目標物件進行特徵提取，得到目標物件的第一部位的特徵資料和第二部位的特徵資料，形成待分群資料集；從待分群資料集中獲取多個目標資料及其對應的輔助資料，確定第一相似度、第二相似度、目標資料的可信度、輔助資料的可信度，不僅聯合與不同部位對應的目標資料和輔助資料的相似度，而且綜合目標資料與輔助資料的可信度來確定多個目標資料是否屬於同一目標物件，以使同一目標物件的目標資料分為同一類，能夠提高資料分群的準確度。
本領域技術人員可以理解，在具體實施方式的上述方法中，各步驟的撰寫順序並不意味著嚴格的執行順序而對實施過程構成任何限定，各步驟的具體執行順序應當以其功能和可能的內在邏輯確定。
請參閱第7圖，第7圖是本申請資料分群裝置50一實施例的框架示意圖。資料分群裝置50包括獲取模組51、第一確定模組52、第二確定模組53。
獲取模組51，配置為從待分群資料集中獲取多個關於目標物件的目標資料，其中，所述目標物件包括第一部位和第二部位，所述目標資料為所述第一部位對應的資料；第一確定模組52，配置為確定所述多個目標資料之間的第一相似度以及參考因數，其中，所述參考因數包括以下至少一個：與所述多個目標資料分別對應的輔助資料之間的第二相似度、所述目標資料的可信度、所述輔助資料的可信度，所述輔助資料為所述第二部位對應的資料；第二確定模組53，配置為基於所述第一相似度以及參考因數，對所述多個目標資料進行分群，其中，所述分群的結果用於確定所述多個目標資料所屬的所述目標物件。
本申請的一些實施例中，所述待分群資料集中還包括輔助資料，所述裝置包括特徵提取模組54； 所述特徵提取模組54配置為在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料，其中，所述第一部位的特徵資料作為所述待分群資料集中的目標資料，所述第二部位的特徵資料作為所述待分群資料集中的輔助資料。
本申請的一些實施例中，所述特徵提取模組54，配置為在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料時，從所述第一圖像中獲取所述第一部位對應的第一區域和所述第二部位對應的第二區域；在所述第一區域和所述第二區域滿足預設匹配條件的情況下，分別對所述第一區域和所述第二區域進行特徵提取，以對應得到所述第一部位的特徵資料和所述第二部位的特徵資料。
本申請的一些實施例中，所述預設匹配條件包括以下至少一者：所述第一區域和所述第二區域之間的位置關係滿足預設位置關係、所述第一區域和所述第二區域的重疊面積大於預設面積閾值。
本申請的一些實施例中，所述特徵提取模組54，還配置為在所述第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料之前，獲取第二圖像包含的每個所述第二部位的面積；基於所述第二部位的面積，從所述第二圖像包含的至少一個第二部位中選擇主要第二部位；在所述第二圖像中提取出包含所述主要第二部位的第一圖像。
本申請的一些實施例中，所述特徵資料和所述可信度是由同一神經網路模型對所述第一圖像進行處理得到的。
本申請的一些實施例中，所述獲取模組51還配置為在從所述待分群資料集中獲取多個目標資料之前，過濾所述待分群資料集中所述可信度不滿足預設可信條件的所述目標資料。
本申請的一些實施例中，所述目標資料和/或所述輔助資料的可信度是由所述第一圖像中對應部位的清晰度、被遮擋程度、光線強度中的至少一者確定的，其中，所述第一圖像用於獲得所述目標資料和/或所述輔助資料。
本申請的一些實施例中，所述參考因數包括所述第二相似度，所述第二確定模組53，還配置為在基於所述第一相似度以及參考因數，對所述多個目標資料進行分群時，獲取所述第一相似度和所述第二相似度的權重，並利用權重對所述第一相似度和所述第二相似度進行加權處理，得到所述多個目標資料的融合相似度；基於所述融合相似度，對所述多個目標資料進行分群。
本申請的一些實施例中，所述參考因數還包括所述目標資料的可信度、所述輔助資料的可信度； 所述第二確定模組53，配置為獲取所述第一相似度和所述第二相似度的權重時，基於所述第一相似度、所述第二相似度和所述目標資料的可信度和所述輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重。
本申請的一些實施例中，所述第二確定模組53，配置為在基於所述第一相似度、所述第二相似度、所述目標資料的可信度和輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重時，基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度，以及基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度；利用所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度，得到所述第一相似度和所述第二相似度的權重。
本申請的一些實施例中，所述第二確定模組53配置為在基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度時，將所述多個目標資料的可信度之和，作為所述多個目標資料的第一綜合可信度； 所述第二確定模組53配置為基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度時，將所述多個輔助資料的可信度之和，作為所述多個輔助資料的第二綜合可信度。
本申請的一些實施例中，所述第二確定模組53配置為在利用所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度，得到所述第一相似度和所述第二相似度的權重時，利用權重確定模型對所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度進行處理，得到所述第一相似度和所述第二相似度的權重； 所述第二確定模組53包括模型訓練單元，所述模型訓練單元配置為： 獲取樣本目標資料及其可信度，以及獲取相應樣本輔助資料及其可信度；確定多個樣本目標資料之間的第三相似度和多個所述樣本輔助資料之間的第四相似度，並基於所述樣本目標資料和所述樣本輔助資料的可信度，得到所述多個樣本目標資料的第三綜合相似度和所述多個樣本輔助資料的第四綜合相似度；利用所述權重確定模型對所述第三相似度、所述第四相似度、所述第三綜合可信度和所述第四綜合可信度進行處理，得到所述第三相似度和所述第四相似度的權重；基於所述第三相似度和所述第四相似度的權重，調整所述權重確定模型的網路參數，以訓練得到所述權重確定模型。
本申請的一些實施例中，所述第二確定模組53配置為在基於融合相似度，確定多個目標資料是否屬於同一目標物件時，在檢測到所述融合相似度大於預設相似度閾值的情況下，對所述多個目標資料進行分群。
本申請的一些實施例中，所述目標資料和所述輔助資料分別為所述目標物件的臉部、身體對應的特徵資料。
上述方案中，獲取模組51從待分群資料集中獲取多個目標資料後，第一確定模組52不僅確定多個目標資料之間的第一相似度，還確定與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度等參考因數，從而第二確定模組53可以聯合相似度和可信度，或者聯合與目標物件的不同部位對應目標資料和輔助資料確定多個目標資料是否屬於同一目標物件，從而將同一目標物件的目標資料分為同一類，實現高準確度的資料分群。
請參閱第8圖，第8圖是本申請電子設備60一實施例的框架示意圖。電子設備60包括相互耦接的記憶體61和處理器62，處理器62用於執行記憶體61中儲存的程式指令，以實現上述任一資料分群方法實施例的步驟。在一個具體的實施場景中，電子設備60可以包括但不限於：微型電腦、伺服器，此外，電子設備60還可以包括筆記型電腦、平板電腦等移動設備，在此不做限定。
具體而言，處理器62用於控制其自身以及記憶體61以實現上述任一資料分群方法實施例中的步驟。處理器62還可以稱為CPU（Central Processing Unit，中央處理單元）。處理器62可能是一種積體電路晶片，具有訊號的處理能力。處理器62還可以是通用處理器、數位訊號處理器（Digital Signal Processor, DSP）、專用積體電路（Application Specific Integrated Circuit, ASIC）、現場可程式設計閘陣列（Field-Programmable Gate Array, FPGA）或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。另外，處理器62可以由積體電路晶片共同實現。
請參閱第9圖，第9圖是本申請電腦可讀儲存媒體70一實施例的框架示意圖。電腦可讀儲存媒體70儲存有能夠被處理器運行的程式指令701，程式指令701用於實現上述任一資料分群方法實施例的步驟。
相應地，本申請實施例還提供了一種電腦程式，包括電腦可讀代碼，當電腦可讀代碼在電子設備中運行時，電子設備中的處理器執行用於實現上述任意一種資料分群方法。
在一些實施例中，本申請實施例提供的裝置具有的功能或包含的模組可以用於執行上文方法實施例描述的方法，其具體實現可以參照上文方法實施例的描述，為了簡潔，這裡不再贅述。
上文對各個實施例的描述傾向於強調各個實施例之間的不同之處，其相同或相似之處可以互相參考，為了簡潔，本文不再贅述。
在本申請所提供的幾個實施例中，應該理解到，所揭露的方法和裝置，可以透過其它的方式實現。例如，以上所描述的裝置實施方式僅僅是示意性的，例如，模組或單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如單元或元件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是透過一些介面，裝置或單元的間接耦合或通信連接，可以是電性、機械或其它的形式。
另外，在本申請各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。
集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以儲存在一個電腦可讀取儲存媒體中。基於這樣的理解，本申請的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該電腦軟體產品儲存在一個儲存媒體中，包括若干指令用以使得一台電腦設備（可以是個人電腦，伺服器，或者網路設備等）或處理器（processor）執行本申請各個實施方式方法的全部或部分步驟。而前述的儲存媒體包括：USB隨身碟、行動硬碟、唯讀記憶體（ROM，Read-Only Memory）、隨機存取記憶體（RAM，Random Access Memory）、磁碟或者光碟等各種可以儲存程式碼的媒體。 工業實用性
本申請實施例提供了一種資料分群方法、電子設備和電腦儲存媒體，資料分群方法包括：從待分群資料集中獲取多個關於目標物件的目標資料，其中，目標物件包括第一部位和第二部位，目標資料為第一部位對應的資料；確定多個目標資料之間的第一相似度以及參考因數，其中，參考因數包括以下至少一個：與多個目標資料分別對應的輔助資料之間的第二相似度、目標資料的可信度、輔助資料的可信度，輔助資料為第二部位對應的資料；基於第一相似度以及參考因數，對多個目標資料進行分群，其中，分群的結果用於確定多個目標資料所屬的目標物件。上述方案，能夠提高資料分群的準確性。
S11~S13:步驟 S21~S24:步驟 S31~S34:步驟 S341~S342:步驟 S fe :第一相似度 S be :第二相似度 Q fe , Q be : 綜合可信度 W F , W B :權重 50:資料分群裝置 51:獲取模組 52:第一確定模組 53:第二確定模組 54:特徵提取模組 60:電子設備 61:記憶體 62:處理器 70:電腦可讀儲存媒體 701:程式指令
此處的附圖被併入說明書中並構成本說明書的一部分，這些附圖示出了符合本申請的實施例，並與說明書一起用於說明本申請的技術方案。
第1圖是本申請實施例提供的資料分群方法一實施例的流程示意圖； 第2圖是本申請實施例提供的資料分群方法另一實施例的流程示意圖； 第3圖是本申請實施例提供的資料分群方法再一實施例的流程示意圖； 第4圖是本申請實施例提供的資料分群方法再一實施例步驟S34的流程示意圖； 第5圖是本申請實施例提供的確定第一相似度和第二相似度的權重的示意圖； 第6圖是本申請實施例提供的聯合分群過程的示意圖； 第7圖是本申請實施例提供的資料分群裝置一實施例的框架示意圖； 第8圖是本申請實施例提供的電子設備一實施例的框架示意圖； 第9圖是本申請實施例提供的電腦可讀儲存媒體一實施例的框架示意圖。
S11~S13:步驟

Claims (16)

  1. 一種資料分群方法，包括：從待分群資料集中獲取多個關於目標物件的目標資料，其中，所述目標物件包括第一部位和第二部位，所述目標資料為所述第一部位對應的資料；確定多個目標資料之間的第一相似度以及參考因數，其中，所述參考因數包括以下至少一個：與所述多個目標資料分別對應的輔助資料之間的第二相似度、所述目標資料的可信度、所述輔助資料的可信度，所述輔助資料為所述第二部位對應的資料；在所述參考因數包括所述第二相似度的情況下，獲取所述第一相似度和所述第二相似度的權重，並利用所述權重對所述第一相似度和所述第二相似度進行加權處理，得到所述多個目標資料的融合相似度；基於所述融合相似度，對所述多個目標資料進行分群，其中，所述分群的結果用於確定所述多個目標資料所屬的所述目標物件。
  2. 根據請求項1所述的方法，其中，所述待分群資料集中還包括所述輔助資料，所述待分群資料集至少由以下步驟得到：在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料，其中，所述第一部位的特徵資料作為所述待分群資料集中的目標資料，所述第二部位的特徵資料作為所述待分群資料集中的輔助資料。
  3. 根據請求項2所述的方法，其中，所述在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料，包括：從所述第一圖像中獲取所述第一部位對應的第一區域和所述第二部位對應的第二區域； 在所述第一區域和所述第二區域滿足預設匹配條件的情況下，分別對所述第一區域和所述第二區域進行特徵提取，以對應得到所述第一部位的特徵資料和所述第二部位的特徵資料。
  4. 根據請求項3所述的方法，其中，所述預設匹配條件包括以下至少一者：所述第一區域和所述第二區域之間的位置關係滿足預設位置關係、所述第一區域和所述第二區域的重疊面積大於預設面積閾值。
  5. 根據請求項2至4任一項所述的方法，其中，在所述在第一圖像中對所述目標物件進行特徵提取，得到所述目標物件的第一部位的特徵資料和第二部位的特徵資料之前，所述方法還包括：獲取第二圖像包含的每個所述第二部位的面積；基於所述第二部位的面積，從所述第二圖像包含的至少一個第二部位中選擇主要第二部位；在所述第二圖像中提取出包含所述主要第二部位的第一圖像。
  6. 根據請求項2至4任一項所述的方法，其中，所述特徵資料和所述可信度是由同一神經網路模型對所述第一圖像進行處理得到的。
  7. 根據請求項1至4任一項所述的方法，其中，在所述從待分群資料集中獲取多個關於目標物件的目標資料之前，所述方法還包括：過濾所述待分群資料集中所述可信度不滿足預設可信條件的所述目標資料。
  8. 根據請求項1至4任一項所述的方法，其中，所述目標資料和/或所述輔助資料的可信度是由所述第一圖像中對應部位的清晰度、被遮擋程度、光線強度中的至少一者確定的，其中，所述第一圖像用於獲得所述目標資料和/或所述輔助資料。
  9. 根據請求項1所述的方法，其中，所述參考因數還包括所述目 標資料的可信度、所述輔助資料的可信度，所述獲取所述第一相似度和所述第二相似度的權重，包括：基於所述第一相似度、所述第二相似度和所述目標資料的可信度和所述輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重。
  10. 根據請求項9所述的方法，其中，所述基於所述第一相似度、所述第二相似度、所述目標資料的可信度和所述輔助資料的可信度，得到所述第一相似度和所述第二相似度的權重，包括：基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度，以及基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度；利用所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度，得到所述第一相似度和所述第二相似度的權重。
  11. 根據請求項10所述的方法，其中，所述基於所述多個目標資料的可信度，得到所述多個目標資料的第一綜合可信度，包括：將所述多個目標資料的可信度之和，作為所述多個目標資料的第一綜合可信度；所述基於所述多個目標資料對應的多個輔助資料的可信度，得到所述多個輔助資料的第二綜合可信度，包括：將所述多個輔助資料的可信度之和，作為所述多個輔助資料的第二綜合可信度。
  12. 根據請求項10所述的方法，其中，所述利用所述第一相似度、所述第二相似度、所述第一綜合可信度和所述第二綜合可信度，得到所述第一相似度和所述第二相似度的權重，包括：利用權重確定模型對所述第一相似度、所述第二相似度、所述第一綜合可 信度和所述第二綜合可信度進行處理，得到所述第一相似度和所述第二相似度的權重；其中，所述權重確定模型至少由以下步驟訓練：獲取樣本目標資料及其可信度，以及獲取相應樣本輔助資料及其可信度；確定多個樣本目標資料之間的第三相似度和多個所述樣本輔助資料之間的第四相似度，並基於所述樣本目標資料和所述樣本輔助資料的可信度，得到所述多個樣本目標資料的第三綜合相似度和所述多個樣本輔助資料的第四綜合相似度；利用所述權重確定模型對所述第三相似度、所述第四相似度、所述第三綜合可信度和所述第四綜合可信度進行處理，得到所述第三相似度和所述第四相似度的權重；基於所述第三相似度和所述第四相似度的權重，調整所述權重確定模型的網路參數。
  13. 根據請求項1所述的方法，其中，所述基於所述融合相似度，對所述多個目標資料進行分群，包括：在檢測到所述融合相似度大於預設相似度閾值的情況下，對所述多個目標資料進行分群。
  14. 根據請求項1至4任一項所述的方法，其中，所述目標資料和所述輔助資料分別為所述目標物件的臉部、身體對應的特徵資料。
  15. 一種電子設備，包括相互耦接的記憶體和處理器；所述處理器配置為執行所述記憶體儲存的程式指令，以實現請求項1至14任一項所述的資料分群方法。
  16. 一種電腦可讀儲存媒體，其上儲存有程式指令，所述程式指令被處理器執行時實現請求項1至14任一項所述的資料分群方法。
TW109144955A 2020-10-28 2020-12-18 資料分群方法、電子設備和儲存媒體 TWI767459B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011172426.7A CN112307938B (zh) 2020-10-28 2020-10-28 数据聚类方法及其装置、电子设备、存储介质
CN202011172426.7 2020-10-28

Publications (2)

Publication Number Publication Date
TW202217594A TW202217594A (zh) 2022-05-01
TWI767459B true TWI767459B (zh) 2022-06-11

Family

ID=74331400

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109144955A TWI767459B (zh) 2020-10-28 2020-12-18 資料分群方法、電子設備和儲存媒體

Country Status (3)

Country Link
CN (1) CN112307938B (zh)
TW (1) TWI767459B (zh)
WO (1) WO2022088331A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090290791A1 (en) * 2008-05-20 2009-11-26 Holub Alex David Automatic tracking of people and bodies in video
CN109117803A (zh) * 2018-08-21 2019-01-01 腾讯科技（深圳）有限公司 人脸图像的聚类方法、装置、服务器及存储介质
CN111291678A (zh) * 2020-02-06 2020-06-16 北京爱笔科技有限公司 一种基于多特征融合的人脸图像聚类方法及装置
TW202029055A (zh) * 2018-12-29 2020-08-01 大陸商深圳市商湯科技有限公司 一種行人識別方法、裝置、電子設備及非臨時性電腦可讀儲存介質

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003330583A (ja) * 2002-05-17 2003-11-21 Hitachi Software Eng Co Ltd クラスタ解析システム
US10403016B2 (en) * 2017-06-02 2019-09-03 Apple Inc. Face syncing in distributed computing environment
CN108154171B (zh) * 2017-12-20 2021-04-23 北京奇艺世纪科技有限公司 一种人物识别方法、装置及电子设备
CN109800744B (zh) * 2019-03-18 2021-08-20 深圳市商汤科技有限公司 图像聚类方法及装置、电子设备和存储介质
CN110245679B (zh) * 2019-05-08 2021-12-28 北京旷视科技有限公司 图像聚类方法、装置、电子设备及计算机可读存储介质
CN111079648A (zh) * 2019-12-16 2020-04-28 北京旷视科技有限公司 数据集清洗方法、装置和电子系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090290791A1 (en) * 2008-05-20 2009-11-26 Holub Alex David Automatic tracking of people and bodies in video
CN109117803A (zh) * 2018-08-21 2019-01-01 腾讯科技（深圳）有限公司 人脸图像的聚类方法、装置、服务器及存储介质
TW202029055A (zh) * 2018-12-29 2020-08-01 大陸商深圳市商湯科技有限公司 一種行人識別方法、裝置、電子設備及非臨時性電腦可讀儲存介質
CN111291678A (zh) * 2020-02-06 2020-06-16 北京爱笔科技有限公司 一种基于多特征融合的人脸图像聚类方法及装置

Also Published As

Publication number Publication date
TW202217594A (zh) 2022-05-01
CN112307938A (zh) 2021-02-02
WO2022088331A1 (zh) 2022-05-05
CN112307938B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Lee et al. Cell morphology based classification for red cells in blood smear images
WO2019127273A1 (zh) 一种多人脸检测方法、装置、服务器、系统及存储介质
JP2009086901A (ja) 年齢推定システム及び年齢推定方法
Leekha et al. Are you paying attention? Detecting distracted driving in real-time
CN104063719A (zh) 基于深度卷积网络的行人检测方法及装置
Ma et al. Linear dependency modeling for classifier fusion and feature combination
WO2020164278A1 (zh) 一种图像处理方法、装置、电子设备和可读存储介质
Vengatesan et al. Face recognition of identical twins based on support vector machine classifier
Huang et al. The Internet technology for defect detection system with deep learning method in smart factory
WO2013075295A1 (zh) 低分辨率视频的服装识别方法及系统
CN111783681A (zh) 大规模人脸库识别方法、系统、计算机设备及存储介质
WO2023082641A1 (zh) 电子档案生成方法、装置、终端设备及存储介质
Verma et al. Local invariant feature-based gender recognition from facial images
TW202042113A (zh) 人臉辨識系統、建立人臉辨識之資料之方法及其人臉辨識之方法
CN115497124A (zh) 身份识别方法和装置及存储介质
Sandhya et al. Comparative analysis of machine learning algorithms for Lip print based person identification
Kohlakala et al. Ear-based biometric authentication through the detection of prominent contours
Selvaraj et al. Naïve Bayesian classifier for acute lymphocytic leukemia detection
Sandhya et al. Deep Learning Based Face Detection and Identification of Criminal Suspects.
CN110363240B (zh) 一种医学影像分类方法与系统
TWI767459B (zh) 資料分群方法、電子設備和儲存媒體
US11966842B2 (en) Systems and methods to train a cell object detector
Kailash et al. Deep learning based detection of mobility aids using yolov5
Alkahla et al. Face identification in a video file based on hybrid intelligence technique-review
Pflug Ear recognition: Biometric identification using 2-and 3-dimensional images of human ears