CN110175546B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110175546B CN110175546B CN201910404653.9A CN201910404653A CN110175546B CN 110175546 B CN110175546 B CN 110175546B CN 201910404653 A CN201910404653 A CN 201910404653A CN 110175546 B CN110175546 B CN 110175546B
- Authority
- CN
- China
- Prior art keywords
- image
- features
- images
- similarity
- cluster
- 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.)
- Active
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括对图像数据集中的多个图像执行特征提取处理,获得与所述多个图像对应的图像特征;基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,其中同一聚类内的图像包括相同对象;其中,采用分布式并行执行的方式执行所述特征提取处理和所述聚类处理中的至少一个处理过程。本公开实施例可实现图像的快速聚类。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
随着智慧城市的建设,城市级的监控***每天都在产生着海量的抓拍人脸图片。这些人脸数据具有规模大、空间区域分布广、高重复性以及无身份等特点,而现有的视频分析***无法快速有效地对海量的图像数据进行聚类分析。
发明内容
本公开提出了一种图像处理的技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:对图像数据集中的多个图像执行特征提取处理,获得与所述多个图像对应的图像特征;基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,其中同一聚类内的图像包括相同对象;其中,采用分布式并行执行的方式执行所述特征提取处理和所述聚类处理中的至少一个处理过程。基于上述配置可以基于提取的图像特征实现图像的精确聚类,同时分布式并行执行的方式可以提高特征提取和聚类的速度,提高图像处理效率。
在一些可能的实施方式中,利用分布式并行执行的方式执行所述特征提取处理,包括:将所述图像数据集中的多个图像进行分组,得到多个图像组;将所述多个图像组分别输入多个特征提取模型,利用所述多个特征提取模型并行执行与所述特征提取模型对应图像组中的图像的特征提取处理,得到所述多个图像的图像特征,其中每个特征提取模型所输入的图像组不同。基于上述配置,可以实现利用多个特征提取模型分布式并行的执行多个图像的特征提取过程,从而提高特征提取效率。
在一些可能的实施方式中,所述基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,包括:对所述图像特征执行量化处理,获得与所述图像特征对应的量化特征;基于获得的所述量化特征执行对所述多个图像的聚类处理,得到所述至少一个聚类。基于上述配置,通过对图像特征进行量化处理,得到的量化特征的在保证特征信息的有效性的前提先数据量被缩减,能够加快聚类处理的速度。
在一些可能的实施方式中,所述对所述图像的图像特征执行量化处理,获得与所述图像特征对应的量化特征,包括:对所述多个图像的图像特征进行分组处理,得到多个第一分组,所述第一分组包括至少一个图像的图像特征;分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征。基于上述配置,通过分布式并行的执行图像特征的量化处理,可以提高量化处理的效率。
在一些可能的实施方式中,在所述分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征之前,所述方法还包括:为所述多个第一分组分别配置第一索引,得到多个第一索引;所述分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征,包括:将所述多个第一索引分别分配给多个量化器,每个量化器被分配的第一索引不同;利用所述多个量化器分别并行执行分配的所述第一索引对应的第一分组内的图像特征的量化处理。基于上述配置,可以通过配置的第一索引方便的建立第一索引和第一分组的关联,同时方便为各量化器分配量化处理任务。
在一些可能的实施方式中,所述量化处理包括PQ编码处理。
在一些可能的实施方式中,所述基于获得的所述量化特征执行所述多个图像的聚类处理,得到所述至少一个聚类,包括:获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度;基于所述第一相似度,确定所述任一图像的K1近邻图像,所述K1近邻图像的量化特征是与所述任一图像的量化特征的第一相似度最高的K1个量化特征,所述K1为大于或等于1的整数;利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果。基于上述配置,可以方便的利用量化特征之间的相似度进行图像的聚类。
在一些可能的实施方式中,所述利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果,包括:从所述K1近邻图像中选择出与所述任一图像的量化特征之间的第一相似度大于第一阈值的第一图像集;将所述第一图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
在一些可能的实施方式中,所述利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果,包括:获取所述任一图像的图像特征与所述任一图像的K1近邻图像的图像特征之间的第二相似度;基于所述第二相似度,确定所述任一图像的K2近邻图像,所述K2近邻图像的图像特征为所述K1近邻图像中与所述任一图像的图像特征的第二相似度最高的K2个图像特征,K2为大于或者等于1且小于或者等于K1的整数;从所述K2近邻图像中选择出与所述任一图像的图像特征的所述第二相似度大于第二阈值的第二图像集;将所述第二图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。基于上述配置,可以在通过量化特征之间的相似度得到的K1近邻的基础上,进一步通过图像特征之间的相似度执行图像的聚类,提高聚类精度。
在一些可能的实施方式中,所述获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度之前,所述方法还包括:对所述多个图像的量化特征进行分组处理,得到多个第二分组,所述第二分组包括至少一个图像的量化特征;并且,所述获取任一图像的量化特征与其余图像的量化特征之间的第一相似度,包括:分布式并行地获取所述第二分组内图像的量化特征与所述其余图像的量化特征之间的第一相似度。基于上述配置,通过分布式并行的方式得到量化特征之间的相似度可以提供处理速度。
在一些可能的实施方式中,在所述分布式并行地获取所述第二分组内图像的量化特征与其余图像的量化特征之间的第一相似度之前,还包括:为所述多个第二分组分别配置第二索引,得到多个第二索引;并且,所述分布式并行地获取所述第二分组内图像的量化特征与其余图像的量化特征之间的第一相似度,包括:基于所述第二索引,建立所述第二索引对应的相似度运算任务,所述相似度运算任务为获取所述第二索引对应的第二分组内的目标图像的量化特征与所述目标图像以外的全部图像的量化特征之间的第一相似度;分布式并行执行所述多个第二索引中每个第二索引对应的相似度获取任务。基于上述配置,通过配置的第二索引,可以建立第二索引和第二分组的关联,同时通过第二索引可以方便分配相似度运算任务。
在一些可能的实施方式中,所述方法还包括:获取所述图像特征的第三索引,并关联地存储所述第三索引和与所述第三索引相应的图像特征;所述第三索引包括:通过图像采集设备采集与所述第三索引对应的图像的时间、地点以及所述图像采集设备的标识中的至少一种。基于上述配置,可以方便的建立图像的索引,通过该索引还可以获得图像中对象的时空信息。
在一些可能的实施方式中,所述方法还包括:确定得到的所述聚类的类中心;为所述类中心配置第四索引,并关联地存储所述第四索引和与所述第四索引对应的类中心。基于上述配置,方便存储和查询类中心。
在一些可能的实施方式中,所述确定得到的所述聚类的类中心,包括:基于所述聚类内的各图像的图像特征的平均值,确定所述聚类的类中心。基于上述配置,能够获得准确的表达聚类内的图像对象的特征信息的类中心。
在一些可能的实施方式中,所述方法还包括:获取输入图像的图像特征;对所述输入图像的图像特征执行量化处理,得到所述输入图像的量化特征;基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类。通过上述配置,可以方便的获取任意新增的图像中的对象所对应的聚类。
在一些可能的实施方式中,所述基于所述输入图像的量化特征以及得到的聚类的类中心,确定所述输入图像所在的聚类,包括:获取所述输入图像的量化特征与各所述聚类的类中心的量化特征之间的第三相似度;基于所述第三相似度确定与所述输入图像的量化特征之间的第三相似度最高的K3个类中心,K3为大于或者等于1的整数;获取所述输入图像的图像特征与所述K3个类中心的图像特征之间的第四相似度;响应于所述K3个类中心中一类中心的图像特征与所述输入图像的图像特征之间的第四相似度最高且该第四相似度大于第三阈值,则将所述输入图像加入至所述一类中心对应的聚类。
在一些可能的实施方式中,所述基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类,还包括:响应于不存在与所述输入特征的图像特征的第四相似度大于第三阈值的类中心,基于所述输入图像的量化特征以及所述图像数据集中的图像的量化特征执行所述聚类处理,得到至少一个新的聚类。
在一些可能的实施方式中,所述方法还包括:基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份。基于上述配置,可以根据得到的聚类对应的对象的身份。
在一些可能的实施方式中,所述基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份,包括:获得所述身份特征库中已知对象的量化特征;确定所述已知对象的量化特征与所述至少一个聚类的类中心的量化特征之间的第五相似度,并确定与所述类中心的量化特征的第五相似度最高的K4个已知对象的量化特征;获取所述类中心的图像特征与对应的K4个已知对象的图像特征之间的第六相似度;响应于所述K4个已知对象中的一已知对象的图像特征与所述类中心的图像特征之间的第六相似度最高且该第六相似度大于第四阈值,则确定所述第六相似度最高的所述一已知对象与所述类中心对应的聚类匹配。通过上述配置,可以根据已知对象的量化特征以及图像特征方便且精确的实现聚类对应的对象的身份识别。
在一些可能的实施方式中,所述基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份,还包括:响应于所述K4个已知对象的图像特征与相应的类中心的图像特征的第六相似度均小于所述第四阈值,则确定不存在与所述已知对象匹配的聚类。
根据本公开提供的第二方面,提供了一种图像处理装置,所述装置包括:特征提取模块,其用于对图像数据集中的多个图像执行特征提取处理,获得与所述多个图像对应的图像特征;聚类模块,其用于基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,其中同一聚类内的图像包括相同对象;其中,采用分布式并行执行的方式执行所述特征提取处理和所述聚类处理中的至少一个处理过程。基于上述配置可以基于提取的图像特征实现图像的精确聚类,同时分布式并行执行的方式可以提高特征提取和聚类的速度,提高图像处理效率。
在一些可能的实施方式中,所述特征提取模块利用分布式并行执行的方式执行所述特征提取处理,包括:将所述图像数据集中的多个图像进行分组,得到多个图像组;将所述多个图像组分别输入多个特征提取模型,利用所述多个特征提取模型并行执行与所述特征提取模型对应图像组中的图像的特征提取处理,得到所述多个图像的图像特征,其中每个特征提取模型所输入的图像组不同。基于上述配置,可以实现利用多个特征提取模型分布式并行的执行多个图像的特征提取过程,从而提高特征提取效率。
在一些可能的实施方式中,所述聚类模块包括:量化单元,其用于对所述图像特征执行量化处理,获得与所述图像特征对应的量化特征;聚类单元,其用于基于获得的所述量化特征执行对所述多个图像的聚类处理,得到所述至少一个聚类。基于上述配置,通过对图像特征进行量化处理,得到的量化特征的在保证特征信息的有效性的前提先数据量被缩减,能够加快聚类处理的速度。
在一些可能的实施方式中,所述量化单元还用于对所述多个图像的图像特征进行分组处理,得到多个第一分组,所述第一分组包括至少一个图像的图像特征;分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征。基于上述配置,通过分布式并行的执行图像特征的量化处理,可以提高量化处理的效率。
在一些可能的实施方式中,所述装置还包括:第一索引配置模块,其用于为所述多个第一分组分别配置第一索引,得到多个第一索引;所述量化单元还用于将所述多个第一索引分别分配给多个量化器,每个量化器被分配的第一索引不同;利用所述多个量化器分别并行执行分配的所述第一索引对应的第一分组内的图像特征的量化处理。基于上述配置,可以通过配置的第一索引方便的建立第一索引和第一分组的关联,同时方便为各量化器分配量化处理任务。
在一些可能的实施方式中,所述量化处理包括PQ编码处理。
在一些可能的实施方式中,所述聚类单元还用于获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度;基于所述第一相似度,确定所述任一图像的K1近邻图像,所述K1近邻图像的量化特征是与所述任一图像的量化特征的第一相似度最高的K1个量化特征,所述K1为大于或等于1的整数;利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果。基于上述配置,可以方便的利用量化特征之间的相似度进行图像的聚类。
在一些可能的实施方式中,所述聚类单元还用于从所述K1近邻图像中选择出与所述任一图像的量化特征之间的第一相似度大于第一阈值的第一图像集;将所述第一图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
在一些可能的实施方式中,所述聚类单元还用于获取所述任一图像的图像特征与所述任一图像的K1近邻图像的图像特征之间的第二相似度;基于所述第二相似度,确定所述任一图像的K2近邻图像,所述K2近邻图像的图像特征为所述K1近邻图像中与所述任一图像的图像特征的第二相似度最高的K2个图像特征,K2为大于或者等于1且小于或者等于K1的整数;从所述K2近邻图像中选择出与所述任一图像的图像特征的所述第二相似度大于第二阈值的第二图像集;将所述第二图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。基于上述配置,可以在通过量化特征之间的相似度得到的K1近邻的基础上,进一步通过图像特征之间的相似度执行图像的聚类,提高聚类精度。
在一些可能的实施方式中,所述聚类单元还用于在获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度之前,对所述多个图像的量化特征进行分组处理,得到多个第二分组,所述第二分组包括至少一个图像的量化特征;并且,所述聚类单元还用于分布式并行地获取所述第二分组内图像的量化特征与所述其余图像的量化特征之间的第一相似度。基于上述配置,通过分布式并行的方式得到量化特征之间的相似度可以提供处理速度。
在一些可能的实施方式中,所述装置还包括:第二索引配置模块,其用于在所述聚类单元执行所述分布式并行地获取所述第二分组内图像的量化特征与其余图像的量化特征之间的第一相似度之前,为所述多个第二分组分别配置第二索引,得到多个第二索引;所述聚类单元还用于基于所述第二索引,建立所述第二索引对应的相似度运算任务,所述相似度运算任务为获取所述第二索引对应的第二分组内的目标图像的量化特征与所述目标图像以外的全部图像的量化特征之间的第一相似度;分布式并行执行所述多个第二索引中每个第二索引对应的相似度获取任务。基于上述配置,通过配置的第二索引,可以建立第二索引和第二分组的关联,同时通过第二索引可以方便分配相似度运算任务。
在一些可能的实施方式中,所述装置还包括存储模块,其用于获取所述图像特征的第三索引,并关联地存储所述第三索引和与所述第三索引相应的图像特征;所述第三索引包括:通过图像采集设备采集与所述第三索引对应的图像的时间、地点以及所述图像采集设备的标识中的至少一种。基于上述配置,可以方便的建立图像的索引,通过该索引还可以获得图像中对象的时空信息。
在一些可能的实施方式中,所述聚类模块还包括类中心确定单元,其用于确定得到的所述聚类的类中心,并控制为所述类中心配置第四索引,并关联地存储所述第四索引和与所述第四索引对应的类中心。基于上述配置,方便存储和查询类中心。
在一些可能的实施方式中,类中心确定单元还用于基于所述聚类内的各图像的图像特征的平均值,确定所述聚类的类中心。基于上述配置,能够获得准确的表达聚类内的图像对象的特征信息的类中心。
在一些可能的实施方式中,所述装置还包括:获取模块,其用于获取输入图像的图像特征;量化模块,用于对所述输入图像的图像特征执行量化处理,得到所述输入图像的量化特征;所述聚类模块还用于基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类。通过上述配置,可以方便的获取任意新增的图像中的对象所对应的聚类。
在一些可能的实施方式中,所述聚类模块还用于获取所述输入图像的量化特征与各所述聚类的类中心的量化特征之间的第三相似度;基于所述第三相似度确定与所述输入图像的量化特征之间的第三相似度最高的K3个类中心,K3为大于或者等于1的整数;获取所述输入图像的图像特征与所述K3个类中心的图像特征之间的第四相似度;响应于所述K3个类中心中一类中心的图像特征与所述输入图像的图像特征之间的第四相似度最高且该第四相似度大于第三阈值,则将所述输入图像加入至所述一类中心对应的聚类。
在一些可能的实施方式中,所述聚类模块还用于响应于不存在与所述输入特征的图像特征的第四相似度大于第三阈值的类中心,基于所述输入图像的量化特征以及所述图像数据集中的图像的量化特征执行所述聚类处理,得到至少一个新的聚类。
在一些可能的实施方式中,所述装置还包括:身份识别模块,其用于基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份。基于上述配置,可以根据得到的聚类对应的对象的身份。
在一些可能的实施方式中,所述身份识别模块还用于获得所述身份特征库中已知对象的量化特征;确定所述已知对象的量化特征与所述至少一个聚类的类中心的量化特征之间的第五相似度,并确定与所述类中心的量化特征的第五相似度最高的K4个已知对象的量化特征;获取所述类中心的图像特征与对应的K4个已知对象的图像特征之间的第六相似度;响应于所述K4个已知对象中的一已知对象的图像特征与所述类中心的图像特征之间的第六相似度最高且该第六相似度大于第四阈值,则确定所述第六相似度最高的所述一已知对象与所述类中心对应的聚类匹配。通过上述配置,可以根据已知对象的量化特征以及图像特征方便且精确的实现聚类对应的对象的身份识别。
在一些可能的实施方式中,所述身份识别模块还用于响应于所述K4个已知对象的图像特征与相应的类中心的图像特征的第六相似度均小于所述第四阈值,则确定不存在与所述已知对象匹配的聚类。
根据本公开第三方面,提供了一种电子设备,其包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行第一方面中任意一项所述的方法。
根据本公开第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。
在本公开实施例中,可以对图像执行特征提取,并基于得到的图像特征执行聚类处理,其中,特征提取过程以及聚类处理过程中的至少一个过程可以采用分布式执行的方式,从而可以加快特征提取和聚类处理的速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种图像处理方法的流程图;
图2示出根据本公开实施例的一种图像处理方法中步骤S10的流程图;
图3示出根据本公开实施例的一种图像处理方法中步骤S20的流程图;
图4示出根据本公开实施例的一种图像处理方法中步骤S21的流程图;
图5示出根据本公开实施例的一种图像处理方法中步骤S22的流程图;
图6示出根据本公开实施例的一种图像处理方法中步骤S223的流程图;
图7示出根据本公开实施例的一种图像处理方法中步骤S223的另一流程图;
图8示出根据本公开实施例的一种图像处理方法执行聚类增量处理的流程图;
图9示出根据本公开实施例的一种图像处理方法中步骤S43的流程图;
图10示出根据本公开实施例的一种图像处理方法中确定聚类匹配的对象身份的流
程图;
图11示出根据本公开实施例的一种图像处理装置的框图;
图12示出根据本公开实施例的一种电子设备的框图;
图13示出根据本公开实施例的一种电子设备的另一框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例提供了一种图像处理方法,该方法可以用于对图像进行快速的聚类。另外该图像处理方法可以应用在任意的图像处理装置中,例如图像处理方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。上述仅为示例性说明,在其他实施例中也可以通过其他的设备或者装置执行图像处理方法。
图1示出根据本公开实施例的一种图像处理方法的流程图,如图1所示,所述图像处理方法可以包括:
S10:对图像数据集中的多个图像执行特征提取处理,获得与所述图像对应的图像特征;
S20:基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,其中同一聚类内的图像包括相同对象。
本公开实施例提供的图像处理方法中的特征提取处理和聚类处理的过程中的至少一个处理过程可以通过分布式并行执行的方式运行,通过分布式并行执行的方式可以提高特征提取和聚类的处理速度,进而提高图像处理的速度。下面结合附图对本公开实施例的具体过程进行详细说明。
首先可以获取图像数据集,在一些可能的实施方式中,图像数据集可以包括多个图像,该多个图像可以为至少一个图像采集设备采集的图像,例如可以为设置在路边、公共区域、办公楼、安防区域内设置的摄像头采集的图像,或者也可以为手机、照相机等设备采集的图像,本公开对此不做具体限定。
在一些可能的实施方式中,本公开实施例的图像数据集中的图像中可以包括相同类型的对象,例如可以包括人物对象,对应的通过本公开实施例的图像处理方法可以获得相应的人物对象的时空轨迹信息。或者,在其他实施例中,图像数据集中的图像也可以包括其他类型的对象,如动物、移动物体(如飞行器)等,从而可以确定相应的对象的时空轨迹。
在一些可能的实施方式中,在步骤S10之前还可以获取图像数据集的步骤,其中获取图像数据集的方式可以包括直接与图像采集设备连接,直接接收图像采集设备采集的图像,或者也可以通过与服务器或者其他电子设备连接,接收服务器或者其他电子设备传输的图像。另外,本公开实施例中的图像数据集中的图像也可以为经过预处理的图像,例如该预处理可以从采集的图像中截取包括人脸的图像(人脸图像),或者也可以删除采集的图像中信噪比低,较为模糊或者不包括人物对象的图像。上述仅为示例性说明,本公开不限定获取图像数据集的具体方式。
在一些可能的实施方式中,图像数据集还可以包括各图像关联的第三索引,其中第三索引用于确定图像对应的时空数据,时空数据包括时间数据和空间位置数据中的至少一种,例如第三索引可以包括以下信息中的至少一种:图像的采集时间、采集地点以及采集图像的图像采集设备的标识、图像采集设备所安装的位置以及为图像配置的序号。从而通过图像关联的第三索引可以确定图像中的对象的出现时间、地点等时空数据信息。
在一些可能的实施方式,图像采集设备在采集图像并发送采集的图像时,还可以发送该图像的第三索引,例如可以发送采集图像的时间、采集图像的地点、采集图像的图像采集设备(如摄像头)的标识等信息。在接收到图像和第三索引后,可以将该图像与相应的第三索引关联的存储,如存储在数据库中,该数据库可以为本地数据库也可以为云端数据库,从而方便数据的读取和调用。
在得到图像数据集之后,本公开实施例可以通过步骤S10对图像数据集中的图像执行特征提取处理。在一些可能的实施方式中,可以通过特征提取算法提取图像的图像特征,也可以通过经过训练能够执行特征提取的神经网络执行该图像特征的提取。其中,本公开实施例中图像数据集中的图像为人脸图像,经特征提取算法或者神经网络处理得到的图像特征可以为人脸对象的人脸特征。其中,特征提取算法可以包括主成分分析(PCA)、线性判别分析(LDA)、独立元分析(ICA)等算法中的至少一种,或者也可以采用其他能够识别人脸区域并得到人脸区域的特征的算法,神经网络可以为卷积神经网络(如VGG网络),通过卷积神经网络对图像进行卷积处理,并得到图像的人脸区域的特征,即人脸特征。本公开实施例对特征提取算法以及特征提取的神经网络不作具体限定,只要能够实现人脸特征(图像特征)的提取,即可以作为本公开实施例。
另外,在一些可能的实施方式中,为了加快图像特征的提取速度,本公开实施例可以分布式并行的提取各图像的图像特征。
图2示出根据本公开实施例的一种图像处理方法中步骤S10的流程图。其中,所述对图像数据集中的多个图像执行特征提取处理,获得与所述图像对应的图像特征(步骤S10),可以包括:
S11:将所述图像数据集中的多个图像进行分组,得到多个图像组;
在一些可能的实施方式中,可以将图像数据集中的多个图像进行分组,得到多个图像组,每个图像组中可以包括至少一个图像。其中对图像进行分组的方式可以包括平均分组或者随机分组。得到的图像组的数量可以为预先配置的组数,该组数可以小于或者等于下述特征提取模型的数量。
S12:将所述多个图像组分别输入多个特征提取模型,利用所述多个特征提取模型并行执行相应图像组中的图像的特征提取处理,得到所述多个图像的图像特征,其中每个特征提取模型所输入的图像组不同。
在一些可能的实施方式中,基于得到的多个图像组,可以执行特征提取的分布式并行处理过程。其中可以将得到的多个图像组中的每个图像组分配给特征提取模型中的一个模型,通过特征提取模型执行被分配的图像组内的图像的特征提取处理,得到相应图像的图像特征。
在一些可能的实施方式,特征提取模型可以采样上述特征提取算法执行特征提取处理,或者特征提取模型可以构造为上述特征提取神经网络得到图像特征,本公开对此不作具体限定。
在一些可能的实施方式中,利用多个特征提取模型分布式并行的执行各图像组的特征提取,例如每个特征提取模型可以同时执行一个图像组或者多个图像组的图像特征提取,从而加快特征提取的速度。
在一些可能的实施方式中,在得到图像的图像特征之后,可以关联的存储图像的第三索引和图像特征,建立第三索引和图像特征之间的映射关系,并可以在数据库中存储该映射关系。例如,监控的实时图片流可以被输入至前端的分布式特征提取模块(特征提取模型),通过该分布式特征提取模块提取图像特征后,将该图像特征以持久化特征形态存储基于时空信息的特征数据库,即将第三索引和图像特征以持久化特征的形式存储在特征数据库中。在数据库中,该持久化特征以索引结构存储,持久化特征在数据库中的第三索引key可以包括Region id、Camera idx、Captured time和Sequence。其中,Region id为摄像头区域标识,Camera idx为区域内的摄像头id,Captured time为图片的采集时间,Sequence id为自增的序列标识(如依次排列的数字等标识),可以用于去重,第三索引可以构成每条图像特征的唯一标识并可以将图像特征的时空信息包含在内。经第三索引与对应的图像特征关联存储,可以方便的获得各图像的图像特征(持久化特征),同时获知图像中对象的时空数据信息(时间和位置)。
基于图像的图像特征可以执行图像的聚类处理,形成至少一个聚类,其中得到的每个聚类中包括的图像为相同对象的图像。图3示出根据本公开实施例的一种图像处理方法中步骤S20的流程图,其中,基于所述第一特征执行所述多个图像的聚类处理,得到至少一个聚类(步骤S30),可以包括:
S21:对所述图像特征执行量化处理,获得与所述图像特征对应的量化特征;
在得到图像的图像特征之后可以进一步得到各图像特征的量化特征,例如可以直接通过量化编码算法对图像特征进行量化处理得到相应的量化特征。其中本公开实施例可以采用PQ编码(Product quantization)得到图像数据集中的图像的量化特征。例如通过PQ量化器执行该量化处理。其中通过PQ量化器执行量化处理的过程可以包括将图像特征的向量空间分解成多个低维向量空间的笛卡尔积,并对分解得到的低维向量空间分别做量化,这样每个图像特征就能有多个低维空间的量化组合表示,即得到量化特征。对于PQ编码的具体过程,本公开对此不做具体说明,本领域技术人员可以通过现有技术手段实现该量化过程。通过量化处理可以实现图像特征的数据压缩,例如本公开实施例图像的图像特征的维度可以为N,每维数据为float32浮点数,经量化处理后得到的量化特征的维度可以为N,以及每维度的数据为half浮点数,即通过量化处理可以减少特征的数据量。
如上述实施例所述,可以通过至少一个一个量化器对全部图像的图像特征执行量化处理,得到全部图像对应的量化特征。在通过多个量化器执行图像特征的量化处理过程时,可以采用分布式并行执行的方式,从而提高处理速度。
S22:基于获得的所述量化特征执行所述多个图像的聚类处理,得到所述至少一个聚类。
在得到量化特征之后,可以根据量化特征执行图像的聚类处理,由于量化特征相对于原始的图像特征减少了特征数据量,在运算过程中可以提高处理速度,从而提高聚类速度,同时量化特征还保留了图像中的特征信息,可以保证聚类的精度。
下面对量化处理以及聚类处理的过程进行详细的说明,如上述实施例所述,为了加快量化特征的获取过程,本公开实施例可以采用分布式并行执行的方式执行所述量化处理,其中图4示出根据本公开实施例的一种图像处理方法中步骤S21的流程图,其中,所述对所述图像特征执行量化处理,获得与所述图像特征对应的量化特征,可以包括:
S211:对所述多个图像的图像特征进行分组处理,得到多个第一分组,所述第一分组包括至少一个图像的图像特征;
本公开实施例可以对图像特征进行分组,分布式并行的执行对各分组的图像特征的量化处理,得到相应的量化特征。在通过多个量化器执行图像数据集的图像特征的量化处理时,可以通过该多个量化器分布并行执行不同图像的图像特征的量化处理,从而可以减少量化处理所需时间,提高运算速度。
在并行执行各图像特征的量化处理过程时,可以将图像特征分成多个分组(多个第一分组),该第一分组也可以与上述对图像的分组(图像组)相同,即按照图像分组的方式将图像特征分成对应数量的分组,即可以直接得到的图像组的图像特征确定图像特征的分组,或者也可以重新形成多个第一分组,本公开对此不作具体限定。每个第一分组至少包括一个图像的图像特征。其中,对于第一分组的数量本公开不作具体限定,其可以根据量化器的数量、处理能力以及图像的数量综合确定,本领域技术人员或者神经网络可以根据实际需求确定。
另外,本公开实施例中,对所述多个图像的图像特征进行分组处理的方式可以包括:对所述多个图像的图像特征执行平均分组,或者,按照随机分组方式对所述多个图像的图像特征执行分组。即本公开实施例可以按照分组的数量对图像数据集中各图像的图像特征进行平均分组,或者也可以随机分组,得到多个第一分组。只要能够将多个图像的图像特征分成多个第一分组,即可以作为本公开实施例。
在一些可能的实施方式中,在对图像特征进行分组得到多个第一分组的情况下,还可以为各第一分组分配标识(如第一索引),并将第一索引和第一分组关联存储。例如,图像数据集的各图像特征可以形成为图像特征库T(特征数据库),将图像特征库T中的图像特征进行分组(分片)得到n个第一分组{S1,S2,...Sn},其中Si表示第i个第一分组,i为大于或者等于1且小于或者等于n的整数,n表示第一分组的数量,n为大于或者等于1的整数。其中每个第一分组中可以包括至少一个图像的图像特征。为了方便区分各第一分组以及方便量化处理,可以为各第一分组分配相应的第一索引{I11,I12,...I1n},其中第一分组Si的第一索引可以为I1i。
S212:分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征。
在一些可能的实施方式中,在对图像特征进行分组得到多个(至少两个)第一分组后,可以分别并行的执行各第一分组内的图像特征的量化处理。例如可以通过多个量化器执行该量化处理,每个量化器可以执行一个或多个第一分组的图像特征的量化处理,从而加快处理速度。
在一些可能的实施方式,也可以按照各第一分组的第一索引为各量化器分配相应的量化处理任务。即可以将各第一分组的第一索引分别分配给多个量化器,其中每个量化器被分配的第一索引不同,通过量化器分别并行的执行所分配的第一索引对应的量化处理任务,即执行对应的第一分组内的图像特征的量化处理。
另外,为了进一步提高量化处理速度,可以使得量化器的数量大于或者等于第一分组的数量,同时每个量化器可以至多被分配一个第一索引,即每个量化器可以仅执行一个第一索引对应的第一分组内的图像特征的量化处理。但上述并不作为本公开实施例的具体限定,分组数量以及量化器的数量,以及每个量化器被分配的第一索引的数量可以根据不同的需求进行设定。
如上述实施例所述,量化处理可以减小图像特征的数据量。本公开实施例中量化处理的方式可以为PQ编码(Product quantization),例如通过PQ量化器执行该量化处理。通过量化处理可以实现图像特征的数据压缩,例如本公开实施例图像的图像特征的维度可以为N,每维数据为float32浮点数,经量化处理后得到的量化特征的维度可以为N,以及每维度的数据为half浮点数,即通过量化处理可以减少特征的数据量。
通过上述实施例,可以实现量化处理的分布并行执行,提高量化处理的速度。
在得到图像数据集中的图像的量化特征之后,也可以将量化特征和第三索引关联的存储,从而可以建立第一索引、第三索引、图像、图像特征以及量化特征的关联存储,方便数据的读取和调用。
另外,在得到图像的量化特征的情况下,可以利用各图像的量化特征对该图像数据集执行聚类处理。其中,图像数据集中图像可以为相同对象或者不同对象的图像,本公开实施例可以针对图像进行聚类处理,得到多个聚类,其中得到的每个聚类内的图像为相同对象的图像。
图5示出根据本公开实施例的一种图像处理方法中步骤S22的流程图,其中,所述基于获得的所述量化特征执行所述多个图像的聚类处理,得到所述至少一个聚类(步骤S22),可以包括:
S221:获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度;
在一些可能的实施方式中,在得到图像的图像特征对应的量化特征之后,则可以基于量化特征执行图像的聚类处理,即得到相同对象的聚类(具有相同身份的对象的聚类)。其中,本公开实施例可以首先得到任意两个量化特征之间的第一相似度,其中第一相似度可以为余弦相似度,在其他实施例中也可以采用其他的方式确定量化特征之间的第一相似度,本公开对此不作具体限定。
在一些可能的实施方式中,可以利用一个运算器计算任意两个量化特征之间的第一相似度,也可以通过多个运算器分布并行的计算各量化特征之间的第一相似度。通过多个运算器并行执行运算可以加快运算速度。
同样的,本公开实施例还可以基于量化特征的分组分布执行各分组的量化特征与其余量化特征之间的第一相似度。其中,可以对各图像的量化特征进行分组,得到多个第二分组,每个第二分组包括至少一个图像的量化特征。其中,可以直接基于第一分组确定第二分组,即根据第一分组的图像特征确定相应的量化特征,并根据第一分组内的图像特征对应的量化特征直接形成第二分组。或者,也可以按照各图像的量化特征进行重新分组,得到多个第二分组。同样的,该分组的方式可以为平均分组或者随机分组,本公开对此不作具体限定。
在得到多个第二分组后,也可以为各第二分组配置第二索引,得到多个第二索引,通过第二索引可以区分各第二分组,还可以将第二索引和第二分组关联存储。例如,图像数据集的各图像的量化特征可以形成为量化特征库L,或者可以将量化特征也关联的存储到上述图像特征库T中,量化特征与图像、图像特征、第一索引、第二索引、第三索引可以对应的关联存储。通过对量化特征库L中的量化特征进行分组(分片)可以得到m个第二分组{L1,L2,...Lm},其中Lj表示第j个第二分组,j为大于或者等于1且小于或者等于m的整数,m表示第二分组的数量,m为大于或者等于1的整数。为了方便区分各第二分组以及方便聚类处理,可以为各第二分组分配相应的第一索引{I21,I22,...I2m},其中第二分组Lj的第二索引可以为I2j。
在得到多个第二分组后,可以利用多个运算器分别执行该多个第二分组内的量化特征与其余量化特征的第一相似度。由于图像数据集的数据量可能会很大,可以利用多个运算其并行执行各第二分组中任意一个量化特征与其余全部量化特征之间的第一相似度。
在一些可能的实施方式中,可以包括多个运算器,该运算器可以为任意具有运算处理功能的电子器件,如CPU、处理器、单片机等,本公开对此不作具体限定。其中,每个运算器可以计算一个或多个第二分组中的各量化特征与其余全部图像的量化特征之间的第一相似度,从而加快处理速度。
在一些可能的实施方式,也可以按照各第二分组的第二索引为各运算器分配相应的相似度运算任务。即可以将各第二分组的第二索引分别分配给多个运算器,其中每个运算被分配的第二索引不同,通过运算器分别并行的执行所分配的第二索引对应的相似度运算任务,相似度运算任务为获取第二索引对应的第二分组内的图像的量化特征与该图像以外的全部图像的量化特征之间的第一相似度。从而通过多个运算器的并行执行,则可以快速的得到任意两个图像的量化特征之间的第一相似度。
另外,为了进一步提高相似度运算速度,可以使得运算器的数量大于或者等于第二分组的数量,同时每个运算器可以至多被分配一个第二索引,可以每个运算器仅执行一个第二索引对应的第二分组内的量化特征与其余量化特征之间的第一相似度运算。但上述并不作为本公开实施例的具体限定,分组数量以及运算器的数量,以及每个运算器被分配的第二索引的数量可以根据不同的需求进行设定。
本公开实施例中,由于量化特征的特征量相对于图像特征被缩减,因此减少了运算成本的耗费,同时通过多个运算器的并行处理,可以进一步提高运算速度。
S222:基于所述第一相似度,确定所述任一图像的K1近邻图像,所述K1近邻图像的量化特征是与所述任一图像的量化特征的第一相似度最高的K1个量化特征,所述K1为大于或等于1的整数;
在得到任意两个量化特征之间的第一相似度之后,可以获取任一图像的K1近邻图像,即与任一图像的量化特征的第一相似度最高的K1个量化特征对应的图像,该任一图像和第一相似度最高的K1个量化特征对应的图像则为近邻图像,表征可能包括相同对象的图像。其中可以获得针对任一量化特征的第一相似度序列,第一相似度序列为与该任一量化特征从高到低或者从低到高排序的量化特征的序列,在得到第一相似度序列之后,即可以方便的确定与该任一量化特征的第一相似度最高的K1个量化特征,进而确定任一图像的K1近邻。其中K1的数量可以根据图像数据集中的数量确定,如可以为20、30,或者在其他实施例中也可以设置成其他数值,本公开对此不作具体限定。
S223:利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果。
在一些可能的实施方式中,在得到每个图像的K1近邻图像之后,可以执行后续的聚类处理。图6示出根据本公开实施例的一种图像处理方法中步骤S223的流程图。其中,所述利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果(步骤S223),可以包括:
S2231:从所述任一图像的K1近邻图像中选择出与所述任一图像的量化特征之间的第一相似度大于第一阈值的第一图像集;
S2232:将所述第一图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
在一些可能的实施方式中,得到每个图像的K1近邻图像(量化特征的第一相似度最高的K1个图像)之后,可以直接从与每个图像的K1近邻图像中选择出第一相似度大于第一阈值的图像,通过选择出的第一相似度大于第一阈值的图像形成第一图像集。其中第一阈值可以为设定的值,如可以为90%,但不作为本公开的具体限定。通过第一阈值的设定可以选择出与任一图像最相近的图像。
在从任一图像的K1近邻图像中选择出第一相似度大于第一阈值的第一图像集之后,可以将该任一图像与选择出的第一图像集中的全部图像标注为第一状态,并根据处于第一状态的图像形成一个聚类。例如,从图像A的K1近邻图像中选择出第一相似度大于第一阈值的图像为包括A1和A2的第一图像集,则可以将A分别与A1、A2标注为第一状态,从与A1的K1近邻图像中选择出第一相似度大于第一阈值的图像为包括B1第一图像集,此时可以将A1与B1标注为第一状态,以及A2的K1近邻图像中不存在第一相似度大于第一阈值的图像,不再对A2进行第一状态的标注。通过上述,则可以将A、A1、A2、B1归为一个聚类。即图像A、A1、A2、B1中包括相同的对象。
通过上述方式可以方便的得到聚类结果,由于量化特征缩减了图像特征量,可以加快聚类速度,同时通过设置第一阈值,可以提高聚类精度。
在另一些可能的实施例中,可以进一步结合图像特征的相似度来提高聚类精度。图7示出根据本公开实施例的一种图像处理方法中步骤S223的另一流程图,其中,所述利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果(步骤S223),还可以包括:
S22311:获取所述任一图像的图像特征与该任一图像相应的K1近邻图像的图像特征之间的第二相似度;
在一些可能的实施方式中,得到每个图像的K1近邻图像(量化特征第一相似度最高的K1个图像)之后,可以进一步计算该任一图像的图像特征和其对应的K1近邻图像的图像特征之间的第二相似度。也就是说,在得到任一图像的K1近邻图像之后,还可以对进一步计算该任一图像的图像特征与K1个近邻图像的图像特征之间的第二相似度。其中该第二相似度也可以为余弦相似度,或者在其他实施例中也可以通过其他方式确定相似度,本公开不作具体限定。
S22312:基于所述第二相似度,确定所述任一图像的K2近邻图像,所述K2近邻图像的图像特征为所述K1个图像中与所述任一图像的图像特征的第二相似度最高的K2个图像特征,K2为大于或者等于1且小于或者等于K1的整数;
在一些可能的实施方式中,可以得到的任一图像的图像特征与对应的K1近邻图像的图像特征之间的第二相似度,并进一步选择出第二相似度最高的K2个图像特征,将该K2个图像特征对应的图像确定为该任一图像的K2近邻图像。其中,K2的数值可以根据需求自行设定。
S22313:从所述K2近邻图像中选择出与所述任一图像的图像特征的第二相似度大于第二阈值的第二图像集;
在一些可能的实施方式中,得到每个图像的K2近邻图像(图像特征的第二相似度最高的K2个图像)之后,可以直接从与每个图像的K2近邻图像中选择出第二相似度大于第二阈值的图像,选择出的图像可以形成第二图像集。其中第二阈值可以为设定的值,如可以为90%,但不作为本公开的具体限定。通过第二阈值的设定可以选择出与任一图像最相近的图像。
S22314:将所述第二图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
在一些可能的实施方式中,在从任一图像的K2近邻图像中选择出图像特征之间的第二相似度大于第一阈值的第二图像集之后,可以将该任一图像与选择出的第二图像集中的全部图像标注为第一状态,并根据处于第一状态的图像形成一个聚类。例如,从图像A的K2近邻图像中选择出第二相似度大于第二阈值的图像为图像A3和A4,则可以将A和A3、A4标注为第一状态,从与A3的K2近邻图像中选择出第二相似度大于第二阈值的图像为图像B2,此时可以将A3与B2标注为第一状态,以及A4的K2近邻图像中不存在第二相似度大于第二阈值的图像,不再对A4进行第一状态的标注。通过上述,则可以将A、A3、A4、B2归为一个聚类。即图像A、A3、A4、B2中包括相同的对象。
通过上述方式可以方便的得到聚类结果,由于量化特征缩减了图像特征量,同时基于量化特征得到的K1近邻进一步确定图像特征最接近的K2近邻,从而在加快聚类速度的同时进一步提高了聚类精度。另外,执行量化特征、图像特征之间的相似度的计算过程中,也可以采用分布式并行运算的方式,从而加快聚类速度。
在执行聚类处理之后,可以得到至少一个聚类,其中,每个聚类中可以包括至少一个图像,相同聚类中的图像可以视作包括相同的对象。其中,在执行聚类处理后还可以进一步确定得到的每个聚类的类中心。在一些可能的实施方式中,可以将聚类中每个图像的图像特征的平均值作为该聚类的类中心。在得到类中心后还可以为该类中心分配第四索引,用于区别各类中心对应的聚类。也就是说,本公开实施例的各图像包括作为图像标识的第三索引、作为图像特征的第一分组的标识的第一索引,作为量化特征所在第二分组的标识的第二索引,以及作为聚类的标识的第四索引,上述索引以及对应的特征、图像等数据可以关联的存储。在其他实施例中,可能还存在其他特征数据的索引,本公开对此不作具体限定。另外,图像的第三索引、图像特征的第一分组的第一索引、量化特征的第二分组的第二索引以及聚类的第四索引均不相同,可以通过不同的符号标识进行表示。
另外,在通过本公开实施例得到的多个聚类之后,还可以对接收的图像进行聚类处理,确定接收的图像所属的聚类,即执行聚类的增量处理,其中,在确定出接收的图像匹配的聚类之后,可以将该接收的图像分配到相应的聚类中,如果当前的聚类与该接收的图像均不匹配,则可以将该接收的图像单独作为一个聚类,或者与现有的图像数据集融合重新执行聚类处理。图8示出根据本公开实施例的一种图像处理方法执行聚类增量处理的流程图,其中所述聚类增量处理可以包括:
S41:获取输入图像的图像特征;
在一些可能的实施方式中,输入图像可以为图像采集设备实时采集的图像,或者也可以为通过其他设备传输的图像,或者也可以本地存储的图像。本公开对此不做具体限定。在得到输入图像之后,可以得到输入图像的图像特征,与上述实施例相同,可以通过特征采集算法得到图像特征,也可以通过卷积神经网络的至少一层卷积处理得到图像特征。其中,图像可以为人脸图像,对应的图像特征为人脸特征。
S42:对所述输入图像的图像特征执行量化处理,得到输入图像的量化特征;
在得到图像特征之后,可以进一步对该图像特征执行量化处理,得到相应的量化特征。其中,本公开实施例获取的输入图像可以为一个或者多个,在执行图像特征的获取以及图像特征的量化处理时,都可以通过分布并行执行的方式获取,具体并行执行的过程与上述实施例所述的过程相同,在此不作重复说明。
S43:基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类。
在得到图像的量化特征之后,可以根据该量化特征与各聚类的类中心确定该输入图像所在的聚类。图9示出根据本公开实施例的一种图像处理方法中步骤S43的流程图,其中所述基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类(步骤S43),可以包括:
S4301:获取所述输入图像的量化特征与各所述聚类的类中心的量化特征之间的第三相似度;
如上所述,可以根据聚类中各图像的图像特征的平均值确定聚类的类中心(类中心的图像特征),对应的也可以得到类中心的量化特征,如可以通过对类中心的图像特征执行量化处理得到该类中心的量化特征,或者也可以对聚类内各图像的量化特征执行均值处理,得到该类中心的量化特征。
进一步地,可以获得输入图像与每个聚类的类中心的量化特征之间的第三相似度,同样的该第三相似度可以为余弦相似度,但不作为本公开的具体限定。
在一些可能的实施方式中,可以对多个类中心进行分组,得到多个类中心组,将该多个类中心组分别分配给多个运算器,每个运算器被分配的类中心组不同,通过多个运算器分别并行的执行各类中心组内的类中心与输入图像的量化特征之间的第三相似度,从而加快处理速度。
S4302:基于所述第三相似度确定与所述输入图像的量化特征之间的第三相似度最高的K3个类中心,K3为大于或者等于1的整数;
在得到输入图像的量化特征与聚类的类中心的量化特征之间的第三相似度后,可以得到相似度最高的K3个类中心。其中,K3的数目小于聚类的数目。得到的该K3个类中心可以表示为与输入对象最为匹配的K3个聚类。
在一些可能的实施方式中,可以通过分布并行执行的方式得到输入图像与各聚类的类中心的量化特征之间的第三相似度。即可以对各中心进行分组,通过不同的运算器运算对应的分组的类中心的量化特征与输入图像的量化特征之间的相似度,从而提高运算速度。
S4303:获取所述输入图像的图像特征与所述K3个类中心的图像特征之间的第四相似度;
在一些可能的实施方式中,在得到与输入图像的量化特征的第四相似度最高的K3个类中心时,可以进一步得到该输入图像的图像特征与对应的K3个类中心的图像特征之间的第四相似度,同样的,该第四相似度可以为余弦相似度,但不作为本公开的具体限定。
同样的,在运算输入图像的图像特征与相应的K3个类中心的图像特征之间的第四相似度时,也可以采用分布并行执行的方式运算,例如将K3个类中心分成多组,并将该K3个类中心分别分配给多个运算器,运算器可以执行分配的类中心的图像特征与输入图像的图像特征之间的第四相似度,从而可以加快运算速度。
S4304:响应于所述K3个类中心中一类中心的图像特征与所述输入图像的图像特征之间的第四相似度最高且该第四相似度大于第三阈值,则将所述输入图像加入至该类中心对应的聚类;
S4305:响应于所述K3个类中心中不存在与所述输入特征的图像特征的第四相似度大于第三阈值的类中心,基于所述输入图像的量化特征以及所述图像数据集中的图像的量化特征执行所述聚类处理,得到至少一个新的聚类。
在一些可能的实施方式中,如果输入图像的图像特征与K3个类中心的图像特征之间的第四相似度存在大于第三阈值的第四相似度,此时可以确定为该输入图像与第四相似度最高的类中心对应的聚类匹配,即该输入图像中包括的对象与第四相似度最高的聚类所对应的对象为相同对象。此时可以将该输入图像加入至该聚类中,例如可以将该聚类的标识分配给输入图像,以关联的存储,从而可以确定输入图像所属的聚类。
在一些可能的实施方式中,如果输入图像的图像特征与K3个类中心的图像特征之间的第四相似度均小于第三阈值,则此时可以确定输入图像与全部的聚类均不匹配。此时可以将该输入图像作为单独的聚类,或者也可以将输入图像与现有的图像数据集融合得到新的图像数据集,对新的图像数据集重新执行步骤S20,即对所有的图像重新进行聚类,得到至少一个新的聚类,通过该方式可以精确地对图像数据进行聚类。
在一些可能的实施方式中,如果一聚类内包括的图像发生变化,如新加入了新的输入图像,或者重新执行了聚类处理,可以重新确定聚类的类中心,从而提高类中心的精确地,方便后续过程中的精确地聚类处理。
在对图像聚类之后,还可以确定各个聚类内的图像所匹配的对象身份,即可以基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份。图10示出根据本公开实施例的一种图像处理方法中确定聚类匹配的对象身份的流程图,其中,所述基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份,包括:
S31:获得所述身份特征库中已知对象的量化特征;
在一些可能的实施方式中,身份特征库中包括多个已知身份的对象信息,例如可以包括已知身份的对象的人脸图像以及对象的身份信息,身份信息可以包括姓名、年龄、工作等基本信息。
对应的,身份特征库中还可以包括每个已知对象的图像特征和量化特征,其中可以通过每个已知对象的人脸图像得到相应的图像特征,以及对图像特征进行量化处理得到量化特征。
在一些可能的实施方式中,可以采用分布并行执行的方式得到已知对象的图像特征和量化特征,具体方式与上述实施例所述的过程相同,在此不作重复说明。
S32:确定所述已知对象的量化特征与所述至少一个聚类的类中心的量化特征之间的第五相似度,并确定与所述类中心的量化特征的第五相似度最高的K4个已知对象的量化特征,K4为大于或者等于1的整数;
在一些可能的实施方式中,在得到每个已知对象的量化特征后,可以进一步得到已知对象的量化特征与得到的聚类的类中心的量化特征之间的第五相似度。第五相似度可以为余弦相似度,但不作为本公开的具体限定。进一步地,可以确定与每个类中心的量化特征的第五相似度最高的K4个已知对象的量化特征。即可以从身份特库中找到与类中心的量化特征的第五相似度最高的K4个已知对象,该K4个已知对象可以为与类中心匹配对最高的K4个身份。
在另一些可能的实施方式中,也可以得到与每个已知对象的量化特征的第五相似度最高的K4个类中心。该K4个类中心对应的对应为与已知对象的身份的匹配度最高的K4个类中心。
同样的,可以对已知对象的量化特征进行分组,通过至少一个量化器执行该已知对象的量化特征与得到的聚类的类中心的量化特征之间的第五相似度,从而提高处理速度。
S33:获取所述类中心的图像特征与对应的K4个已知对象的图像特征之间的第六相似度;
在一些可能的实施方式中,在得到每个类中心对应的K4个已知对象之后,可以进一步确定每个类中心与相应的K4个已知对象的图像特征之间的第六相似度,其中第六相似度可以为余弦相似度,但不作为本公开的具体限定。
在一些可能的实施方式中,在确定的是与已知对象对应的K4个类中心的情况下,在得到已知对象对应的K4个类中心之后,可以进一步确定该已知对象的图像特征与该K4个类中心的图像特征之间的第六相似度,其中第六相似度可以为余弦相似度,但不作为本公开的具体限定。
S34:响应于K4个已知对象中的一已知对象的图像特征与所述类中心的图像特征之间的第六相似度最高且该第六相似度大于第四阈值,则确定第六相似度最高的所述已知对象与该类中心对应的聚类匹配;
S35:响应于K4个已知对象的图像特征与相应的类中心的图像特征第六相似度均小于第四阈值,则确定不存在与所述已知对象匹配的聚类。
在一些可能的实施方式中,如果确定的是与类中心匹配的K4个已知对象,此时如果K4个已知对象的图像特征中存在至少一个已知对象的图像特征与相应的类中心之间的第六相似度大于第四阈值,此时可以将第六相似度最高的已知对象的图像特征确定为与类中心最匹配的图像特征,此时可以将该第六相似度最高的已知对象的身份确定为与该类中心匹配的身份,即该类中心对应的聚类中各图像的身份为第六相似度最高的已知对象的身份。或者,在确定的是与已知对象对应的K4个类中心的情况下,如果已知对象对应的K4个类中心中存在与已知对象的图像特征之间的第六相似度大于第四阈值的类中心,可以将第六相似度最高的类中心与该已知对象进行匹配,即该第六相似度最高的类中心对应的聚类与该已知对象的身份匹配,从而确定了相应聚类的对象的身份。
在一些可能的实施方式中,在确定的是与类中心匹配的K4个已知对象的情况下,此时,如果K4个已知对象与对应的类中心的图像特征之间的第六相似度全部小于第四阈值,则说明不存在与类中心匹配的身份对象。或者在确定的是与已知对象匹配的K4个类中心的情况下,如果K4个类中心的图像特征与所述已知对象的图像特征之间的第六相似度均小于第四阈值,则表明得到的聚类中不存在与该已知对象匹配的身份。
综上所述,可以通过得到图像的量化特征执行聚类处理,可以加快聚类处理的速度,同时还可以基于量化特征执行身份识别处理,在保证身份识别精度的前提下还可以提高身份识别的速度。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图11示出根据本公开实施例的一种图像处理装置的框图,如图11所示,所述图像处理装置包括:
特征提取模块10,其用于对图像数据集中的多个图像执行特征提取处理,获得与所述多个图像对应的图像特征;
聚类模块20,其用于基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,其中同一聚类内的图像包括相同对象;
其中,采用分布式并行执行的方式执行所述特征提取处理和所述聚类处理中的至少一个处理过程。
在一些可能的实施方式中,所述特征提取模块利用分布式并行执行的方式执行所述特征提取处理,包括:
将所述图像数据集中的多个图像进行分组,得到多个图像组;
将所述多个图像组分别输入多个特征提取模型,利用所述多个特征提取模型并行执行与所述特征提取模型对应图像组中的图像的特征提取处理,得到所述多个图像的图像特征,其中每个特征提取模型所输入的图像组不同。
在一些可能的实施方式中,所述聚类模块包括:
量化单元,其用于对所述图像特征执行量化处理,获得与所述图像特征对应的量化特征;
聚类单元,其用于基于获得的所述量化特征执行对所述多个图像的聚类处理,得到所述至少一个聚类。
在一些可能的实施方式中,所述量化单元还用于对所述多个图像的图像特征进行分组处理,得到多个第一分组,所述第一分组包括至少一个图像的图像特征;
分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征。
在一些可能的实施方式中,所述装置还包括:
第一索引配置模块,其用于为所述多个第一分组分别配置第一索引,得到多个第一索引;
所述量化单元还用于将所述多个第一索引分别分配给多个量化器,每个量化器被分配的第一索引不同;
利用所述多个量化器分别并行执行分配的所述第一索引对应的第一分组内的图像特征的量化处理。
在一些可能的实施方式中,所述量化处理包括PQ编码处理。
在一些可能的实施方式中,所述聚类单元还用于获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度;
基于所述第一相似度,确定所述任一图像的K1近邻图像,所述K1近邻图像的量化特征是与所述任一图像的量化特征的第一相似度最高的K1个量化特征,所述K1为大于或等于1的整数;
利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果。
在一些可能的实施方式中,所述聚类单元还用于从所述K1近邻图像中选择出与所述任一图像的量化特征之间的第一相似度大于第一阈值的第一图像集;
将所述第一图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
在一些可能的实施方式中,所述聚类单元还用于获取所述任一图像的图像特征与所述任一图像的K1近邻图像的图像特征之间的第二相似度;
基于所述第二相似度,确定所述任一图像的K2近邻图像,所述K2近邻图像的图像特征为所述K1近邻图像中与所述任一图像的图像特征的第二相似度最高的K2个图像特征,K2为大于或者等于1且小于或者等于K1的整数;
从所述K2近邻图像中选择出与所述任一图像的图像特征的所述第二相似度大于第二阈值的第二图像集;
将所述第二图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
在一些可能的实施方式中,所述聚类单元还用于在获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度之前,对所述多个图像的量化特征进行分组处理,得到多个第二分组,所述第二分组包括至少一个图像的量化特征;
并且,所述聚类单元还用于分布式并行地获取所述第二分组内图像的量化特征与所述其余图像的量化特征之间的第一相似度。
在一些可能的实施方式中,所述装置还包括:
第二索引配置模块,其用于在所述聚类单元执行所述分布式并行地获取所述第二分组内图像的量化特征与其余图像的量化特征之间的第一相似度之前,为所述多个第二分组分别配置第二索引,得到多个第二索引;
所述聚类单元还用于基于所述第二索引,建立所述第二索引对应的相似度运算任务,所述相似度运算任务为获取所述第二索引对应的第二分组内的目标图像的量化特征与所述目标图像以外的全部图像的量化特征之间的第一相似度;
分布式并行执行所述多个第二索引中每个第二索引对应的相似度获取任务。
在一些可能的实施方式中,所述装置还包括存储模块,其用于获取所述图像特征的第三索引,并关联地存储所述第三索引和与所述第三索引相应的图像特征;
所述第三索引包括:通过图像采集设备采集与所述第三索引对应的图像的时间、地点以及所述图像采集设备的标识中的至少一种。
在一些可能的实施方式中,所述聚类模块还包括类中心确定单元,其用于确定得到的所述聚类的类中心,并控制为所述类中心配置第四索引,并关联地存储所述第四索引和与所述第四索引对应的类中心。
在一些可能的实施方式中,类中心确定单元还用于基于所述聚类内的各图像的图像特征的平均值,确定所述聚类的类中心。
在一些可能的实施方式中,所述装置还包括:
获取模块,其用于获取输入图像的图像特征;
量化模块,用于对所述输入图像的图像特征执行量化处理,得到所述输入图像的量化特征;
所述聚类模块还用于基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类。
在一些可能的实施方式中,所述聚类模块还用于获取所述输入图像的量化特征与各所述聚类的类中心的量化特征之间的第三相似度;
基于所述第三相似度确定与所述输入图像的量化特征之间的第三相似度最高的K3个类中心,K3为大于或者等于1的整数;
获取所述输入图像的图像特征与所述K3个类中心的图像特征之间的第四相似度;
响应于所述K3个类中心中一类中心的图像特征与所述输入图像的图像特征之间的第四相似度最高且该第四相似度大于第三阈值,则将所述输入图像加入至所述一类中心对应的聚类。
在一些可能的实施方式中,所述聚类模块还用于响应于不存在与所述输入特征的图像特征的第四相似度大于第三阈值的类中心,基于所述输入图像的量化特征以及所述图像数据集中的图像的量化特征执行所述聚类处理,得到至少一个新的聚类。
在一些可能的实施方式中,所述装置还包括:身份识别模块,其用于基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份。
在一些可能的实施方式中,所述身份识别模块还用于获得所述身份特征库中已知对象的量化特征;
确定所述已知对象的量化特征与所述至少一个聚类的类中心的量化特征之间的第五相似度,并确定与所述类中心的量化特征的第五相似度最高的K4个已知对象的量化特征;
获取所述类中心的图像特征与对应的K4个已知对象的图像特征之间的第六相似度;
响应于所述K4个已知对象中的一已知对象的图像特征与所述类中心的图像特征之间的第六相似度最高且该第六相似度大于第四阈值,则确定所述第六相似度最高的所述一已知对象与所述类中心对应的聚类匹配。
在一些可能的实施方式中,所述身份识别模块还用于响应于所述K4个已知对象的图像特征与相应的类中心的图像特征的第六相似度均小于所述第四阈值,则确定不存在与所述已知对象匹配的聚类。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图12示出根据本公开实施例的一种电子设备的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图12,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图13示出根据本公开实施例的一种电子设备的另一框图。例如,电子设备1900可以被提供为一服务器。参照图13,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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—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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (38)
1.一种图像处理方法,其特征在于,包括:
对图像数据集中的多个图像执行特征提取处理,获得与所述多个图像对应的图像特征;
基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,其中同一所述聚类内的图像包括相同对象;
其中,采用分布式并行执行的方式执行所述特征提取处理和所述聚类处理中的至少一个处理过程;
基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份;
所述基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份,包括:
获得所述身份特征库中已知对象的量化特征;
确定所述已知对象的量化特征与所述至少一个聚类的类中心的量化特征之间的第五相似度,并确定与所述类中心的量化特征的第五相似度最高的K4个已知对象的量化特征;
获取所述类中心的图像特征与对应的K4个已知对象的图像特征之间的第六相似度;
响应于所述K4个已知对象中的一已知对象的图像特征与所述类中心的图像特征之间的第六相似度最高且该第六相似度大于第四阈值,则确定所述第六相似度最高的所述一已知对象与所述类中心对应的聚类匹配。
2.根据权利要求1所述的方法,其特征在于,利用分布式并行执行的方式执行所述特征提取处理,包括:
将所述图像数据集中的多个图像进行分组,得到多个图像组;
将所述多个图像组分别输入多个特征提取模型,利用所述多个特征提取模型并行执行与所述特征提取模型对应图像组中的图像的特征提取处理,得到所述多个图像的图像特征,其中每个特征提取模型所输入的图像组不同。
3.根据权利要求1所述的方法,其特征在于,所述基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,包括:
对所述图像特征执行量化处理,获得与所述图像特征对应的量化特征;
基于获得的所述量化特征执行对所述多个图像的聚类处理,得到所述至少一个聚类。
4.根据权利要求3所述的方法,其特征在于,所述对所述图像的图像特征执行量化处理,获得与所述图像特征对应的量化特征,包括:
对所述多个图像的图像特征进行分组处理,得到多个第一分组,所述第一分组包括至少一个图像的图像特征;
分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征。
5.根据权利要求4所述的方法,其特征在于,在所述分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征之前,所述方法还包括:
为所述多个第一分组分别配置第一索引,得到多个第一索引;
所述分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征,包括:
将所述多个第一索引分别分配给多个量化器,每个量化器被分配的第一索引不同;
利用所述多个量化器分别并行执行分配的所述第一索引对应的第一分组内的图像特征的量化处理。
6.根据权利要求3-5中任意一项所述的方法,其特征在于,所述量化处理包括PQ编码处理。
7.根据权利要求3-5中任意一项所述的方法,其特征在于,所述基于获得的所述量化特征执行所述多个图像的聚类处理,得到所述至少一个聚类,包括:
获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度;
基于所述第一相似度,确定所述任一图像的K1近邻图像,所述K1近邻图像的量化特征是与所述任一图像的量化特征的第一相似度最高的K1个量化特征,所述K1为大于或等于1的整数;
利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果。
8.根据权利要求7所述的方法,其特征在于,所述利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果,包括:
从所述K1近邻图像中选择出与所述任一图像的量化特征之间的第一相似度大于第一阈值的第一图像集;
将所述第一图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
9.根据权利要求7所述的方法,其特征在于,所述利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果,包括:
获取所述任一图像的图像特征与所述任一图像的K1近邻图像的图像特征之间的第二相似度;
基于所述第二相似度,确定所述任一图像的K2近邻图像,所述K2近邻图像的图像特征为所述K1近邻图像中与所述任一图像的图像特征的第二相似度最高的K2个图像特征,K2为大于或者等于1且小于或者等于K1的整数;
从所述K2近邻图像中选择出与所述任一图像的图像特征的所述第二相似度大于第二阈值的第二图像集;
将所述第二图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
10.根据权利要求7所述的方法,其特征在于,所述获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度之前,所述方法还包括:
对所述多个图像的量化特征进行分组处理,得到多个第二分组,所述第二分组包括至少一个图像的量化特征;
并且,所述获取任一图像的量化特征与其余图像的量化特征之间的第一相似度,包括:
分布式并行地获取所述第二分组内图像的量化特征与所述其余图像的量化特征之间的第一相似度。
11.根据权利要求10所述的方法,其特征在于,在所述分布式并行地获取所述第二分组内图像的量化特征与其余图像的量化特征之间的第一相似度之前,还包括:
为所述多个第二分组分别配置第二索引,得到多个第二索引;
并且,所述分布式并行地获取所述第二分组内图像的量化特征与其余图像的量化特征之间的第一相似度,包括:
基于所述第二索引,建立所述第二索引对应的相似度运算任务,所述相似度运算任务为获取所述第二索引对应的第二分组内的目标图像的量化特征与所述目标图像以外的全部图像的量化特征之间的第一相似度;
分布式并行执行所述多个第二索引中每个第二索引对应的相似度获取任务。
12.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法还包括:
获取所述图像特征的第三索引,并关联地存储所述第三索引和与所述第三索引相应的图像特征;
所述第三索引包括:通过图像采集设备采集与所述第三索引对应的图像的时间、地点以及所述图像采集设备的标识中的至少一种。
13.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法还包括:
确定得到的所述聚类的类中心;
为所述类中心配置第四索引,并关联地存储所述第四索引和与所述第四索引对应的类中心。
14.根据权利要求13所述的方法,其特征在于,所述确定得到的所述聚类的类中心,包括:
基于所述聚类内的各图像的图像特征的平均值,确定所述聚类的类中心。
15.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法还包括:
获取输入图像的图像特征;
对所述输入图像的图像特征执行量化处理,得到所述输入图像的量化特征;
基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类。
16.根据权利要求15所述的方法,其特征在于,所述基于所述输入图像的量化特征以及得到的聚类的类中心,确定所述输入图像所在的聚类,包括:
获取所述输入图像的量化特征与各所述聚类的类中心的量化特征之间的第三相似度;
基于所述第三相似度确定与所述输入图像的量化特征之间的第三相似度最高的K3个类中心,K3为大于或者等于1的整数;
获取所述输入图像的图像特征与所述K3个类中心的图像特征之间的第四相似度;
响应于所述K3个类中心中一类中心的图像特征与所述输入图像的图像特征之间的第四相似度最高且该第四相似度大于第三阈值,则将所述输入图像加入至所述一类中心对应的聚类。
17.根据权利要求16所述的方法,其特征在于,所述基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类,还包括:
响应于不存在与所述输入图像的图像特征的第四相似度大于第三阈值的类中心,基于所述输入图像的量化特征以及所述图像数据集中的图像的量化特征执行所述聚类处理,得到至少一个新的聚类。
18.根据权利要求1所述的方法,其特征在于,所述基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份,还包括:
响应于所述K4个已知对象的图像特征与相应的类中心的图像特征的第六相似度均小于所述第四阈值,则确定不存在与所述已知对象匹配的聚类。
19.一种图像处理装置,其特征在于,所述装置包括:
特征提取模块,其用于对图像数据集中的多个图像执行特征提取处理,获得与所述多个图像对应的图像特征;
聚类模块,其用于基于获得的所述图像特征执行对所述多个图像的聚类处理,得到至少一个聚类,其中同一聚类内的图像包括相同对象;
其中,采用分布式并行执行的方式执行所述特征提取处理和所述聚类处理中的至少一个处理过程;
身份识别模块,其用于基于身份特征库中的至少一个对象的身份特征,确定与各所述聚类对应的对象身份;所述身份识别模块还用于获得所述身份特征库中已知对象的量化特征;确定所述已知对象的量化特征与所述至少一个聚类的类中心的量化特征之间的第五相似度,并确定与所述类中心的量化特征的第五相似度最高的K4个已知对象的量化特征;获取所述类中心的图像特征与对应的K4个已知对象的图像特征之间的第六相似度;响应于所述K4个已知对象中的一已知对象的图像特征与所述类中心的图像特征之间的第六相似度最高且该第六相似度大于第四阈值,则确定所述第六相似度最高的所述一已知对象与所述类中心对应的聚类匹配。
20.根据权利要求19所述的装置,其特征在于,所述特征提取模块利用分布式并行执行的方式执行所述特征提取处理,包括:
将所述图像数据集中的多个图像进行分组,得到多个图像组;
将所述多个图像组分别输入多个特征提取模型,利用所述多个特征提取模型并行执行与所述特征提取模型对应图像组中的图像的特征提取处理,得到所述多个图像的图像特征,其中每个特征提取模型所输入的图像组不同。
21.根据权利要求19所述的装置,其特征在于,所述聚类模块包括:
量化单元,其用于对所述图像特征执行量化处理,获得与所述图像特征对应的量化特征;
聚类单元,其用于基于获得的所述量化特征执行对所述多个图像的聚类处理,得到所述至少一个聚类。
22.根据权利要求21所述的装置,其特征在于,所述量化单元还用于对所述多个图像的图像特征进行分组处理,得到多个第一分组,所述第一分组包括至少一个图像的图像特征;
分布式并行执行所述多个第一分组的图像特征的量化处理,得到所述图像特征对应的量化特征。
23.根据权利要求22所述的装置,其特征在于,所述装置还包括:
第一索引配置模块,其用于为所述多个第一分组分别配置第一索引,得到多个第一索引;
所述量化单元还用于将所述多个第一索引分别分配给多个量化器,每个量化器被分配的第一索引不同;
利用所述多个量化器分别并行执行分配的所述第一索引对应的第一分组内的图像特征的量化处理。
24.根据权利要求21-23中任意一项所述的装置,其特征在于,所述量化处理包括PQ编码处理。
25.根据权利要求21-23中任意一项所述的装置,其特征在于,所述聚类单元还用于获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度;
基于所述第一相似度,确定所述任一图像的K1近邻图像,所述K1近邻图像的量化特征是与所述任一图像的量化特征的第一相似度最高的K1个量化特征,所述K1为大于或等于1的整数;
利用所述任一图像以及所述任一图像的K1近邻图像确定所述聚类处理的聚类结果。
26.根据权利要求25所述的装置,其特征在于,所述聚类单元还用于从所述K1近邻图像中选择出与所述任一图像的量化特征之间的第一相似度大于第一阈值的第一图像集;
将所述第一图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
27.根据权利要求25所述的装置,其特征在于,所述聚类单元还用于获取所述任一图像的图像特征与所述任一图像的K1近邻图像的图像特征之间的第二相似度;
基于所述第二相似度,确定所述任一图像的K2近邻图像,所述K2近邻图像的图像特征为所述K1近邻图像中与所述任一图像的图像特征的第二相似度最高的K2个图像特征,K2为大于或者等于1且小于或者等于K1的整数;
从所述K2近邻图像中选择出与所述任一图像的图像特征的所述第二相似度大于第二阈值的第二图像集;
将所述第二图像集中的全部图像和所述任一图像标注为第一状态,并基于被标注为第一状态的各图像形成一个聚类,所述第一状态为图像中包括相同对象的状态。
28.根据权利要求25所述的装置,其特征在于,所述聚类单元还用于在获取所述多个图像中任一图像的量化特征与其余图像的量化特征之间的第一相似度之前,对所述多个图像的量化特征进行分组处理,得到多个第二分组,所述第二分组包括至少一个图像的量化特征;
并且,所述聚类单元还用于分布式并行地获取所述第二分组内图像的量化特征与所述其余图像的量化特征之间的第一相似度。
29.根据权利要求28所述的装置,其特征在于,所述装置还包括:
第二索引配置模块,其用于在所述聚类单元执行所述分布式并行地获取所述第二分组内图像的量化特征与其余图像的量化特征之间的第一相似度之前,为所述多个第二分组分别配置第二索引,得到多个第二索引;
所述聚类单元还用于基于所述第二索引,建立所述第二索引对应的相似度运算任务,所述相似度运算任务为获取所述第二索引对应的第二分组内的目标图像的量化特征与所述目标图像以外的全部图像的量化特征之间的第一相似度;
分布式并行执行所述多个第二索引中每个第二索引对应的相似度获取任务。
30.根据权利要求19-23中任意一项所述的装置,其特征在于,所述装置还包括存储模块,其用于获取所述图像特征的第三索引,并关联地存储所述第三索引和与所述第三索引相应的图像特征;
所述第三索引包括:通过图像采集设备采集与所述第三索引对应的图像的时间、地点以及所述图像采集设备的标识中的至少一种。
31.根据权利要求19-23中任意一项所述的装置,其特征在于,所述聚类模块还包括类中心确定单元,其用于确定得到的所述聚类的类中心,并控制为所述类中心配置第四索引,并关联地存储所述第四索引和与所述第四索引对应的类中心。
32.根据权利要求31所述的装置,其特征在于,类中心确定单元还用于基于所述聚类内的各图像的图像特征的平均值,确定所述聚类的类中心。
33.根据权利要求19-23中任意一项所述的装置,其特征在于,所述装置还包括:
获取模块,其用于获取输入图像的图像特征;
量化模块,用于对所述输入图像的图像特征执行量化处理,得到所述输入图像的量化特征;
所述聚类模块还用于基于所述输入图像的量化特征以及得到的所述聚类的类中心,确定所述输入图像所在的聚类。
34.根据权利要求33所述的装置,其特征在于,所述聚类模块还用于获取所述输入图像的量化特征与各所述聚类的类中心的量化特征之间的第三相似度;
基于所述第三相似度确定与所述输入图像的量化特征之间的第三相似度最高的K3个类中心,K3为大于或者等于1的整数;
获取所述输入图像的图像特征与所述K3个类中心的图像特征之间的第四相似度;
响应于所述K3个类中心中一类中心的图像特征与所述输入图像的图像特征之间的第四相似度最高且该第四相似度大于第三阈值,则将所述输入图像加入至所述一类中心对应的聚类。
35.根据权利要求34所述的装置,其特征在于,所述聚类模块还用于响应于不存在与所述输入图像的图像特征的第四相似度大于第三阈值的类中心,基于所述输入图像的量化特征以及所述图像数据集中的图像的量化特征执行所述聚类处理,得到至少一个新的聚类。
36.根据权利要求19所述的装置,其特征在于,所述身份识别模块还用于响应于所述K4个已知对象的图像特征与相应的类中心的图像特征的第六相似度均小于所述第四阈值,则确定不存在与所述已知对象匹配的聚类。
37.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1-18中任意一项所述的方法。
38.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1-18中任意一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404653.9A CN110175546B (zh) | 2019-05-15 | 2019-05-15 | 图像处理方法及装置、电子设备和存储介质 |
SG11202011658TA SG11202011658TA (en) | 2019-05-15 | 2019-08-19 | Image processing method and device, electronic device and storage medium |
JP2020556815A JP7128906B2 (ja) | 2019-05-15 | 2019-08-19 | 画像処理方法及び装置、電子機器並びに記憶媒体 |
PCT/CN2019/101438 WO2020228163A1 (zh) | 2019-05-15 | 2019-08-19 | 图像处理方法及装置、电子设备和存储介质 |
TW108129692A TWI785267B (zh) | 2019-05-15 | 2019-08-20 | 影像處理方法、電子設備和儲存介質 |
US16/953,875 US20210073577A1 (en) | 2019-05-15 | 2020-11-20 | Image processing method and device, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404653.9A CN110175546B (zh) | 2019-05-15 | 2019-05-15 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175546A CN110175546A (zh) | 2019-08-27 |
CN110175546B true CN110175546B (zh) | 2022-02-25 |
Family
ID=67691160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910404653.9A Active CN110175546B (zh) | 2019-05-15 | 2019-05-15 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210073577A1 (zh) |
JP (1) | JP7128906B2 (zh) |
CN (1) | CN110175546B (zh) |
SG (1) | SG11202011658TA (zh) |
TW (1) | TWI785267B (zh) |
WO (1) | WO2020228163A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111225280B (zh) * | 2020-01-22 | 2021-10-01 | 复旦大学 | 基于嵌入式平台的轻量级视频分析*** |
CN111818364B (zh) * | 2020-07-30 | 2021-08-06 | 广州云从博衍智能科技有限公司 | 视频融合方法、***、设备及介质 |
CN113709384A (zh) * | 2021-03-04 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 基于深度学习的视频剪辑方法、相关设备及存储介质 |
CN114494782B (zh) * | 2022-01-26 | 2023-08-08 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、相关装置及电子设备 |
CN114549883B (zh) * | 2022-02-24 | 2023-09-05 | 北京百度网讯科技有限公司 | 图像处理方法、深度学习模型的训练方法、装置和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235825A (zh) * | 2013-05-08 | 2013-08-07 | 重庆大学 | 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法 |
CN104392250A (zh) * | 2014-11-21 | 2015-03-04 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的图像分类方法 |
CN104881735A (zh) * | 2015-05-13 | 2015-09-02 | 国家电网公司 | 用于支撑智慧城市运行管理的智能电网大数据挖掘***及方法 |
CN104933445A (zh) * | 2015-06-26 | 2015-09-23 | 电子科技大学 | 一种基于分布式K-means的海量图像分类方法 |
CN107844532A (zh) * | 2017-10-19 | 2018-03-27 | 大连大学 | 基于MapReduce与倒排泰森多边形的大规模近邻查询方法 |
CN108376177A (zh) * | 2018-03-15 | 2018-08-07 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和分布式*** |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5581574B2 (ja) * | 2008-07-09 | 2014-09-03 | 富士ゼロックス株式会社 | 画像処理装置及び画像処理プログラム |
US8107740B2 (en) * | 2008-08-15 | 2012-01-31 | Honeywell International Inc. | Apparatus and method for efficient indexing and querying of images in security systems and other systems |
JP5934653B2 (ja) * | 2010-11-29 | 2016-06-15 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 画像分類装置、画像分類方法、プログラム、記録媒体、集積回路、モデル作成装置 |
JP2013020480A (ja) * | 2011-07-12 | 2013-01-31 | Hitachi Ltd | 画像検索システム |
CN103164713B (zh) * | 2011-12-12 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 图像分类方法和装置 |
JP5577372B2 (ja) * | 2012-03-29 | 2014-08-20 | 楽天株式会社 | 画像検索装置、画像検索方法、プログラムおよびコンピュータ読取り可能な記憶媒体 |
US8768049B2 (en) * | 2012-07-13 | 2014-07-01 | Seiko Epson Corporation | Small vein image recognition and authorization using constrained geometrical matching and weighted voting under generic tree model |
CN103605765B (zh) * | 2013-11-26 | 2016-11-16 | 电子科技大学 | 一种基于聚类紧凑特征的海量图像检索*** |
JP6431302B2 (ja) * | 2014-06-30 | 2018-11-28 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
US9613407B2 (en) * | 2014-07-03 | 2017-04-04 | Dolby Laboratories Licensing Corporation | Display management for high dynamic range video |
CN106156118B (zh) * | 2015-04-07 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 基于计算机***的图片相似度计算方法及其*** |
WO2017042852A1 (en) * | 2015-09-11 | 2017-03-16 | Nec Corporation | Object recognition appratus, object recognition method and storage medium |
CN106959948A (zh) * | 2016-01-08 | 2017-07-18 | 普华诚信信息技术有限公司 | 针对分布式特性对大数据进行预处理的***及其预处理方法 |
JP6732518B2 (ja) * | 2016-04-27 | 2020-07-29 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
US10032067B2 (en) * | 2016-05-28 | 2018-07-24 | Samsung Electronics Co., Ltd. | System and method for a unified architecture multi-task deep learning machine for object recognition |
CN106203508A (zh) * | 2016-07-11 | 2016-12-07 | 天津大学 | 一种基于Hadoop平台的图像分类方法 |
CN108182443B (zh) * | 2016-12-08 | 2020-08-07 | 广东精点数据科技股份有限公司 | 一种基于决策树的图像自动标注方法和装置 |
CN107085607B (zh) * | 2017-04-19 | 2020-06-30 | 电子科技大学 | 一种图像特征点匹配方法 |
CN108921587B (zh) * | 2018-05-24 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
CN109063790B (zh) * | 2018-09-27 | 2021-03-16 | 北京地平线机器人技术研发有限公司 | 对象识别模型优化方法、装置和电子设备 |
CN109522937B (zh) * | 2018-10-23 | 2021-02-19 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109740660A (zh) * | 2018-12-27 | 2019-05-10 | 深圳云天励飞技术有限公司 | 图像处理方法及装置 |
CN109740013A (zh) * | 2018-12-29 | 2019-05-10 | 深圳英飞拓科技股份有限公司 | 图像数据处理方法及图像检索方法 |
-
2019
- 2019-05-15 CN CN201910404653.9A patent/CN110175546B/zh active Active
- 2019-08-19 JP JP2020556815A patent/JP7128906B2/ja active Active
- 2019-08-19 SG SG11202011658TA patent/SG11202011658TA/en unknown
- 2019-08-19 WO PCT/CN2019/101438 patent/WO2020228163A1/zh active Application Filing
- 2019-08-20 TW TW108129692A patent/TWI785267B/zh active
-
2020
- 2020-11-20 US US16/953,875 patent/US20210073577A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235825A (zh) * | 2013-05-08 | 2013-08-07 | 重庆大学 | 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法 |
CN104392250A (zh) * | 2014-11-21 | 2015-03-04 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的图像分类方法 |
CN104881735A (zh) * | 2015-05-13 | 2015-09-02 | 国家电网公司 | 用于支撑智慧城市运行管理的智能电网大数据挖掘***及方法 |
CN104933445A (zh) * | 2015-06-26 | 2015-09-23 | 电子科技大学 | 一种基于分布式K-means的海量图像分类方法 |
CN107844532A (zh) * | 2017-10-19 | 2018-03-27 | 大连大学 | 基于MapReduce与倒排泰森多边形的大规模近邻查询方法 |
CN108376177A (zh) * | 2018-03-15 | 2018-08-07 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和分布式*** |
Also Published As
Publication number | Publication date |
---|---|
TWI785267B (zh) | 2022-12-01 |
SG11202011658TA (en) | 2020-12-30 |
JP2021528715A (ja) | 2021-10-21 |
JP7128906B2 (ja) | 2022-08-31 |
CN110175546A (zh) | 2019-08-27 |
TW202044107A (zh) | 2020-12-01 |
WO2020228163A1 (zh) | 2020-11-19 |
US20210073577A1 (en) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502651B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110175546B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109800744B (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110781957B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20220019772A1 (en) | Image Processing Method and Device, and Storage Medium | |
CN110942036B (zh) | 人员识别方法及装置、电子设备和存储介质 | |
CN109522937B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111581488A (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN111274426A (zh) | 类别标注方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN112101238A (zh) | 聚类方法及装置、电子设备和存储介质 | |
CN113688729B (zh) | 一种行为识别方法及装置、电子设备和存储介质 | |
CN109101542B (zh) | 图像识别结果输出方法及装置、电子设备和存储介质 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
CN110781842A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114168798A (zh) | 文本存储管理与检索方法及装置 | |
CN111814627B (zh) | 人员检测方法及装置、电子设备和存储介质 | |
CN111651627A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN111814631A (zh) | 人员检测方法及装置、电子设备和存储介质 | |
CN110070046B (zh) | 人脸图像识别方法及装置、电子设备和存储介质 | |
CN112131999B (zh) | 身份确定方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40006473 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |