CN115546762A - 图像聚类方法、装置、存储介质及服务器 - Google Patents

图像聚类方法、装置、存储介质及服务器 Download PDF

Info

Publication number
CN115546762A
CN115546762A CN202211253759.1A CN202211253759A CN115546762A CN 115546762 A CN115546762 A CN 115546762A CN 202211253759 A CN202211253759 A CN 202211253759A CN 115546762 A CN115546762 A CN 115546762A
Authority
CN
China
Prior art keywords
image
clustering
images
data set
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.)
Pending
Application number
CN202211253759.1A
Other languages
English (en)
Inventor
赵宇航
韩璐
吴方圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yishi Huolala Technology Co Ltd
Original Assignee
Shenzhen Yishi Huolala Technology Co Ltd
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 Shenzhen Yishi Huolala Technology Co Ltd filed Critical Shenzhen Yishi Huolala Technology Co Ltd
Priority to CN202211253759.1A priority Critical patent/CN115546762A/zh
Publication of CN115546762A publication Critical patent/CN115546762A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种图像聚类方法、装置、存储介质及服务器。该方法包括：基于待处理的图像数据集合中各图像对应的地理位置信息对图像进行聚类，得到多个第一图像簇；然后计算同一图像簇中各图像之间的图像相似度，并基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；再根据预设筛选条件，从第二图像簇中筛选出目标图像。本方案中，结合地理位置和图像表征进行图像聚类，通过地理位置将图像比对的待选范围缩小，进一步基于一定场景信息的定制化图像相似度比对来完成聚类任务，提高了聚类准确率和召回率。

Description

图像聚类方法、装置、存储介质及服务器
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像聚类方法、装置、存储介质及服务器。
背景技术
路面电子地图的制作过程，通常会涉及到采集车通过高清摄像头或行车记录仪对交通场景中的通行限行标志、街边地标进行采集和识别。由于采集设备众多，不同的设备和时间采集的目标会有重复。例如，不同采集设备分别针对同一个限速的标志拍摄了照片，但由于采集设备和拍摄角度的不同，造成了一定程度的图像差异。如果对采集的全部识别目标进行处理，将会产生高昂的人工作业成本。因此在人工作业前，有必要对重复的采集场景和采集目标进行去重处理。
发明内容
本申请实施例提供一种图像聚类方法、装置、存储介质及服务器，可提升聚类准确率和召回率。
第一方面，本申请实施例提供一种图像聚类方法，包括：
获取采集的图像数据集合；
基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类，得到多个第一图像簇；
计算同一图像簇中各图像之间的图像相似度；
基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；
根据预设筛选条件，从所述第二图像簇中筛选出目标图像。
第二方面，本申请实施例提供了一种图像聚类装置，包括：
获取单元，用于获取采集的图像数据集合；
第一聚类单元，用于基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类，得到多个第一图像簇；
计算单元，用于计算同一图像簇中各图像之间的图像相似度；
第二聚类单元，用于基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；
处理单元，用于根据预设筛选条件，从所述第二图像簇中筛选出目标图像。
在一实施方式中，所述第一聚类单元用于：
检测所述图像数据集合中各图像中包含的交通标志；
确定所述交通标志的类别；
基于所述交通标志的类别和所述地理位置信息，对所述图像数据集合中的图像进行第一次聚类。
在一实施方式中，所述计算单元用于：
对所述图像进行剪裁，使剪裁后的图像包括所述交通标志和所述交通标志周围的场景图像；
基于所述交通标志和所述场景图像，对同一图像簇中各图像之间的相似度进行计算。
在一实施方式中，在对所述图像进行剪裁时，所述计算单元进一步用于：
确定所述交通标志在图像中的位置和尺寸信息；
根据所述尺寸信息确定需要剪裁的图像尺寸；
以所述位置为中心，按所述图像尺寸对所述图像进行剪裁。
在一实施方式中，所述图像聚类装置还包括：
删除单元，用于从所述第二图像簇中筛选出目标图像之后，将所述第二图像簇中除所述目标图像外的其他图像删除。
在一实施方式中，在将所述第二图像簇中除所述目标图像外的其他图像删除之前，还包括：
调整单元，用于基于所述其他图像对所述目标图像的清晰度进行调整。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的图像聚类方法。
第四方面，本申请实施例还提供了一种电子设备，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，处理器用于执行上述的图像聚类方法。
本申请实施例，基于待处理的图像数据集合中各图像对应的地理位置信息对图像进行聚类，得到多个第一图像簇；然后计算同一图像簇中各图像之间的图像相似度，并基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；再根据预设筛选条件，从第二图像簇中筛选出目标图像。本方案中，结合地理位置和图像表征进行图像聚类，通过地理位置将图像比对的待选范围缩小，进一步基于一定场景信息的定制化图像相似度比对来完成聚类任务，提高了聚类准确率和召回率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的图像聚类方法的一流程示意图。
图2是本申请实施例提供的相似度对比模型训练示意图。
图3是本申请实施例提供的在线模型应用示意图。
图4是本申请实施例提供的图像聚类装置的一结构示意图。
图5是本申请实施例提供的电子设备的一结构示意图。
图6是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
由于交通标志等目标在道路中的尺寸较小，因此在采集到的图像中所占的比例也较低。若直接对图像的整图沿用通用的图像检索等相似度判定方法，会因图像受拍摄角度、光照、周边场景等因素的影响，使得判定结果准确率较低；另一方面，由于交通标志属于标准化标识物，其本身的图像特征区分度较小，也难以沿用人脸识别、行人身份重识别等基于细节图像纹理的身份鉴别方案来直接对个体进行分类。
基于此，本申请实施例提供一种图像聚类方法、装置、存储介质及服务器，结合地理位置和图像表征进行道路要素聚类，通过地理位置将图像比对的待选范围缩小，再通过基于一定场景信息的定制化图像相似度比对模型来完成聚类任务，以提高聚类准确率和召回率。以下将分别进行详细说明。
在一实施例中，提供一种图像聚类方法，应用于服务器中。参考图1，该图像聚类方法的具体流程可以如下：
101、获取采集的图像数据集合。
本实施例中，图像数据集合中的数据可由专业的采集车中的拍摄设备或普通汽车中的行车记录仪采集得到。图像数据集中包括采集到的图像、以及采集图像时设备所在的地理位置信息，可将该地理位置信息作为图像的采集位置。
需要说明的是，本申请实施例中，采集的图像包含交通标志或道路标志等具备交通标识性的标志。例如，警告标志(警告车辆、行人注意危险地点的标志，其形状为顶角朝上的等边三角形，其颜色为黄底，黑边、黑图案)、禁令标志(禁止或限制车辆、行人交通行为的标志。其形状分为圆形和顶角向下的等边三角形，其颜色，除个别标志外.为白底、红圈、红杠、黑图案、图案压杠)、指示标志(指示车辆、行人行进的标志。其形状分为圆形、长方形和正方形，其颜色为蓝底、白图案)、指路标志(传递道路方向、地点、距离信息的标志。其形状，除地点识别标志外，为长方-形和正方形；其颜色，除里程碑、百米桩和公路界碑外一般道路为蓝底、白图案，高速公路为绿底、白图案)及辅助性标志(分为表示时间、表示车辆种类、表示区域距离、表示警告和禁令理由的辅助标志以及组合辅助标志)等。
102、基于图像数据集合中各图像对应的地理位置信息，对图像数据集合中的图像进行聚类，得到多个第一图像簇。
在一实施方式中，步骤“基于图像数据集合中各图像对应的地理位置信息，对图像数据集合中的图像进行聚类”，可以包括以下流程：
检测图像数据集合中各图像中包含的交通标志；
确定交通标志的类别；
基于交通标志的类别和所述地理位置信息，对图像数据集合中的图像进行第一次聚类。
具体的，可以采用目标检测算法对图像中的交通标识进行检测识别，确定交通标志的类别，将属于同一类且距离在一定范围内(例如2km以内)的交通标志聚类到同一个集合中，从而得到多个第一图像簇。
其中，交通标志的类别可以基于实际需求进行设定。在本申请实施例中，可以将相同的交通标志设为同一类，例如，将限速60km/h的交通标志作为一类，将指示左转的交通标志作为另一类。
实际应用中，地理位置信息可以由拍摄设备本身的携带的定位***获取得到。
103、计算同一图像簇中各图像之间的图像相似度。
实际应用中，由于交通标志本身尺寸较小，使得在整幅图像中的占比也比较小，加上交通标志牌周围道路上车辆、人物等环境是变化、不稳定的。因此，为了比对两个图像之间的相似度，可以对图像进行一定剪裁，将重点部分剪裁出来进行比对。在一实施方式中，步骤“计算同一图像簇中各图像之间的图像相似度”，可以包括以下流程：
对图像进行剪裁，使剪裁后的图像包括交通标志和交通标志周围的场景图像；
基于交通标志和场景图像，对同一图像簇中各图像之间的相似度进行计算。
在一实施方式中，在对图像进行剪裁时，可以确定交通标志在图像中的位置和尺寸信息，然后根据尺寸信息确定需要剪裁的图像尺寸，再以位置为中心，按图像尺寸对图像进行剪裁。
104、基于图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇。
在一实施方式中，由于在一定距离范围内的交通标志牌中，可能存在两个相同的标志牌。因此，为了更准确的识别不同道路位置上的标志牌，可以将标牌周围场景信息作为重要参考信息，基于同一图像簇中两个图像之间的相似度对交通标志牌进行二次聚类。
105、根据预设筛选条件，从第二图像簇中筛选出目标图像。
具体的，在筛选出较为优质的目标图像之后，可以将第二图像簇中除目标图像外的其他图像删除，以实现图像的去重目的。
在一实施方式中，在去重之前，可以基于同一图像簇(指第二图像簇)中的其他图像对目标图像的清晰度进行调整。例如，可以结合其他图像中固定参照物的部分，对目标图像中的模糊、重影或噪点多的部分进行修正优化，以使得输出的目标图像得到进一步优化。
另外，除了交通标志外，本申请方案同样适用于喷绘在路面上的转向、文字描述等信息。
由上可知，本实施例提供的图像聚类方法，基于待处理的图像数据集合中各图像对应的地理位置信息对图像进行聚类，得到多个第一图像簇；然后计算同一图像簇中各图像之间的图像相似度，并基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；再根据预设筛选条件，从第二图像簇中筛选出目标图像。本方案中，结合地理位置和图像表征进行图像聚类，通过地理位置将图像比对的待选范围缩小，进一步基于一定场景信息的定制化图像相似度比对来完成聚类任务，提高了聚类准确率和召回率。
在本申请又一实施例中，还提供一种结合地理位置和图像表征的道路要素聚类方法，以解决采集车或行车记录仪拍摄交通标识的去重问题。具体如下：
本申请实施例提供的道路要素聚类方法，包括离线模型训练和在线模型应用两个阶段。其中，离线模型训练阶段用于生成交通标志检测分类模型和个体相似度比对模型；在线模型应用阶段中，首先对原图像中的交通标志进行检测和分类，再通过两次不同层级的聚类，得到准确率较高的标志聚类结果，输出最终去冗余的结果。参考图2和图3，图2是本申请实施例提供的相似度对比模型训练示意图；图3是本申请实施例提供的在线模型应用示意图。下面将结合图2和图3，对本申请实施例中的道路要素聚类方法进行详细描述：
一、离线训练阶段
(1)训练交通标志检测分类模型(模型0)：用于在采集图像中自动定位交通标志，并识别其类型。
(2)训练基于场景信息的交通标志相似度比对模型(模型1)：
数据收集：通过模型0，自动化采集大批量包含交通标识的图像，将标志范围扩大3倍进行裁剪，得到带有一定场景信息的标志原图；
人工标注：对剪裁后的标志原图，通过地理位置就近聚类和人工筛查，得到个体级别聚类的标志图像，构成相似度比对的训练集；
自监督模型训练：
a)用原始数据(记为db0)训练初始模型,记为model_0；通过初始模型可以为每一类计算一个类中心，然后对各类别数据按照如下规则进行清洗，得到清洗后的数据集db1：
类中心相似度第一阈值(如0.8)以上的,合并；
相似度第二阈值(第二阈值低于第一阈值，如0.5)以下的，保持不变；
在第一阈值和第二阈值间的，删除掉样本较少的类别；
b)用数据集db1重复上述过程，训练得到分类器model_1，计算测试集上的性能，直到测试集上性能稳定，得到最终的相似度比对模型；
c)相似度比对模型，通过训练图像特征嵌入网络，将目标图像映射为512维的浮点向量，利用余弦距离来计算相似度。本模型主干采mobilenetv3-large，损失函数采用am-softmax交叉熵损失。
二、在线模型应用
(1)采集车或行车记录仪采集的图像，经过交通标志检测分类模型(模型0)，得到交通标志在图像中的位置和类别；
(2)粗聚类：首先通过地理位置对所有识别结果进行位置聚类；之后在每一类图像内部，基于识别结果进行如下流程：若两张图像包含的标志目标类别相同，或一张图像的识别结果为另一图像的子集(即识别的目标种类和数量均小于前者)，则两张图像聚类；否则保持不变；
(3)二次聚类：利用标志相似度计算模型(模型1)，对粗聚类结果类别中的样本进行相似度计算，具体流程如下：将两图中的目标结果进行相似度计算，若两目标相似度满足模型预设参数值，计作匹配成功，得到二分图；
(4)去重输出结果：计算两个相似图像组成的二分图的最大匹配。例如图像A和图像B，若图A中的目标可以全部得到匹配，则在该聚类中图A为冗余图像，将其去掉；否则如果图B中目标可以全部得到匹配，则去掉图B；若上述条件均未满足，则两图作为不同类别同时保留并输出。
由上可知，本申请实施例提供的道路要素聚类方法，在相似度比对模型的训练过程中，采用了自监督的模型训练方法，在保证比对模型性能的基础上，减少了大量人工标注的成本；另外，本申请方案综合了地理位置和图像相似度两类信息，保证了聚类结果的高准确率，大大降低了人工成本。
在本申请又一实施例中，还提供一种图像聚类装置。该图像聚类装置可以软件或硬件的形式集成在服务器中。如图4所示，该图像聚类装置300可以包括：获取单元301、第一聚类单元302、计算单元303、第二聚类单元304、处理单元305，其中：
获取单元301，用于获取采集的图像数据集合；
第一聚类单元302，用于基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类，得到多个第一图像簇；
计算单元302，用于计算同一图像簇中各图像之间的图像相似度；
第二聚类单元304，用于基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；
处理单元305，用于根据预设筛选条件，从所述第二图像簇中筛选出目标图像。
在一实施方式中，所述第一聚类单元302用于：
检测所述图像数据集合中各图像中包含的交通标志；
确定所述交通标志的类别；
基于所述交通标志的类别和所述地理位置信息，对所述图像数据集合中的图像进行第一次聚类。
在一实施方式中，所述计算单元303用于：
对所述图像进行剪裁，使剪裁后的图像包括所述交通标志和所述交通标志周围的场景图像；
基于所述交通标志和所述场景图像，对同一图像簇中各图像之间的相似度进行计算。
在一实施方式中，在对所述图像进行剪裁时，所述计算单元303进一步用于：
确定所述交通标志在图像中的位置和尺寸信息；
根据所述尺寸信息确定需要剪裁的图像尺寸；
以所述位置为中心，按所述图像尺寸对所述图像进行剪裁。
在一实施方式中，所述图像聚类装置300还可以包括：
删除单元，用于从所述第二图像簇中筛选出目标图像之后，将所述第二图像簇中除所述目标图像外的其他图像删除。
在一实施方式中，所述图像聚类装置300还可以包括：
调整单元，用于在将所述第二图像簇中除所述目标图像外的其他图像删除之前，基于所述其他图像对所述目标图像的清晰度进行调整。
由上可知，本申请实施例提供的图像聚类装置，基于待处理的图像数据集合中各图像对应的地理位置信息对图像进行聚类，得到多个第一图像簇；然后计算同一图像簇中各图像之间的图像相似度，并基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；再根据预设筛选条件，从第二图像簇中筛选出目标图像。本方案中，结合地理位置和图像表征进行图像聚类，通过地理位置将图像比对的待选范围缩小，进一步基于一定场景信息的定制化图像相似度比对来完成聚类任务，提高了聚类准确率和召回率。
在本申请又一实施例中还提供一种服务器。如图5所示，服务器400包括处理器401和存储器402。其中，处理器401与存储器402电性连接。
处理器401是服务器400的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或加载存储在存储器402内的应用，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。
在本实施例中，服务器400中的处理器401会按照如下的步骤，将一个或一个以上的应用的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用，从而实现各种功能：
获取采集的图像数据集合；
基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类，得到多个第一图像簇；
计算同一图像簇中各图像之间的图像相似度；
基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；
根据预设筛选条件，从所述第二图像簇中筛选出目标图像。
在一实施方式中，在基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类时，处理器401具体可以执行以下操作：
检测所述图像数据集合中各图像中包含的交通标志；
确定所述交通标志的类别；
基于所述交通标志的类别和所述地理位置信息，对所述图像数据集合中的图像进行第一次聚类。
在一实施方式中，在计算同一图像簇中各图像之间的图像相似度时，处理器401可以执行以下操作：
对所述图像进行剪裁，使剪裁后的图像包括所述交通标志和所述交通标志周围的场景图像；
基于所述交通标志和所述场景图像，对同一图像簇中各图像之间的相似度进行计算。
在一实施方式中，在对所述图像进行剪裁时，处理器401可以执行以下操作：
确定所述交通标志在图像中的位置和尺寸信息；
根据所述尺寸信息确定需要剪裁的图像尺寸；
以所述位置为中心，按所述图像尺寸对所述图像进行剪裁。
在一实施方式中，从所述第二图像簇中筛选出目标图像之后，处理器401可以执行以下操作：
将所述第二图像簇中除所述目标图像外的其他图像删除。
在一实施方式中，在将所述第二图像簇中除所述目标图像外的其他图像删除之前，处理器401可以执行以下操作：
基于所述其他图像对所述目标图像的清晰度进行调整。
存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用，从而执行各种功能应用以及信息处理。
在一些实施例中，如图6所示，服务器400还包括：显示屏403、控制电路404、射频电路405、输入单元406以及电源407。其中，处理器401分别与显示屏403、控制电路404、射频电路405、输入单元406以及电源407电性连接。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以服务器的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路404与显示屏403电性连接，用于控制显示屏403显示信息。
射频电路405用于收发射频信号，以通过无线通信与电子设备或其他服务器构建无线通讯，与电子设备或其他服务器之间收发信号。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元406可以包括指纹识别模组。
电源407用于给服务器400的各个部件供电。在一些实施例中，电源407可以通过电源管理***与处理器401逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管图6中未示出，服务器400还可以包括扬声器、蓝牙模块、显示屏等，在此不再赘述。
由上可知，本申请实施例提供的服务器，结合地理位置和图像表征进行图像聚类，通过地理位置将图像比对的待选范围缩小，进一步基于一定场景信息的定制化图像相似度比对来完成聚类任务，提高了聚类准确率和召回率。
在一些实施例中，还提供了一种计算机可读存储介质，该存储介质中存储有多条指令，该指令适于由处理器加载以执行上述任一图像聚类方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本申请实施例所提供的图像聚类方法、装置、存储介质及服务器进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种图像聚类方法，其特征在于，包括：
获取采集的图像数据集合；
基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类，得到多个第一图像簇；
计算同一图像簇中各图像之间的图像相似度；
基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；
根据预设筛选条件，从所述第二图像簇中筛选出目标图像。
2.根据权利要求1所述的图像聚类方法，其特征在于，所述基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类，包括：
检测所述图像数据集合中各图像中包含的交通标志；
确定所述交通标志的类别；
基于所述交通标志的类别和所述地理位置信息，对所述图像数据集合中的图像进行第一次聚类。
3.根据权利要求1所述的图像聚类方法，其特征在于，所述计算同一图像簇中各图像之间的图像相似度，包括：
对所述图像进行剪裁，使剪裁后的图像包括所述交通标志和所述交通标志周围的场景图像；
基于所述交通标志和所述场景图像，对同一图像簇中各图像之间的相似度进行计算。
4.根据权利要求3所述的图像聚类方法，其特征在于，所述对所述图像进行剪裁，包括：
确定所述交通标志在图像中的位置和尺寸信息；
根据所述尺寸信息确定需要剪裁的图像尺寸；
以所述位置为中心，按所述图像尺寸对所述图像进行剪裁。
5.根据权利要求1所述的图像聚类方法，其特征在于，从所述第二图像簇中筛选出目标图像之后，还包括：
将所述第二图像簇中除所述目标图像外的其他图像删除。
6.根据权利要求5所述的图像聚类方法，其特征在于，在将所述第二图像簇中除所述目标图像外的其他图像删除之前，还包括：
基于所述其他图像对所述目标图像的清晰度进行调整。
7.一种图像聚类装置，其特征在于，包括：
获取单元，用于获取采集的图像数据集合；
第一聚类单元，用于基于所述图像数据集合中各图像对应的地理位置信息，对所述图像数据集合中的图像进行聚类，得到多个第一图像簇；
计算单元，用于计算同一图像簇中各图像之间的图像相似度；
第二聚类单元，用于基于所述图像相似度对所述第一图像簇内的图像进行二次聚类，得到多个第二图像簇；
处理单元，用于根据预设筛选条件，从所述第二图像簇中筛选出目标图像。
8.根据权利要求7所述的图像聚类装置，其特征在于，所述第一聚类单元用于：
检测所述图像数据集合中各图像中包含的交通标志；
确定所述交通标志的类别；
基于所述交通标志的类别和所述地理位置信息，对所述图像数据集合中的图像进行第一次聚类。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1-6任一项所述的图像聚类方法。
10.一种电子设备，其特征在于，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据；所述处理器用于执行权利要求1-6任一项所述的图像聚类方法。
CN202211253759.1A 2022-10-13 2022-10-13 图像聚类方法、装置、存储介质及服务器 Pending CN115546762A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211253759.1A CN115546762A (zh) 2022-10-13 2022-10-13 图像聚类方法、装置、存储介质及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211253759.1A CN115546762A (zh) 2022-10-13 2022-10-13 图像聚类方法、装置、存储介质及服务器

Publications (1)

Publication Number Publication Date
CN115546762A true CN115546762A (zh) 2022-12-30

Family

ID=84733715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211253759.1A Pending CN115546762A (zh) 2022-10-13 2022-10-13 图像聚类方法、装置、存储介质及服务器

Country Status (1)

Country Link
CN (1) CN115546762A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778347A (zh) * 2023-08-24 2023-09-19 腾讯科技（深圳）有限公司 数据更新方法、装置、电子设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778347A (zh) * 2023-08-24 2023-09-19 腾讯科技（深圳）有限公司 数据更新方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN103699905B (zh) 一种车牌定位方法及装置
Wang et al. An effective method for plate number recognition
Derpanis et al. Classification of traffic video based on a spatiotemporal orientation analysis
CN110909598B (zh) 一种基于深度学习的非机动车道交通违法行驶识别方法
CN111652230B (zh) 车牌识别方法、电子设备及存储介质
CN111914921A (zh) 一种基于多特征融合的相似性图像检索方法及***
CN110197185B (zh) 一种基于尺度不变特征变换算法监测桥下空间的方法和***
CN110647886A (zh) 兴趣点标注方法、装置、计算机设备和存储介质
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
Maldonado-Bascon et al. Traffic sign recognition system for inventory purposes
CN112434566A (zh) 客流统计方法、装置、电子设备及存储介质
Aqel et al. Road traffic: Vehicle detection and classification
JP2011257963A (ja) 画像処理装置、その処理方法及びプログラム
CN114462469B (zh) 目标检测模型的训练方法、目标检测方法及相关装置
CN115546762A (zh) 图像聚类方法、装置、存储介质及服务器
CN115620090A (zh) 模型训练方法、低照度目标重识别方法和装置、终端设备
Tsai et al. Vehicle detection using normalized color and edge map
CN116704490B (zh) 车牌识别方法、装置和计算机设备
CN116740652B (zh) 一种基于神经网络模型的锈斑面积扩大的监测方法与***
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
CN117095198A (zh) 遥感图像检索网络训练方法、应用方法、电子设备及介质
CN114724128B (zh) 一种车牌识别方法、装置、设备和介质
CN116071569A (zh) 图像选择方法、计算机设备及存储装置
CN116628531A (zh) 众包地图道路对象要素聚类方法、***及存储介质

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