CN113962326A - 聚类方法、装置、设备及计算机存储介质 - Google Patents
聚类方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113962326A CN113962326A CN202111325917.5A CN202111325917A CN113962326A CN 113962326 A CN113962326 A CN 113962326A CN 202111325917 A CN202111325917 A CN 202111325917A CN 113962326 A CN113962326 A CN 113962326A
- Authority
- CN
- China
- Prior art keywords
- track
- feature vector
- tracks
- classification
- clustering
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 239000013598 vector Substances 0.000 claims abstract description 313
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 239000013589 supplement Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种聚类方法、装置、设备及计算机存储介质,其中,该方法包括:获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息;基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果;确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量;基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
Description
技术领域
本公开涉及但不限于计算机视觉技术领域,尤其涉及一种聚类方法、装置、设备及计算机存储介质。
背景技术
轨迹集合一般包括大量的轨迹信息,轨迹集合中的轨迹信息具有规模大、时间和区域分布广等特点。然而,相关技术中在得到轨迹集合后,无法对轨迹集合进行有效的挖掘,从而不能利用到轨迹集合中包括的轨迹信息的价值。
发明内容
本公开实施例提供一种聚类方法、装置、设备及计算机存储介质。
第一方面,本公开实施例提供一种聚类方法,包括:获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息;基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果;确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量;基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
第二方面,本公开实施例提供一种聚类装置,包括:获取单元,用于获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息;聚类单元,用于基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果;确定单元,用于确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量;所述聚类单元,还用于基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
第三方面,本公开实施例提供一种聚类设备,包括:存储器和处理器,所述存储器存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法中的步骤。
第四方面,本公开实施例提供一种计算机存储介质,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述方法中的步骤。
在本公开实施例中,基于轨迹集合中每一轨迹对应的对象的第一特征向量,对轨迹集合中属于同一对象的轨迹进行聚类,从而能够挖掘轨迹集合中属于同一对象的轨迹,进而能够利用轨迹集合中包括的轨迹信息的价值;另外,由于基于未被聚类的轨迹对应的对象的第二特征向量,将未被聚类的轨迹中的部分或全部聚类到至少一个分类结果的对应分类中,从而能够通过对象的第二特征向量,对通过第一特征向量进行聚类得到的分类结果进行补充,进而能够提升轨迹集合中轨迹的聚集程度。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本公开的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例提供的一种聚类方法的流程示意图;
图2为本公开实施例提供的另一种聚类方法的流程示意图;
图3为本公开实施例提供的又一种聚类方法的流程示意图;
图4为本公开实施例提供的再一种聚类方法的流程示意图;
图5为本公开另一实施例提供的一种聚类方法的流程示意图;
图6为本公开又一实施例提供的一种聚类方法的流程示意图;
图7为本公开再一实施例提供的一种聚类方法的流程示意图;
图8为本公开实施例提供的一种聚类装置的组成结构示意图;
图9为本公开实施例提供的一种聚类设备的硬件实体示意图。
具体实施方式
下面将通过实施例并结合附图具体地对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
需要说明的是:在本公开实例中,“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
另外,本公开实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。本公开实施例中的多个可以指的是至少两个。
在基于视频图像智能分析***提取的视频图像信息在实际应用过程中,由于前端采集设备智能化水平及智能化算法配置的不同,造成了视频图像信息数据汇聚的信息不一致,也带来了对象聚档的不便。
在基于对象的一对象一档的聚类中,由于对象是在非配合、多种天气情况下采集的,因此,对象的正脸率、清晰度具有较大的不确定性,很多对象达不到识别比对的要求,也就无法进行聚类,而最终丢弃。
在相关技术中,获取的对象的正脸率、图像清晰度、人脸图像像素数、人脸的质量分等至少之一无法满足对象识别比对的要求,导致确定的轨迹很多都是无效轨迹,进而无法满足人脸比对的要求,从而无法通过人脸的特征进行聚档,而由于无效轨迹无法被聚类,导致存在轨迹集合中轨迹的聚集程度低的问题。本公开实施例中的聚档、聚类可以与分类可以作同一理解。
本公开实施例提供一种聚类方法,该聚类方法可以应用于聚类装置、处理器、多个处理器的集成、芯片或者多个芯片的集成,其中,聚类装置、处理器、多个处理器的集成、芯片或者多个芯片的集成可以应用在聚类设备中。多个处理器或者多个芯片可以是以集群的方式存在。
在一些实施例中,聚类设备可以包括以下至少之一或至少两者的结合:分析***、服务平台、服务后台、服务器、手机(Mobile Phone)、平板电脑(Pad)、带无线收发功能的电脑、掌上电脑、台式计算机、个人数字助理、便捷式媒体播放器、智能音箱、导航装置、智能手表、智能眼镜、智能项链等可穿戴设备、计步器、数字TV、虚拟现实(Virtual Reality,VR)终端设备、增强现实(Augmented Reality,AR)终端设备、工业控制(Industrial Control)中的无线终端、无人驾驶(Self Driving)中的无线终端、远程手术(Remote MedicalSurgery)中的无线终端、智能电网(Smart Grid)中的无线终端、运输安全(TransportationSafety)中的无线终端、智慧城市(Smart City)中的无线终端、智慧家庭(Smart Home)中的无线终端、车联网***中的车、车载设备、车载模块等等。
图1为本公开实施例提供的一种聚类方法的流程示意图,如图1所示,该方法应用于聚类设备或处理器,该方法包括:
S101、获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息。
本公开实施例中的轨迹,可以是通过图像采集或定位信息采集等任意合适的方式,采集对象在不同时间出现在不同的空间处的记录信息。轨迹集合可以包括多个轨迹。例如,多个轨迹例如可以包括:具有图像A和/或图像A的特征向量的行人在2021年09月06日12时00分00秒从劳动路经过;具有图像B和/或图像B的特征向量的行人在2021年09月06日12时30分00秒从建设路经过;具有图像C和/或图像C的特征向量的行人在2021年09月06日12时00分00秒从劳动路经过。再例如,多个轨迹例如可以包括:具有图像A和/或图像A的特征向量的行人在2021年09月06日12时00分00秒从摄像头编号为D下经过;具有图像B和/或图像B的特征向量的行人在2021年09月06日12时30分00秒从摄像头编号为E下经过;具有图像C和/或图像C的特征向量的行人在2021年09月06日12时00分00秒从摄像头编号为D下经过。
其中,具有图像A和/或图像A的特征向量的行人,可以与具有图像B和/或图像B的特征向量的行人为同一个行人或不同的行人,具有图像A和/或图像A的特征向量的行人,可以与具有图像C和/或图像C的特征向量的行人为不同的行人。图像A、图像B、图像C中至少之一的特征向量可以包括第一特征向量和/或第二特征向量。
轨迹集合可以是聚类设备在一段时间内获得的设定区域内所有轨迹的集合。例如,一段时间可以是一小时、十二小时、一天、一周、一个月或者一年。设定区域可以是大楼内的区域、街道内的区域、行政区内的区域、城市内的区域、省内的区域等。
在一些实施例中,轨迹集合可以通过以下三种中的至少之一的方式得到:
(1)接收至少一个摄像装置中的每个摄像装置发送的至少一个轨迹。例如,一个摄像装置可以采集视频或图像,在基于视频或图像检测到某一对象经过的情况下,生成一个轨迹。本公开实施例中的摄像装置可以是任意一种能够进行图像拍摄的装置。
(2)接收至少一个摄像装置中的每个摄像装置发送的视频和/或图像,基于接收的视频和/或图像,生成至少一个轨迹。
(3)接收分析设备发送的至少一个轨迹;其中,分析设备可以接收至少一个摄像装置中的每一个摄像装置发送的视频和/或图像,分析设备基于接收的视频和/或图像,生成至少一个轨迹。
在一些实施方式中,摄像装置、聚类设备或者分析设备可以基于视频和图像检测到某一个行人在2021年09月06日12时00分00秒从劳动路经过,可以基于拍摄的图像A和/或图像A的特征向量,以及图像A的拍摄时间和拍摄地点,生成一个轨迹。其中,图像A可以是检测到的关于该行人的任一张图像,图像A中可以仅包括一个人的人脸和/或人体,例如,图像A可以是检测到的最清晰的一张图像或者是具有人脸特征和/或人体特征最多的一张图像。
本公开实施例中的对象可以包括以下至少之一:人员、动物、车辆、特定的物品等,本公开实施例对此不作限定。
每一轨迹对应的图像可以是每一轨迹中包括的图像。每一轨迹中包括的图像可以包括针对一个人的图像(例如,仅包括一个人的人脸图像和/或人体图像)。
对象的第一特征向量可以是对象的人脸特征向量。在一些实施例中,可以通过对每一轨迹对应的对象进行人脸特征提取,得到人脸特征向量。对不同轨迹对应的对象进行特征提取所采取的特征提取参数(例如卷积层)可以相同。
轨迹集合中的各个轨迹不同。不同的轨迹中存在以下至少之一不同:对象不同、时间信息不同、位置信息不同。
S102、基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果。
基于所述对象的第一特征向量,从而能够得到任两个轨迹对应的两个对象之间的相似度,在相似度大于或等于第三阈值的情况下,表明该两个对象是相同的对象,将该两个轨迹归为一类,从而能够将轨迹集合中相同对象所对应的轨迹归为一类。
S103、确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量。
未被聚类的轨迹中可以包括至少一个轨迹,未被聚类的轨迹中的任一个轨迹,可以是通过第一特征向量无法将该轨迹归类到任一个类别的轨迹。
在采用对象的第一特征向量对轨迹集合中的轨迹进行聚类的情况下,如果对象的人脸清晰度不符合要求或者无法采集到人脸,则无法对人脸清晰度不符合要求或者无法采集到人脸的对象所对应的轨迹进行聚类,从而将这些无法通过第一特征向量进行聚类的轨迹,确定为未被聚类的轨迹。
在一些实施例中,在某一个对象的第一特征向量和其它任一对象的第一特征向量之间的相似度都小于第三阈值的情况下,确定该对象对应的轨迹包括在未被聚类的轨迹中。
在一些实施例中,第一特征向量为人脸特征向量,第二特征向量为人体特征向量。本公开实施例并不限定第一特征向量和第二特征向量对应的部位。例如,第一特征向量可以是人脸特征向量,第二特征向量可以是眼部特征向量,又例如,第一特征向量可以是眼部特征向量,第二特征向量可以是脸部特征向量,再例如,第一特征向量可以是动物头部特征向量,第二特征向量可以是动物全身特征向量。
在一些实施例中,在检测到人脸和人体的情况下,生成的轨迹可以包括以下至少之一:第一特征向量、第二特征向量、人脸图像、人体图像。轨迹还可以包括人脸和人体的关联信息。在一些实施例中,在仅检测到一个人的人脸的情况下,生成的轨迹可以包括第一特征向量和/或人脸图像。在仅检测到一个人的人体的情况下,生成的轨迹可以包括第二特征向量和/或人体图像。
S104、基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
在本公开实施例中,基于轨迹集合中每一轨迹对应的对象的第一特征向量,对轨迹集合中属于同一对象的轨迹进行聚类,从而能够挖掘轨迹集合中属于同一对象的轨迹,进而能够利用轨迹集合中包括的轨迹信息的价值;另外,由于基于未被聚类的轨迹对应的对象的第二特征向量,将未被聚类的轨迹中的部分或全部聚类到至少一个分类结果的对应分类中,从而能够通过对象的第二特征向量,对通过第一特征向量进行聚类得到的分类结果进行补充,进而能够提升轨迹集合中轨迹的聚集程度。
图2为本公开实施例提供的另一种聚类方法的流程示意图,如图2所示,该方法应用于聚类设备或处理器,该方法包括:
S201、获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息。
S202、基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果。
S203、确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量。
S204、基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第一部分轨迹对应的第一分类。
其中,所述第一分类包括在所述至少一个分类结果对应的分类中。
所述第一部分轨迹对应的第一分类的置信度大于或等于目标阈值。在一些实施例中,可以基于未被聚类的轨迹对应的对象的第二特征向量,确定未被聚类的轨迹中每个轨迹对应的分类(每个轨迹对应的分类可以是每个轨迹最可能的分类),确定未被聚类的轨迹中每个轨迹对应的分类的置信度,将置信度大于或等于目标阈值的轨迹确定为第一部分轨迹。
以第二特征向量为人体特征向量进行举例:确定每个轨迹对应的分类的置信度可以通过以下方式实现,分别确定未被聚类的轨迹中每个轨迹对应的人体特征向量,与已被聚类的所有轨迹对应的人体特征向量之间的相似度的最大值,将相似度的最大值对应的已被聚类的轨迹的类别,确定为未被聚类的轨迹中每个轨迹对应的类别,将该相似度的最大值,确定为每个轨迹对应的类别对应的置信度。
在一些实施例中,目标阈值可以是80%。在另一些实施例中,目标阈值可以为其它,例如,目标阈值可以为70%或者90%等等。
第一部分轨迹可以为能够采用对象的第二特征向量进行补充聚类的轨迹,或者说能够采用对象的第二特征向量将第一部分轨迹补充到至少一个分类结果中。
在一些实施例中,S204可以通过以下方式实现:获取所述轨迹集合中已被聚类的轨迹对应的对象的第三特征向量;所述对象的第三特征向量与所述对象的第二特征向量,是所述对象的相同部位的特征向量;确定每个所述对象的第二特征向量与所述对象的第三特征向量之间的最大相似度;基于所述最大相似度,确定所述第一部分轨迹对应的第一分类。
在一些实施例中,对象的第二特征向量和对象的第三特征向量均为对象的人体特征向量。对象的第二特征向量可以为未被聚类的轨迹对应的对象的人体特征向量,对象的第三特征向量可以为已被聚类的轨迹对应的对象的人体特征向量。本公开实施例中的未被聚类和已被聚类,是通过对象的第一特征向量确定的。
例如,可以获取第一轨迹对应的对象的第二特征向量,分别与N个轨迹对应的对象(N个轨迹为基于所述对象的第一特征向量已经聚类的所有轨迹)的第三特征向量之间的N个相似度中的第一最大相似度,如果第一最大相似度大于或等于第一阈值,表明第一轨迹对应的对象与第一最大相似度匹配的第一预定轨迹对应的对象(包括在N个轨迹对应的对象中)相似度高,从而可以将第一轨迹的分类确定为第一预定轨迹的分类,并基于第一轨迹分类,将第一轨迹聚类到至少一个分类结果的对应分类中。
示例性地,未被聚类的轨迹包括轨迹M和轨迹N,未被聚类的轨迹中的每个轨迹对应一个对象的第二特征向量,轨迹M和轨迹N分别对应对象的第二特征向量1和对象的第二特征向量2。已被聚类的轨迹包括轨迹U、轨迹V以及轨迹W,轨迹U、轨迹V以及轨迹W分别对应对象的第三特征向量1、对象的第三特征向量2、对象的第三特征向量3。确定对象的第二特征向量1分别与对象的第三特征向量1、对象的第三特征向量2、对象的第三特征向量3之间的3个相似度,并确定这3个相似度的最大相似度。还可以确定对象的第二特征向量2分别与对象的第三特征向量1、对象的第三特征向量2、对象的第三特征向量3之间的3个相似度,并确定这3个相似度的最大相似度。
这样,可以基于得到的目标数量个最大相似度,确定第一部分轨迹对应的第一分类;其中,目标数量与未被聚类的轨迹包括的轨迹数量相同。
通过这种方式,通过每个对象的第二特征向量与对象的第三特征向量之间的最大相似度,确定第一部分轨迹对应的第一分类,从而提供了一种确定第一部分轨迹对应的第一分类的方式,从而能够基于第一部分轨迹对应的第一分类,对已被聚类的轨迹进行补充。
在一些实施例中,所述基于所述最大相似度,确定所述第一部分轨迹对应的第一分类,包括:将大于或等于第一阈值的最大相似度所对应的对象的第二特征向量关联的轨迹,确定为所述第一部分轨迹;将大于或等于所述第一阈值的最大相似度所对应的对象的第三特征向量关联的类别,确定为所述第一部分轨迹对应的第一分类。
例如,在对象的第二特征向量1分别与对象的第三特征向量1、对象的第三特征向量2、对象的第三特征向量3之间的3个相似度中的最大相似度,大于或等于第一阈值的情况下,可以确定对象的第二特征向量1对应的轨迹包括在第一部分轨迹中。另外,最大相似度对应对象的第三特征向量3,从而可以将对象的第三特征向量3对应的轨迹的分类,确定为对象的第二特征向量1对应的轨迹的分类。
通过这种方式,能够容易地从未被聚类的轨迹中,确定符合条件的第一部分轨迹和第一部分轨迹对应的第一分类。
S205、将所述第一部分轨迹聚类到所述第一分类。
例如,第一部分轨迹中的第一个轨迹的类别为类别P,即将该第一个轨迹聚类到类别为P的分类结果对应分类中;第一部分轨迹中的第二个轨迹的类别为类别Q,即将该第二个轨迹聚类到类别为Q的分类结果对应分类中;第一部分轨迹中的第三个轨迹的类别为类别P,即将该第三个轨迹聚类到类别为P的分类结果对应分类中;直到将第一部分轨迹中的所有轨迹聚类完成,实现了将第一部分轨迹聚类到至少一个分类结果的对应分类中。
在本公开实施例中,基于未被聚类的轨迹中的第一部分轨迹对应的第一分类,将第一部分轨迹聚类到至少一个分类结果的对应分类中,从而能够对已被聚类的轨迹进行补充,提高了轨迹集合中轨迹的聚集程度。
图3为本公开实施例提供的又一种聚类方法的流程示意图,如图2所示,该方法应用于聚类设备或处理器,该方法包括:
S301、获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息。
S302、基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果。
S303、确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量。
S304、基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
S305、基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第二部分轨迹对应的第二分类。
其中,所述第二分类包括在所述至少一个分类结果对应的分类中;所述第二部分轨迹对应的第二分类的置信度,低于所述第一部分轨迹对应的第一分类的置信度。
第二部分轨迹对应的第二分类的置信度可以小于目标阈值且大于或等于指定阈值。在一些实施例中,指定阈值可以是70%。在另一些实施例中,指定阈值可以为其它,例如,指定阈值可以为60%或者80%等等。
在一些实施例中,第二部位轨迹可以为未被聚类的轨迹中除第一部分轨迹之外的全部或部分轨迹。第二部分轨迹可以为不能够采用对象的第二特征向量进行补充聚类的轨迹,或者说不能够采用对象的第二特征向量将第二部分轨迹补充到至少一个分类结果中。
在一些实施例中,S305可以通过以下方式实现:获取所述轨迹集合中已被聚类的轨迹对应的对象的第三特征向量;所述对象的第三特征向量与所述对象的第二特征向量,是所述对象的相同部位的特征向量;确定每个所述对象的第二特征向量与所述对象的第三特征向量之间的最大相似度;基于所述最大相似度,确定所述第二部分轨迹对应的第二分类。
可以通过目标数量个最大相似度,确定第二部分轨迹对应的第二分类。
通过这种方式,通过每个对象的第二特征向量与对象的第三特征向量之间的最大相似度,确定第二部分轨迹对应的第二分类,从而提供了一种确定第二部分轨迹对应的第二分类的方式,从而能够基于第二部分轨迹对应的第二分类,对已被聚类的轨迹进行补充。
在一些实施例中,所述基于所述最大相似度,确定所述第二部分轨迹对应的第二分类,包括:将小于第一阈值且大于或等于第二阈值的最大相似度所对应的对象的第二特征向量关联的轨迹,确定为所述第二部分轨迹;将小于所述第一阈值且大于或等于所述第二阈值的最大相似度所对应的对象的第三特征向量关联的类别,确定为所述第二部分轨迹对应的第二分类。
例如,可以获取第二轨迹对应的对象的第二特征向量,分别与N个轨迹对应的对象的第三特征向量之间的N个相似度中的第二最大相似度,如果第二最大相似度小于所述第一阈值且大于或等于第二阈值,表明第二轨迹对应的对象与第二最大相似度匹配的第二预定轨迹对应的对象(包括在N个轨迹对应的对象中)疑似相似,疑似相似无法通过第二特征向量将第二轨迹补充到至少一个分类结果中,但是可以确定第二轨迹的分类可以疑似为第二预定轨迹对应的分类,即第二轨迹对应的分类为第二预定轨迹对应的分类。
示例性的,在对象的第二特征向量2分别与对象的第三特征向量1、对象的第三特征向量2、对象的第三特征向量3之间的3个相似度中的最大相似度,小于第一阈值且大于或等于第二阈值的情况下,可以确定对象的第二特征向量2对应的轨迹包括在第二部分轨迹中。另外,最大相似度对应对象的第三特征向量2,从而可以将对象的第三特征向量2对应的轨迹的分类,确定为对象的第二特征向量2对应的轨迹的分类。
在一些实施例中,还可以获取第三轨迹对应的对象的第二特征向量,分别与N个轨迹对应的对象的第三特征向量之间的N个相似度中的第三最大相似度,如果第三最大相似度小于第二阈值,表明第三轨迹对应的对象与第三最大相似度匹配的第三预定轨迹对应的对象(包括在N个轨迹对应的对象中)非相似,这样,将第三轨迹既不归到第一部分轨迹中,也不归到第二部分轨迹中。
第一轨迹、第二轨迹或者第三轨迹可以是未被聚类的轨迹中的任一个轨迹。
第一阈值和第二阈值均可以是小于1且大于0的值。第一阈值大于或等于第二阈值。例如,在一些实施方式中,第一阈值可以为0.8,第二阈值可以为0.7。在另一些实施例中,第一阈值和第二阈值可以为其它值,本公开实施例对此不作限制,例如,第一阈值可以为0.8,第二阈值可以为0.6,或者,第一阈值可以为0.9,第二阈值可以为0.7。
通过这种方式,能够容易地从未被聚类的轨迹中,确定符合条件的第二部分轨迹和第二部分轨迹对应的第二分类。
S306、基于所述第二部分轨迹对应的第二分类以及所述第二部分轨迹中的时间信息和/或位置信息,将所述第二部分轨迹中的部分或全部聚类到所述第二分类。
在一些实施例中,如果第二部分轨迹的时间信息在预设时间范围内,则基于第二部分轨迹对应的第二分类,将第二部分轨迹中的部分或全部补充到第二分类中。例如,如果第二部分轨迹的时间是晚上的时间,采集得到的图像不清晰,为了提高聚类程度,如果第二部分轨迹的时间信息是晚上,则基于第二部分轨迹对应的第二分类,将第二部分轨迹中的部分或全部补充到第二分类中,从而能够提高聚类程度。又例如,可以获取时间信息为预设时间范围的第二部分轨迹,基于第二部分轨迹对应的第二分类,将时间为预设时间范围的第二部分轨迹补充到第二分类中。
在另一些实施例中,如果第二部分轨迹的位置信息为包括在预设区域信息中,则基于第二部分轨迹对应的第二分类,将第二部分轨迹中的部分或全部补充到第二分类中。预设区域信息可以是预先设置的比较重要的区域,例如预设区域信息可以是火车站、机场、汽车站、高速路收费站、区域入口等人口密度较高且人员流动较大的区域信息,从而能够对这些预设区域中检测到的每个对象都能够进行聚类。又例如,可以获取位置信息为预设区域信息的第二部分轨迹,基于第二部分轨迹对应的第二分类,将位置信息为预设区域信息的第二部分轨迹补充到第二分类中。
在又一些实施例中,S306可以通过以下方式实现:确定与所述第二部分轨迹中的时间信息相距目标时长内的时间范围;确定与所述第二部分轨迹中的位置信息相距目标距离内的基站;获取所述基站确定的所述时间范围内的终端轨迹;所述终端轨迹表征检测到终端的时间信息和/或位置信息;基于所述第二部分轨迹对应的第二分类和所述终端轨迹,将所述第二部分轨迹中的部分或全部聚类到所述第二分类。
以第二部分轨迹中的一个指定轨迹进行举例,指定轨迹可以是第二部分轨迹中的任一个轨迹,首先获取指定轨迹的时间信息,再确定与指定轨迹的时间信息相距目标时长内的时间范围,确定与所述第二部分轨迹中的位置信息相距目标距离内的基站。例如指定轨迹的时间信息为12点05分00秒,目标时长为3分钟,则确定的时间范围可以为12点02分00秒至12点08分00秒之间。例如,指定轨迹中的位置信息可以是拍摄与指定轨迹对应的对象的摄像头的位置信息,在目标距离为1千米,确定圆心为摄像头的位置信息且半径为1千米之内所有的基站(一个或者多个)。在确定到时间范围和基站的情况下,可以获取基站确定的时间范围内的终端轨迹;基于指定轨迹的分类以及获取的终端轨迹,确定是否将指定轨迹聚类到所述至少一个分类结果的对应分类中。
本公开实施例中的终端轨迹可以是多个终端轨迹,一个终端轨迹例如可以包括:标识为F的终端在2021年09月06日13时00分00秒接入基站G,或者,标识为F的终端在2021年09月06日13时00分00秒位于基站G的覆盖范围内。
通过这种方式,通过获取基站确定的时间范围内的终端轨迹,然后基于第二分类和终端轨迹,将第二部分轨迹中的部分或全部聚类到至少一个分类结果的对应分类中,因此,通过终端轨迹的辅助来补充聚类,从而能够提高将第二部分轨迹中的部分或全部聚类到至少一个分类结果的对应分类中的准确性。
在一些实施例中,所述基于所述第二部分轨迹对应的第二分类和所述终端轨迹,将所述第二部分轨迹中的部分或全部聚类到所述第二分类,包括:基于所述第二部分轨迹对应的第二分类,确定所述第二部分轨迹关联的第一对象标识;确定所述终端轨迹关联的第二对象标识;从所述第一对象标识中,确定包括在所述第二对象标识中的目标对象标识;基于所述目标对象标识关联的轨迹对应的分类,将所述目标对象标识关联的轨迹聚类到所述第二分类。
通过第二部分轨迹对应的第二分类,能够得知第二部分轨迹中每个轨迹的疑似类别,进而基于第二部分轨迹中每个轨迹的疑似类别,确定第二部分轨迹中每个轨迹关联的第一对象标识。每一个终端轨迹可以关联有一个第二对象标识,不同的终端轨迹关联的第二对象标识可以相同或不同。第一对象标识和第二对象标识可以是唯一用于标识对象的标识。第一对象标识和第二对象标识可以是身份标识。
目标对象标识可以是第一对象标识与第二对象标识之间的交集。如果第二部分轨迹中的某一个轨迹对应的第一对象标识,包括在第二对象标识中,则表明该轨迹的疑似分类可以是该轨迹的实际分类,从而可以将该轨迹补充到确定的疑似分类中。而如果第二部分轨迹中的某一个轨迹对应的第一对象标识,没有包括在第二对象标识中,则表明该轨迹的疑似分类不是该轨迹的实际分类,从而不会对该轨迹进行分类。
通过这种方式,从第一对象标识中,确定包括在第二对象标识中的目标对象标识;基于目标对象标识关联的轨迹对应的分类,将目标对象标识关联的轨迹补聚类到至少一个分类结果的对应分类中,从而能够提高补充的分类结果的准确性。
在本公开实施例中,由于第二部分轨迹对应的第二分类的置信度,低于第一部分轨迹对应的第一分类的置信度,因此通过第二部分轨迹中的时间信息和/或位置信息的辅助来补充聚类,从而能够提高将第二部分轨迹中的部分或全部聚类到至少一个分类结果的对应分类中的准确性。
图4为本公开实施例提供的再一种聚类方法的流程示意图,如图4所示,该方法应用于聚类设备或处理器,该方法包括:
S401、获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息。
S402、基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果。
S403、在所述轨迹集合中对应的所有对象的第一特征向量中,将与其它对象的第一特征向量之间的相似度中的最大相似度,小于第三阈值且大于或等于第四阈值的对象的第一特征向量所对应的轨迹,确定为目标轨迹。
目标轨迹是从未被聚类的轨迹中选出的,目标轨迹可以是未被聚类的轨迹中的部分或全部轨迹。
例如,轨迹集合中的S个轨迹分别对应S个对象的第一特征向量,分别获取第s(1≤s≤S)个对象的第一特征向量与其它S-1个对象的第一特征向量之间的S-1个相似度,获取S-1个相似度中的最大相似度,如果S-1个相似度中的最大相似度小于第三阈值且大于或等于第四阈值,则将第s个对象的第一特征向量对应的轨迹归为目标轨迹,从而可以从S个轨迹中确定出目标轨迹。
在S-1个相似度中的最大相似度大于或等于第三阈值的情况下,则可以将通过S个对象的第一特征向量,将第s个对象的第一特征向量对应的轨迹,与最大相似度对应第t个对象的第一特征向量(包括在S-1个对象的第一特征向量中)对应的轨迹聚类在一起。
在S-1个相似度中的最大相似度小于第四阈值的情况下,则表明第s个对象与其它任一个对象均不相似,在一些实施例中,可以采用第s个对象的第二特征向量,确定是否能够将第s个对象对应的轨迹进行聚类;在否的情况下,还可以考虑是否采用第s个对象对应的轨迹的位置信息和/或时间信息,对第s个对象对应的轨迹进行聚类。
在另一些实施例中,在S-1个相似度中的最大相似度小于第四阈值的情况下,则可以直接将第s个对象对应的轨迹确定为无效轨迹,以不会对第s个对象对应的轨迹进行聚类。
S404、确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量。
S405、基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
S406、基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第二部分轨迹对应的第二分类。
其中,所述第二分类包括在所述至少一个分类结果对应的分类中;所述第二部分轨迹对应的第二分类的置信度,低于所述第一部分轨迹对应的第一分类的置信度。
S407、基于所述目标轨迹和所述第二部分轨迹的交集轨迹对应的分类和所述交集轨迹中的时间信息和/或位置信息,将所述交集轨迹中的部分或全部聚类到所述第二分类。
交集轨迹属于第二部分轨迹,从而可以基于第二部分轨迹对应的第二分类,能够确定交集轨迹对应的分类。
在一些实施例中,S407可以包括:确定与所述交集轨迹中的时间信息相距目标时长内的时间范围;确定与所述交集轨迹中的位置信息相距目标距离内的基站;获取所述基站确定的所述时间范围内的终端轨迹;所述终端轨迹表征检测到终端的时间信息和/或位置信息;基于所述交集轨迹对应的分类和所述终端轨迹,将所述交集轨迹中的部分或全部聚类到至少一个分类结果的对应分类中。
在一些实施例中,基于所述交集轨迹对应的分类和所述终端轨迹,将所述交集轨迹中的部分或全部聚类到至少一个分类结果的对应分类中,可以包括:基于所述交集轨迹对应的分类,确定所述交集轨迹关联的第一对象标识;确定所述终端轨迹关联的第二对象标识;从所述第一对象标识中,确定包括在所述第二对象标识中的目标对象标识;基于所述目标对象标识关联的轨迹对应的分类,将所述目标对象标识关联的轨迹聚类到至少一个分类结果的对应分类中。
在本公开实施例中,基于目标轨迹和第二部分轨迹的交集轨迹对应的分类和交集轨迹中的时间信息和/或位置信息,将交集轨迹中的部分或全部聚类到至少一个分类结果的对应分类中,从而聚类到至少一个分类结果的对应分类中的轨迹是交集轨迹的部分或全部,进而不仅能够减少计算量,还能够提高补充的分类结果的准确性。
图5为本公开另一实施例提供的一种聚类方法的流程示意图,如图5所示,该方法应用于聚类设备或处理器,该方法包括:
S501、获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息。
S502、基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果。
S503、获取每个所述分类结果对应的封面图像的第一特征向量。
一个分类结果中可以包括至少两个轨迹,至少两个轨迹中的每个轨迹中可以包括一个对象的图像和/或包括一个对象的第一特征向量。封面图像的第一特征向量可以与至少两个轨迹中的某一个轨迹对应。封面图像可以是获取时间最早的一个图像,或者封面图像可以是在某一地点拍摄的一个图像,或者封面图像可以是对象正对摄像装置而拍摄的图像。
S504、基于每个所述封面图像的第一特征向量和存储在目标库中多个预设图像的第一特征向量,从所述多个预设图像中确定与每个所述封面图像属于同一对象的目标预设图像。
目标库中可以存储有多个预设图像和/或多个预设图像的第一特征向量。其中,不同的预设图像对应的不同的对象。
这样,在得到至少一个分类结果后,可以获取每一分类结果对应的封面图像的第一特征向量,然后将封面图像的第一特征向量与多个预设图像的第一特征向量逐一计算相似度,将相似度最高的预设图像,与该分类结果对应的封面图像确定为属于同一对象,从而可以得到至少一个分类结果中每一个分类结果属于同一对象的预设图像。在一些实施例中,不同的分类结果对应的预设图像可以不同。在另一些实施中,可以存在至少两个分类结果对应的预设图像相同。在至少两个分类结果对应的预设图像相同的情况下,可以合并该至少两个分类结果,从而使得不同的分类结果对应不同的预设图像,进而能够基于对象的不同,对轨迹集合进行分类。
S505、从所述目标库中确定与所述目标预设图像关联的对象的属性信息。
目标库中可以存储与目标预设图像关联的对象的属性信息,对象的属性信息可以包括以下至少之一:对象的姓名、对象的年龄、对象的性别、对象的出生日期、对象的户籍信息、对象的居住地信息、对象的职业信息、对象的家庭成员信息、对象的工作地点信息等等。
S506、确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量。
S507、基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
在本公开实施例中,通过从多个预设图像中确定与每个封面图像属于同一对象的目标预设图像,从目标库中确定与目标预设图像关联的对象的属性信息,从而能够得到每一个分类下对象的属性信息,进而能够对轨迹集合对应的对象进行深层次的挖掘。
图6为本公开又一实施例提供的一种聚类方法的流程示意图,如图6所示,该方法应用于聚类设备或处理器,该方法包括:
S601、获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息。
S602、确定所述轨迹集合中对应的所有对象的第一特征向量中,任两个对象的第一特征向量之间的相似度。
例如,轨迹集合中包括轨迹1、轨迹2、轨迹3和轨迹4,每一个轨迹对应一个对象的第一特征向量。可以分别计算轨迹1和轨迹2对应的两个对象的第一特征向量之间的相似度,计算轨迹1和轨迹3对应的两个对象的第一特征向量之间的相似度,计算轨迹1和轨迹4对应的两个对象的第一特征向量之间的相似度,计算轨迹2和轨迹3对应的两个对象的第一特征向量之间的相似度,计算轨迹2和轨迹3对应的两个对象的第一特征向量之间的相似度,计算轨迹3和轨迹4对应的两个对象的第一特征向量之间的相似度。
S603、将大于或等于第三阈值的相似度所对应的两个轨迹归为同一对象的轨迹,得到所述至少一个分类结果。
例如,如果轨迹1和轨迹2对应的两个对象的第一特征向量之间的相似度大于或等于第三阈值,轨迹1和轨迹4对应的两个对象的第一特征向量之间的相似度大于或等于第三阈值,则将轨迹1、轨迹2以及轨迹4归为同一类。
至少一个分类结果中每个分类结果包括的轨迹的数量可以大于或等于2个。
S604、确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量。
在一些实施例中,未被聚类的轨迹中的任一个轨迹可以是,与其它轨迹对应的对象的第一特征向量之间的相似度均小于第三阈值。这样,轨迹集合由至少一个分类结果包括的所有轨迹和未被聚类的轨迹构成。
在另一些实施例中,未被聚类的轨迹中的任一个轨迹可以是,其它轨迹对应的对象的第一特征向量之间的相似度均小于第三阈值且大于或等于第四阈值。
第三阈值和第四阈值均可以是小于1且大于0的值。第三阈值大于第四阈值。例如,在一些实施方式中,第三阈值可以为0.8,第四阈值可以为0.7。在另一些实施例中,第三阈值和第四阈值可以为其它值,本公开实施例对此不作限制,例如,第三阈值可以为0.8,第四阈值可以为0.6,或者,第三阈值可以为0.9,第四阈值可以为0.7。
在一些实施例中,第三阈值可以与第一阈值相同,第四阈值可以与第二阈值相同。
S605、基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
在本公开实施例中,将大于或等于第三阈值的相似度所对应的两个轨迹归为同一对象的轨迹,得到至少一个分类结果,从而能够将相似度较高的对象归为同一类,从而能够提高得到的分类结果的准确性。
在本公开实施例中,利用多场景中采集的人脸、人体图像,以及人脸和人体的关联标识(Identity Document,ID)号等,在按人脸进行聚类后,采用人体图片作为人脸聚类补充,并通过人关联的终端轨迹的比对,将终端轨迹作为人脸聚类的补充,以此提高人脸聚类的聚档率。
聚类设备可以得到以下信息:(1)按照人脸人体关联的要求,对从视频图像采集的所有面向人像的时空轨迹点(即上述的轨迹)进行人脸图片与人体图片关联(建立关联关系),提取人脸、人体的特征向量,形成人像轨迹库(即上述的轨迹集合);(2)从信息库提取静态库(即上述的目标库,具有身份标识+人脸图像信息),包含人脸的特征向量、身份标识、姓名等信息(在实际部署应用中可以进行脱敏处理,即将有关信息进行ID化,按需安全权限请求读取实际身份标识);(3)从运营商提取基站轨迹数据,包括:手机连接基站的时间、方位、手机号、身份标识、姓名等信息。
在人脸聚类的过程中,可以调用人脸聚类算法(如对于所有人脸特征向量中的任两个人脸特征向量进行相似度S1计算,相似度符合阈值范围要求的记为同一人脸),对轨迹进行聚类,形成人脸聚类;其中有以下几种情况:(1)人脸相似度S1≥τ1:判为同一人脸,归入同一分类,形成聚类库(对应上述的至少一个分类结果),其τ1为人脸相似度聚类第三阈值(如τ1可设为80%);(2)人脸相似度τ2≤S1<τ1:疑似为同一人脸,不归入同一分类,其τ2为人脸相似度聚类第四阈值(如τ2可设为70%);(3)人脸相似度S1≤τ2:判为非同一人脸,该部分人脸图像为不能直接用人脸进行聚类。
从聚类形成的人脸聚类库(对应上述的至少一个分类结果)中提取各人脸分类的封面照片,提取各封面照片的人脸特征向量,使用分类聚类的人脸分类封面照片的人脸特征向量去静态库的人脸进行遍历比对,计算特征向量相似度,并按相似度大小排序,提取相似度排序为第一的静态库人脸的属性信息,与该人脸分类进行关联(给聚类人脸打上身份标签),形成人像档案。
对于人像轨迹库中未能进行人脸聚类的部分人脸(即上述的未被聚类的轨迹,如剩余30%左右无法聚类的人像轨迹),以其含有的人体图像作为手段再次进行辅助聚类(即采用人体归档的方式补充上述的人像档案):提取已经聚档(即对应上述的已经聚类,人脸聚类+实名置信)的人脸关联的人体图像的特征向量(有多个人体图像的均须提取和比对),调用人体比对算法,以未聚类人像(即上述的未被聚类的轨迹对应的人脸)关联人体遍历已经聚档的每个人像档案的每个人体图片,对人体特征向量进行相似度S2计算(已经聚档的每个人像档案中有多个人体图片的,取相似度S2最大值作为该人像档案的人体相似度比对计算结果),同时对S2进行刷选,结果有以下几种情况:(1)人体相似度S2≥τ3:判为同一人体,其τ3为人体相似度第一阈值(如τ3可设为80%);(2)人体相似度τ4≤S2<τ3:疑似为同一人体,其τ4为人体相似度第二阈值(如τ2可设为70%);(3)人体相似度S2≤τ4:判为非同一人体。
对人体相似度S2≥τ3的所有已经聚档的每个人像档案按各自的人体比对结果S2进行大小排序,提取人体相似度排序为第一的已经聚档的每个人像档案,作为该未能进行人脸聚类的人像轨迹的分类,将该人像轨迹纳入已经聚档的人像档案中,以此补充聚类。如果一个类中包含无法关联人脸的人体特征向量和已关联人脸的人体特征向量,则之前未关联上人脸的人体,现在已经关联到人脸上,从而得到更全面的人像档案。
对于无法进行人脸聚类、人体比对的低质人像图像的时空轨迹点,做终端轨迹比对。首先,提取经过人脸聚类满足条件(人脸聚类比对相似度τ2≤S1<τ1、且人体相似度τ4≤S2<τ3)的时空轨迹点,从而能够知道满足条件的未聚类的对象疑似的类别,以该时空轨迹点的时空轨迹去遍历终端轨迹数据集。若终端轨迹数据的时间在该时空轨迹点时间前后t内(t可设置,如设为3分钟),且终端轨迹的基站位置与该时空轨迹点位置距离小于w内(w可设置,如设为1km),则视为匹配;例如,确定对象疑似的类别的真实身份标识,确定终端轨迹数据的时间在该时空轨迹点时间前后t内,终端轨迹的基站位置与该时空轨迹点位置距离小于w内的多个真实身份标识,在疑似的类别的真实身份标识包括在多个真实身份标识时,则确定为匹配。其次,确定匹配上的该条时空轨迹点关联终端信息。再次,通过关联终端信息的身份信息关联人像档案,形成对人像档案的补充。
图7为本公开再一实施例提供的一种聚类方法的流程示意图,如图7所示,该方法应用于聚类设备或处理器,该方法包括:
S701、获取人像轨迹库。
S702、获取人像轨迹库中每一人像轨迹包括的人脸、人脸关联的人体以及时空信息。
时空信息可以是上述的位置信息。
S703、确定每一人像轨迹对应的对象是否包括人脸。
如果为是执行S704;如果为否执行S708。
S704、获取人脸图像和时空信息。
S705、确定人脸图像的质量分是否高于特定阈值。
如果人脸图像的质量分高于特定阈值,则该人脸图像能够被聚类;否则不能被聚类。即低质人脸无法通过人脸特征向量进行聚类。
如果为是执行S706;如果为否执行S708。
S706、进行人脸聚类。
S707、对人脸聚类的结果进行聚类归档,以形成人像档案。
S708、确定低质人脸关联的人体和时空信息。
S709、对低质人脸关联的人体进行人体比对。
S709可以包括将每一低质人脸关联的人体的特征向量,与已经聚类的人脸关联的人体的特征向量,分别进行相似度比对。
S710、确定最大相似度是否大于或等于80%。
如果为是执行S711;如果为否执行S712。
S711、采用人体归档的方式补充到人像档案。
S712、获取最大相似度小于80%、低质脸以及无质脸对应的候选轨迹。
S713、获取基站确定的终端轨迹。
终端轨迹包括终端持有者姓名、手机号等身份标识以及时空信息。
S714、做终端轨迹比对。
S715、确定每个候选轨迹是否能够与终端轨迹匹配。
S715可以包括:将每个候选轨迹与终端轨迹进行比对,确定每个候选轨迹对应的对象标识,是否在终端轨迹对应的对象标识中。
如果为是执行S716;如果为否执行S717。
S716、采用终端轨迹归档的方式补充到人像档案。
S717、确定该轨迹为无效轨迹。
无效轨迹无法归类到人像档案中。
在人像档案中存在至少一个分类结果,每一个分类结果包括多个轨迹,每一个轨迹可以包括人脸/人脸特征向量、人体/人体特征向量、以及时空信息。人像档案中的各个分类可以是实名分类或者未实名分类。
在一些实施方式中,可以将每个所述分类结果对应的封面图像,与静态库中的多个预设图像逐一比对,得到每个分类结果对应的目标预设图像和/或对象的属性信息。
基于前述的实施例,本公开实施例提供一种聚类装置,该装置包括所包括的各单元、以及各单元所包括的各模块,可以通过聚类设备中的处理器来实现;当然也可通过具体的逻辑电路实现。
图8为本公开实施例提供的一种聚类装置的组成结构示意图,如图8所示,聚类装置800包括:获取单元801,用于获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息;聚类单元802,用于基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果;确定单元803,用于确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量;所述聚类单元802,还用于基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
在一些实施例中,聚类单元802,还用于基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第一部分轨迹对应的第一分类;所述第一分类包括在所述至少一个分类结果对应的分类中;所述第一部分轨迹对应的第一分类的置信度大于或等于目标阈值;将所述第一部分轨迹聚类到所述第一分类。
在一些实施例中,聚类单元802,还用于获取所述轨迹集合中已被聚类的轨迹对应的对象的第三特征向量;所述对象的第三特征向量与所述对象的第二特征向量,是所述对象的相同部位的特征向量;确定每个所述对象的第二特征向量与所述对象的第三特征向量之间的最大相似度;基于所述最大相似度,确定所述第一部分轨迹对应的第一分类。
在一些实施例中,聚类单元802,还用于将大于或等于第一阈值的最大相似度所对应的对象的第二特征向量关联的轨迹,确定为所述第一部分轨迹;将大于或等于所述第一阈值的最大相似度所对应的对象的第三特征向量关联的类别,确定为所述第一部分轨迹对应的第一分类。
在一些实施例中,聚类单元802,还用于基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第二部分轨迹对应的第二分类;所述第二分类包括在所述至少一个分类结果对应的分类中;所述第二部分轨迹对应的第二分类的置信度,低于所述第一部分轨迹对应的第一分类的置信度;基于所述第二部分轨迹对应的第二分类以及所述第二部分轨迹中的时间信息和/或位置信息,将所述第二部分轨迹中的部分或全部聚类到所述第二分类。
在一些实施例中,聚类单元802,还用于获取所述轨迹集合中已被聚类的轨迹对应的对象的第三特征向量;所述对象的第三特征向量与所述对象的第二特征向量,是所述对象的相同部位的特征向量;确定每个所述对象的第二特征向量与所述对象的第三特征向量之间的最大相似度;基于所述最大相似度,确定所述第二部分轨迹对应的第二分类。
在一些实施例中,聚类单元802,还用于将小于第一阈值且大于或等于第二阈值的最大相似度所对应的对象的第二特征向量关联的轨迹,确定为所述第二部分轨迹;将小于所述第一阈值且大于或等于所述第二阈值的最大相似度所对应的对象的第三特征向量关联的类别,确定为所述第二部分轨迹对应的第二分类。
在一些实施例中,聚类单元802,还用于确定与所述第二部分轨迹中的时间信息相距目标时长内的时间范围;确定与所述第二部分轨迹中的位置信息相距目标距离内的基站;获取所述基站确定的所述时间范围内的终端轨迹;所述终端轨迹表征检测到终端的时间信息和/或位置信息;基于所述第二部分轨迹对应的第二分类和所述终端轨迹,将所述第二部分轨迹中的部分或全部聚类到所述第二分类。
在一些实施例中,聚类单元802,还用于基于所述第二部分轨迹对应的第二分类,确定所述第二部分轨迹关联的第一对象标识;确定所述终端轨迹关联的第二对象标识;从所述第一对象标识中,确定包括在所述第二对象标识中的目标对象标识;基于所述目标对象标识关联的轨迹对应的分类,将所述目标对象标识关联的轨迹聚类到所述第二分类。
在一些实施例中,确定单元803,还用于在所述轨迹集合中对应的所有对象的第一特征向量中,将与其它对象的第一特征向量之间的相似度中的最大相似度,小于第三阈值且大于或等于第四阈值的对象的第一特征向量所对应的轨迹,确定为目标轨迹;聚类单元802,还用于基于所述目标轨迹和所述第二部分轨迹的交集轨迹对应的分类和所述交集轨迹中的时间信息和/或位置信息,将所述交集轨迹中的部分或全部聚类到所述第二分类。
在一些实施例中,确定单元803,还用于获取每个所述分类结果对应的封面图像的第一特征向量;基于每个所述封面图像的第一特征向量和存储在目标库中多个预设图像的第一特征向量,从所述多个预设图像中确定与每个所述封面图像属于同一对象的目标预设图像;从所述目标库中确定与所述目标预设图像关联的对象的属性信息。
在一些实施例中,聚类单元802,还用于确定所述轨迹集合中对应的所有对象的第一特征向量中,任两个对象的第一特征向量之间的相似度;将大于或等于第三阈值的相似度所对应的两个轨迹归为同一对象的轨迹,得到所述至少一个分类结果。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开装置实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
需要说明的是,本公开实施例中,如果以软件功能模块的形式实现上述的聚类方法,并作为独立的产品销售或使用时,也可以存储在一个计算机存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台聚类设备执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本公开实施例不限制于任何特定的硬件和软件结合。
图9为本公开实施例提供的一种聚类设备的硬件实体示意图,如图9所示,该聚类设备900的硬件实体包括:处理器901和存储器902,其中,存储器902存储有可在处理器901上运行的计算机程序,处理器901执行程序时实现上述任一实施例的方法中的步骤。
存储器902存储有可在处理器上运行的计算机程序,存储器902配置为存储由处理器901可执行的指令和应用,还可以缓存待处理器901以及聚类设备900中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器901执行程序时实现上述任一项的聚类方法的步骤。处理器901通常控制聚类设备900的总体操作。
本公开实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的聚类方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开存储介质和设备实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
本公开实施例还可以提供一种芯片,该芯片包括处理器,用于从存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行上述任一项所述方法。
本公开实施例还可以提供一种计算机程序产品,所述计算机程序产品包括计算机存储介质,所述计算机存储介质存储计算机程序,所述计算机程序包括能够由至少一个处理器执行的指令,当所述指令由所述至少一个处理器执行时实现上述方法。
本公开实施例还可以提供一种计算机程序,所述计算机程序使得计算机执行上述方法。
上述聚类装置、芯片或处理器可以包括以下任一个或多个的集成:特定用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)、嵌入式神经网络处理器(neural-networkprocessing units,NPU)、控制器、微控制器、微处理器、可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以理解地,实现上述处理器功能的电子器件还可以为其它,本公开实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”或“本公开实施例”或“前述实施例”或“一些实施方式”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“本公开实施例”或“前述实施例”或“一些实施方式”或“一些实施例”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本公开的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
在未做特殊说明的情况下,聚类设备执行本公开实施例中的任一步骤,可以是聚类设备的处理器执行该步骤。除非特殊说明,本公开实施例并不限定聚类设备执行下述步骤的先后顺序。另外,不同实施例中对数据进行处理所采用的方式可以是相同的方法或不同的方法。还需说明的是,本公开实施例中的任一步骤是聚类设备可以独立执行的,即聚类设备执行上述实施例中的任一步骤时,可以不依赖于其它步骤的执行。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本公开各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本公开所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本公开所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本公开所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
在本公开实施例中,不同实施例中相同步骤和相同内容的说明,可以互相参照。在本公开实施例中,术语“并”不对步骤的先后顺序造成影响,例如,聚类设备执行A,并执行B,可以是聚类设备先执行A,再执行B,或者是聚类设备先执行B,再执行A,或者是聚类设备执行A的同时执行B。
在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
需要说明的是,本公开所涉及的各个实施例中,可以执行全部的步骤或者可以执行部分的步骤,只要能够形成一个完整的技术方案即可。
以上所述,仅为本公开的实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种聚类方法,包括:
获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息;
基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果;
确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量;
基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
2.根据权利要求1所述的方法,其中,所述基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中,包括:
基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第一部分轨迹对应的第一分类;所述第一分类包括在所述至少一个分类结果对应的分类中;所述第一部分轨迹对应的第一分类的置信度大于或等于目标阈值;
将所述第一部分轨迹聚类到所述第一分类。
3.根据权利要求2所述的方法,其中,所述基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第一部分轨迹对应的第一分类,包括:
获取所述轨迹集合中已被聚类的轨迹对应的对象的第三特征向量;所述对象的第三特征向量与所述对象的第二特征向量,是所述对象的相同部位的特征向量;
确定每个所述对象的第二特征向量与所述对象的第三特征向量之间的最大相似度;
基于所述最大相似度,确定所述第一部分轨迹对应的第一分类。
4.根据权利要求3所述的方法,其中,所述基于所述最大相似度,确定所述第一部分轨迹对应的第一分类,包括:
将大于或等于第一阈值的最大相似度所对应的对象的第二特征向量关联的轨迹,确定为所述第一部分轨迹;
将大于或等于所述第一阈值的最大相似度所对应的对象的第三特征向量关联的类别,确定为所述第一部分轨迹对应的第一分类。
5.根据权利要求2至4任一项所述的方法,其中,所述方法还包括:
基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第二部分轨迹对应的第二分类;所述第二分类包括在所述至少一个分类结果对应的分类中;所述第二部分轨迹对应的第二分类的置信度,低于所述第一部分轨迹对应的第一分类的置信度;
基于所述第二部分轨迹对应的第二分类以及所述第二部分轨迹中的时间信息和/或位置信息,将所述第二部分轨迹中的部分或全部聚类到所述第二分类。
6.根据权利要求5所述的方法,其中,所述基于所述对象的第二特征向量,确定所述未被聚类的轨迹中第二部分轨迹对应的第二分类,包括:
获取所述轨迹集合中已被聚类的轨迹对应的对象的第三特征向量;所述对象的第三特征向量与所述对象的第二特征向量,是所述对象的相同部位的特征向量;
确定每个所述对象的第二特征向量与所述对象的第三特征向量之间的最大相似度;
基于所述最大相似度,确定所述第二部分轨迹对应的第二分类。
7.根据权利要求6所述的方法,其中,所述基于所述最大相似度,确定所述第二部分轨迹对应的第二分类,包括:
将小于第一阈值且大于或等于第二阈值的最大相似度所对应的对象的第二特征向量关联的轨迹,确定为所述第二部分轨迹;
将小于所述第一阈值且大于或等于所述第二阈值的最大相似度所对应的对象的第三特征向量关联的类别,确定为所述第二部分轨迹对应的第二分类。
8.根据权利要求5至7任一项所述的方法,其中,所述基于所述第二部分轨迹对应的第二分类以及所述第二部分轨迹中的时间信息和/或位置信息,将所述第二部分轨迹中的部分或全部聚类到所述第二分类,包括:
确定与所述第二部分轨迹中的时间信息相距目标时长内的时间范围;
确定与所述第二部分轨迹中的位置信息相距目标距离内的基站;
获取所述基站确定的所述时间范围内的终端轨迹;所述终端轨迹表征检测到终端的时间信息和/或位置信息;
基于所述第二部分轨迹对应的第二分类和所述终端轨迹,将所述第二部分轨迹中的部分或全部聚类到所述第二分类。
9.根据权利要求8所述的方法,其中,所述基于所述第二部分轨迹对应的第二分类和所述终端轨迹,将所述第二部分轨迹中的部分或全部聚类到所述第二分类,包括:
基于所述第二部分轨迹对应的第二分类,确定所述第二部分轨迹关联的第一对象标识;
确定所述终端轨迹关联的第二对象标识;
从所述第一对象标识中,确定包括在所述第二对象标识中的目标对象标识;
基于所述目标对象标识关联的轨迹对应的分类,将所述目标对象标识关联的轨迹聚类到所述第二分类。
10.根据权利要求5至9任一项所述的方法,其中,所述方法还包括:
在所述轨迹集合中对应的所有对象的第一特征向量中,将与其它对象的第一特征向量之间的相似度中的最大相似度,小于第三阈值且大于或等于第四阈值的对象的第一特征向量所对应的轨迹,确定为目标轨迹;
所述基于所述第二部分轨迹对应的第二分类以及所述第二部分轨迹中的时间信息和/或位置信息,将所述第二部分轨迹中的部分或全部聚类到所述第二分类,包括:
基于所述目标轨迹和所述第二部分轨迹的交集轨迹对应的分类和所述交集轨迹中的时间信息和/或位置信息,将所述交集轨迹中的部分或全部聚类到所述第二分类。
11.根据权利要求1至10任一项所述的方法,其中,所述方法还包括:
获取每个所述分类结果对应的封面图像的第一特征向量;
基于每个所述封面图像的第一特征向量和存储在目标库中多个预设图像的第一特征向量,从所述多个预设图像中确定与每个所述封面图像属于同一对象的目标预设图像;
从所述目标库中确定与所述目标预设图像关联的对象的属性信息。
12.根据权利要求1至11任一项所述的方法,其中,所述基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果,包括:
确定所述轨迹集合中对应的所有对象的第一特征向量中,任两个对象的第一特征向量之间的相似度;
将大于或等于第三阈值的相似度所对应的两个轨迹归为同一对象的轨迹,得到所述至少一个分类结果。
13.一种聚类装置,其中,包括:
获取单元,用于获取轨迹集合中每一轨迹对应的对象的第一特征向量;其中,所述轨迹集合中每个轨迹表征检测到对象的时间信息和/或位置信息;
聚类单元,用于基于所述对象的第一特征向量,对所述轨迹集合中属于同一对象的轨迹进行聚类,得到至少一个分类结果;
确定单元,用于确定所述轨迹集合中,未被聚类的轨迹对应的对象的第二特征向量;所述第一特征向量和所述第二特征向量是所述对象的不同部位的特征向量;
所述聚类单元,还用于基于所述对象的第二特征向量,将所述未被聚类的轨迹中的部分或全部聚类到所述至少一个分类结果的对应分类中。
14.一种聚类设备,包括:存储器和处理器,
所述存储器存储有可在所述处理器上运行的计算机程序,
所述处理器执行所述计算机程序时实现权利要求1至12任一项所述方法中的步骤。
15.一种计算机存储介质,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至12任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111325917.5A CN113962326A (zh) | 2021-11-10 | 2021-11-10 | 聚类方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111325917.5A CN113962326A (zh) | 2021-11-10 | 2021-11-10 | 聚类方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962326A true CN113962326A (zh) | 2022-01-21 |
Family
ID=79469867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111325917.5A Withdrawn CN113962326A (zh) | 2021-11-10 | 2021-11-10 | 聚类方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962326A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463572A (zh) * | 2022-03-01 | 2022-05-10 | 智慧足迹数据科技有限公司 | 区域聚类方法及相关装置 |
CN115546516A (zh) * | 2022-09-29 | 2022-12-30 | 北京瑞莱智慧科技有限公司 | 人员聚档方法、装置、计算机设备及存储介质 |
CN117975071A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大华技术股份有限公司 | 图像聚类方法、计算机设备和存储介质 |
-
2021
- 2021-11-10 CN CN202111325917.5A patent/CN113962326A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463572A (zh) * | 2022-03-01 | 2022-05-10 | 智慧足迹数据科技有限公司 | 区域聚类方法及相关装置 |
CN115546516A (zh) * | 2022-09-29 | 2022-12-30 | 北京瑞莱智慧科技有限公司 | 人员聚档方法、装置、计算机设备及存储介质 |
CN117975071A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大华技术股份有限公司 | 图像聚类方法、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7190842B2 (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
CN113962326A (zh) | 聚类方法、装置、设备及计算机存储介质 | |
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
CN105404860A (zh) | 用于管理走失人员信息的方法和设备 | |
CN111325141B (zh) | 交互关系识别方法、装置、设备及存储介质 | |
CN112100305B (zh) | 一种基于多源数据的轨迹确定方法、装置、设备及介质 | |
CN111310728B (zh) | 基于监控相机和无线定位的行人重识别*** | |
Bertoni et al. | Perceiving humans: from monocular 3d localization to social distancing | |
CN104239386A (zh) | 用于对面部识别匹配区分优先级的方法和*** | |
CN111047621A (zh) | 一种目标对象追踪方法、***、设备及可读介质 | |
WO2023098339A1 (zh) | 数据处理方法、装置、设备、存储介质及程序产品 | |
CN112770265B (zh) | 一种行人身份信息获取方法、***、服务器和存储介质 | |
CN113468283A (zh) | 数据处理方法、装置、设备、存储介质 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
CN110929619A (zh) | 一种基于图像处理的目标对象追踪方法、***、设备及可读介质 | |
CN111400550A (zh) | 一种目标运动轨迹构建方法、设备以及计算机存储介质 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN112579593A (zh) | 人口库分库方法和装置 | |
CN111127837A (zh) | 一种报警方法、摄像机及报警*** | |
CN112925899A (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN112257628A (zh) | 一种户外比赛运动员的身份识别方法、装置及设备 | |
CN112487082B (zh) | 一种生物特征识别的方法及相关设备 | |
WO2023045239A1 (zh) | 行为识别方法、装置、设备、介质、芯片、产品及程序 | |
CN116152675A (zh) | 一种基于深度学习的无人机救援方法及*** | |
CN116258881A (zh) | 一种图像聚类方法、装置、终端及计算机可读存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220121 |
|
WW01 | Invention patent application withdrawn after publication |