人体图像的聚档方法、装置、计算机设备和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种人体图像的聚档方法、装置、计算机设备和计算机可读存储介质。


背景技术：

2.在安防技术领域中，人员信息聚档是一个十分重要的技术，有助于技术人员定位嫌疑人的行动轨迹和常用落脚点。人体图像聚档是人员信息聚档中的一个关键环节，主要功能是把安防摄像头抓拍到人体图像聚合成一个个档案，每个档案中的人体图像都属于同一个人，不同档案的图像属于不同人。
3.相关技术中，通过获取待聚档图片以及现有档案中各个现有代表图片的特征值；获取待归档图片的特征值与现有档案中各个现有代表图片的特征值之间相似度最高的第一相似度；将第一相似度与预设相似度阈值进行比较，根据比较结果判断出第一相似度所属的预设相似度区域；根据判断结果选择对应的预设聚档策略对待聚档图片进行聚档。
4.然而，图片的特征信息容易受到各种环境因素的影响，在不同环境下，图片特征相似度会出现偏差，导致不同的人的相似度可能高于同一个人的相似度，从而导致容易出现聚档错误的问题，聚档准确率低。针对相关技术中，存在的聚档准确率低的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种人体图像的聚档方法、装置、计算机设备、以及计算机可读存储介质，以解决相关技术中存在的聚档准确率低的问题。
6.第一个方面，本技术实施例了一种人体图像的聚档方法，包括以下步骤：
7.获取每张待聚档的人体图像中的人体特征和属性特征，所述属性特征表征所述待聚档的人体图像中除所述人体特征表征的人体信息以外的其他属性信息；
8.针对每张所述待聚档的人体图像，将其中的所述人体特征和所述属性特征进行整合，得到每张所述待聚档的人体图像的聚类特征；
9.根据多张所述待聚档的人体图像的所述聚类特征之间的相似度，对多张所述待聚档的人体图像进行聚类，形成人体图像档案。
10.在其中一些实施例中，所述获取每张待聚档的人体图像中的人体特征和属性特征，包括：
11.将每张所述待聚档的人体图像输入训练后的特征提取网络，得到每张所述待聚档的人体图像的所述人体特征；以及，将每张所述待聚档的人体图像输入训练后的属性识别网络，得到每张所述待聚档的人体图像的所述属性特征。
12.在其中一些实施例中，所述针对每张所述待聚档的人体图像，将其中的所述人体特征和所述属性特征进行整合，得到每张所述待聚档的人体图像的聚类特征，包括：
13.针对每张所述待聚档的人体图像，将其中的所述人体特征和所述属性特征输入训
练后的全连接网络进行整合，得到每张所述待聚档的人体图像的所述聚类特征。
14.在其中一些实施例中，所述根据多张所述待聚档的人体图像的所述聚类特征之间的相似度，对多张所述待聚档的人体图像进行聚类，形成人体图像档案，包括：
15.根据每张所述待聚档的人体图像的拍摄地点，将多张所述待聚档的人体图像划分成多个同地点图像集；根据位于同一个所述同地点图像集中的所述待聚档的人体图像的所述聚类特征之间的相似度，对每个所述同地点图像集中的多张所述待聚档的人体图像进行聚类，得到多个初始档案；
16.根据所述初始档案中的人体图像的所述属性特征，确定多个所述初始档案中的每个所述初始档案的档案属性；
17.将具有相同的所述档案属性的多个所述初始档案进行聚类，形成同属性档案集；
18.在所述同属性档案集中，根据多个所述初始档案之间的相似度，将多个所述初始档案进行合并，得到所述人体图像档案。
19.在其中一些实施例中，在所述同属性档案集中，根据多个所述初始档案之间的相似度，将多个所述初始档案进行合并，得到所述人体图像档案之后，所述方法还包括：
20.遍历所述人体图像档案内的每张所述人体图像，若存在所述人体图像的属性特征与其所在的所述人体图像档案的档案属性不相符的情况，则将该人体图像从所在的所述人体图像档案中剔除，保存至零散图像集。
21.在其中一些实施例中，在所述根据多张所述待聚档的人体图像的所述聚类特征之间的相似度，对多张所述待聚档的人体图像进行聚类，形成人体图像档案之后，所述方法还包括：
22.遍历所述人体图像档案内的每张人体图像，若所述人体图像档案中的所述人体图像之间存在时空逻辑冲突，则根据当前存在时空冲突的所述人体图像与当前所述人体图像档案中其他的所述人体图像的所述聚类特征之间的相似度，将存在时空逻辑冲突的两张所述人体图像中的其中一张所述人体图像从所述人体图像档案中剔除，保存至零散图像集。
23.在其中一些实施例中，所述方法还包括：
24.在所述人体图像档案仅存在一张所述人体图像的情况下，将所述人体图像从所述人体图像档案中剔除，保存至零散图像集。
25.在其中一些实施例中，所述方法还包括：
26.计算所述零散图像集中的每张所述人体图像与其同属性的所述人体图像档案中的每张所述人体图像的所述聚类特征之间的相似度；
27.在所述零散图像集中的任一张所述人体图像与其同属性的所述人体图像档案中的所有的所述人体图像的所述聚类特征之间的相似度的平均值，超过设定相似度阈值，且所述零散图像集中的该人体图像与其同属性的所述人体图像档案中的所有的所述人体图像之间不存在时空逻辑冲突的情况下，将所述零散图像集中的该人体图像合并到所述人体图像档案中。
28.在其中一些实施例中，所述方法还包括：
29.将所述零散图像集中具有相同的所述属性特征且不存在时空逻辑冲突的多张所述人体图像进行聚类，形成多个同属性图像集；
30.根据位于同一个所述同属性图像集中的多张所述人体图像的所述聚类特征之间
的相似度，对每个所述同属性图像集中的多张所述人体图像进行聚类，形成零散档案。
31.在其中一些实施例中，所述属性特征包括：发型特征、帽子特征和衣服颜色特征中的一个或多个特征。
32.第二个方面，在本实施例中提供了一种人体图像的聚档装置，所述装置包括：第一获取模块、第二获取模块和聚档模块：
33.所述第一获取模块，用于获取每张待聚档的人体图像中的人体特征和属性特征，所述属性特征表征所述待聚档的人体图像中除所述人体特征表征的人体信息以外的其他属性信息；
34.所述第二获取模块，用于针对每张所述待聚档的人体图像，将其中的所述人体特征和所述属性特征进行整合，得到每张所述待聚档的人体图像的聚类特征；
35.所述聚档模块，用于根据多张所述待聚档的人体图像的所述聚类特征之间的相似度，对多张所述待聚档的人体图像进行聚类，形成人体图像档案。
36.第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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第一个方面所述方法的步骤。
37.第四个方面，在本实施例中提供了计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一个方面所述的方法的步骤。
38.上述人体图像的聚档方法、装置、计算机设备、以及计算机可读存储介质，通过获取每张待聚档的人体图像中的人体特征和属性特征；针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征；根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。本技术在人体图像的聚档过程中，利用待聚档人体图像的人体特征结合属性特征，扩大了待聚档的人体图像的输入信息量以及利用扩大的输入信息量改进人体图像的聚档策略，从而提升人体图像聚档的准确率。
附图说明
39.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
40.图1是根据本技术实施例提供的人体图像的聚档方法的应用场景图；
41.图2是根据本技术实施例提供的人体图像的聚档方法的流程图一；
42.图3是根据本技术实施例提供的人体图像的聚档方法的流程图二；
43.图4是根据本技术实施例提供的人体图像的聚档装置的结构示意图；
44.图5是根据本技术实施例提供的计算机设备的结构示意图。
具体实施方式
45.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
46.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
47.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
48.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
49.图1为本技术一个实施例提供的人体图像的聚档方法的应用场景图。如图1 所示，服务器101与移动终端102之间均可以通过网络进行数据传输。其中，移动终端102用于采集待聚档的人体图像，并将待聚档的人体图像传输至服务器101中。在服务器101接收到该待聚档的人体图像后，获取每张待聚档的人体图像中的人体特征和属性特征；针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征；根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。其中，服务器101可以由独立的服务器或者是多个服务器组成的服务器集群来实现，移动终端102可以为摄像机、手机等图像采集设备。
50.本技术实施例提供了一种人体图像的聚档方法，可用于图像处理技术领域中的人体图像的聚档，如图2所示，该方法包括如下步骤：
51.步骤s210，获取每张待聚档的人体图像中的人体特征和属性特征，属性特征表征待聚档的人体图像中除人体特征表征的人体信息以外的其他属性信息。
52.上述待聚档的人体图像可以是摄像机或者照相机直接拍摄到的初始人体图像，或者是从人体图像库中获取到的初始人体图像。为了获得更好的聚档效果，可以对初始人体图像进行预处理操作，比如去噪及增强处理，进而得到待聚档的人体图像。
53.本技术中的人体特征表征人体图像中的人体信息，是对人体图像中的人体粗粒度
特征的表征，不大显眼的特征可能会被人体特征忽略，人体特征的表现形式是一个多维向量。属性特征是人体图像中的人体细粒度特征的表征，表征了人体图像中的人体具体的属性信息。进一步地，属性特征可以表征人体图像中除人体特征表征的人体信息以外的其他属性信息。属性特征可以是发型特征、帽子特征和衣服颜色特征中的一个或多个特征。无论是发型特征、帽子特征、衣服颜色特征都是能够区分不同人体的比较明显的属性特征，通过发型特征、帽子特征、衣服颜色特征中的一个或多个特征能够实现对不同人体的属性进行表征。
54.例如，人体特征表征的帽子的颜色是深色，而属性特征表征的帽子颜色是具体的颜色黑色。属性特征的表现形式也可以是一个多维向量。人体图像的属性信息和人体图像的属性特征一一对应。例如人体图像的属性信息是帽子颜色是黑色，但人体图像的属性特征是一个多维向量，经过解析可以知道表征的意思是帽子颜色是黑色。一个属性对应一个属性信息和一个属性特征。一般情况下，人体属性有多个，比如发型、帽子颜色和上衣颜色等等，所以人体图像对应的属性信息和属性特征也可以有多个。具体提取人体图像哪些属性特征，可以根据实际需求制定。待聚档的人体图像中的人体特征和属性特征都可以利用现有的神经网络进行提取。
55.步骤s220，针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征。
56.将人体特征和属性特征进行整合，让人体特征的元素和属性特征的元素之间产生关联性，得到每张待聚档的人体图像的聚类特征。经过整合操作后，聚类特征的表现形式是一个多维向量。具体地，可以先将每张待聚档的人体图像的人体特征和属性特征先拼接成一个长向量，再将长向量输入到现有的神经网络进行整合，得到每张待聚档的人体图像的最终的聚类特征。
57.步骤s230，根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。
58.具体地，对待聚档的人体图像两两之间进行聚类特征相似度的计算，可以根据余弦相似度算法进行计算，若在待聚档的人体图像的一个集合中，所有人体图像两两之间的聚类特征的相似度都超过第一设定阈值，则将这个集合中的所有人体图像聚合在一起，形成一个人体图像档案，最终所有的人体图像可以形成若干个人体图像档案。第一设定阈值可以根据实际需求进行调整。
59.相关技术中，只利用图片的特征来进行人体图像聚档，然而图片的特征信息容易受到各种环境因素的影响，在不同环境下，图片特征相似度会出现偏差，导致不同的人的相似度可能高于同一个人的相似度，从而导致容易出现聚档错误的问题。本技术通过上述步骤s210至s240，通过获取每张待聚档的人体图像中的人体特征和属性特征；针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征；根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。本技术在人体图像的聚档过程中，利用待聚档人体图像的人体特征集合属性特征，扩大了待聚档的人体图像的输入信息量以及利用扩大的输入信息量改进人体图像的聚档策略，从而提升人体图像聚档的准确率。
60.在其中一个实施例中，基于上述步骤s210获取每张待聚档的人体图像中的人体特
征和属性特征，包括以下步骤：
61.将每张待聚档的人体图像输入训练后的特征提取网络，得到每张待聚档的人体图像的人体特征；以及，将每张待聚档的人体图像输入训练后的属性识别网络，得到每张待聚档的人体图像的属性特征。
62.具体地，上述特征提取网络和属性识别网络是提前训练好的，可以直接用来提取待聚档的人体图像的人体特征和属性特征。为了保证人体特征和属性特征提取的准确性，特征提取网络和属性识别网络可以利用历史数据定时进行更新。
63.上述人体特征和属性特征的提取，还可以采用现有的机器学习技术实现。利用训练后的特征提取网络和属性识别网络提取待聚档的人体图像的人体特征和属性特征，可以保证人体特征和属性特征提取的准确性。
64.在其中一个实施例中，基于上述步骤s220针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征，包括以下步骤：
65.针对每张待聚档的人体图像，将其中的人体特征和属性特征输入训练后的全连接网络进行整合，得到每张待聚档的人体图像的聚类特征。
66.具体地，上述全连接网络是提前训练好的，可以直接用来对待聚档的人体图像的人体特征和属性特征进行整合。为了保证聚类特征获取的准确性，可以对该全连接网络定时进行更新。
67.对待聚档的人体图像的人体特征和属性特征进行整合，可以通过现有的信息整合技术实现，例如加权求和或神经网络。本实施例中利用训练后的全连接网络整合待聚档的人体图像的人体特征和属性特征，可以保证聚类特征获取的准确性。
68.如图3所示，在其中一个实施例中，基于上述步骤s230根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案，包括以下步骤：
69.步骤s231，根据每张待聚档的人体图像的拍摄地点，将多张待聚档的人体图像划分成多个同地点图像集；根据位于同一个同地点图像集中的待聚档的人体图像的聚类特征之间的相似度，对每个同地点图像集中的多张待聚档的人体图像进行聚类，得到多个初始档案。
70.具体地，现有的相机在抓拍人体图像的时候就可以将拍摄地点显示在人体图像上，所以在获取待聚档的人体图像的同时，就可以获取到待聚档的人体图像的拍摄地点。在待聚档的人体图像未显示拍摄地点的情况下，也可以通过待聚档的人体图像的显示内容读取人体图像的拍摄地点。根据拍摄地点的不同，将待聚档的人体图像划分成多个同地点图像集。对同一个同地点图像集中的待聚档的人体图像两两之间进行聚类特征相似度的计算，可以根据余弦相似度算法进行计算，若在待聚档的人体图像的一个集合中，所有待聚档的人体图像两两之间的聚类特征的相似度都超过第二设定阈值，则将这个集合中的所有待聚档的人体图像进行聚类，形成一个初始档案，最终所有待聚档的人体图像可以形成若干个初始档案。第二设定阈值可以根据实际需求进行调整。
71.步骤s232，根据初始档案中的人体图像的属性特征，确定多个初始档案中的每个初始档案的档案属性。
72.如果当前初始档案内的所有待聚档的人体图像的同一属性的属性特征都相同，则
将该属性特征作为当前初始档案该属性的档案属性；如果当前初始档案内的所有待聚档的人体图像的同一属性的属性特征不完全相同，则其中占多数的属性特征作为当前初始档案该属性的档案属性。
73.作为另一种可实施方式，还可以根据初始档案中的人体图像的属性信息，确定多个初始档案中的每个初始档案的档案属性。现有的相机在抓拍人体图像的时候就可以将属性信息显示在人体图像上，所以在获取待聚档的人体图像的同时，就可以获取到待聚档的人体图像的属性信息。在待聚档的人体图像未显示属性信息的情况下，也可以通过待聚档的人体图像的显示内容读取人体图像的属性信息。如果当前初始档案内的所有待聚档的人体图像的同一属性的属性信息都相同，则将该属性信息作为当前初始档案该属性的档案属性；如果当前初始档案内的所有待聚档的人体图像的同一属性的属性信息不完全相同，则其中占多数的属性信息作为当前初始档案该属性的档案属性。
74.步骤s233，将具有相同的档案属性的多个初始档案进行聚类，形成同属性档案集。
75.具体地，在多个初始档案的档案属性相同的情况下，将多个初始档案进行聚类，形成同属性档案集。
76.步骤s234，在同属性档案集中，根据多个初始档案之间的相似度，将多个初始档案进行合并，得到人体图像档案。
77.在同属性档案集的各个初始档案之间，对各个档案中的待聚档的人体图像进行聚类特征之间的相似度的计算。例如，第一个初始档案与第二个初始档案的档案属性相同，第一个初始档案中有人体图像1、2、3，第二个初始档案中有人体图像11、12、13，那么将人体图像1分别与人体图像11、12、13计算聚类特征的相似度，将人体图像2分别与人体图像11、12、13计算聚类特征的相似度，将人体图像3分别与人体图像11、12、13计算聚类特征的相似度，得到9 个聚类特征的相似度，在这9个聚类特征的相似度的最大值超过第三设定阈值的情况下，将第一个初始档案和第二个初始档案进行合并。根据合并结果，可以得到若干个人体图像档案。第三设定阈值可以根据实际需求进行调整。
78.上述步骤s231至s234，通过对不同拍摄地点的档案进行了合档操作，有效降低了同一个人的人体图像被聚成多个人体图像档案的概率。
79.在其中一个实施例中，在步骤s234在同属性档案集中，根据多个初始档案之间的相似度，将多个初始档案进行合并，得到人体图像档案之后，人体图像的聚档方法还包括以下步骤：
80.步骤s235，遍历人体图像档案内的每张人体图像，若存在人体图像的属性特征与其所在的人体图像档案的档案属性不相符的情况，则将该人体图像从所在的人体图像档案中剔除，保存至零散图像集。
81.由于人体图像的属性信息与属性特征一一对应，还可以在判断某一人体图像的属性信息与其所在的人体图像档案的档案属性不相符的情况下，将该人体图像从所在的人体图像档案中剔除，从而保证同一个人体图像档案中的所有人体图像的属性信息即属性特征相同，有效提高聚档的准确率。
82.在其中一个实施例中，在步骤s230根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案之后，人体图像的聚档方法还包括以下步骤：
83.遍历人体图像档案内的每张人体图像，若人体图像档案中的人体图像之间存在时空逻辑冲突，则根据当前存在时空冲突的人体图像与当前人体图像档案中其他的人体图像的聚类特征之间的相似度，将存在时空逻辑冲突的两张人体图像中的其中一张人体图像从人体图像档案中剔除，保存至零散图像集。
84.具体地，现有的相机在抓拍人体图像的时候就可以将抓拍时间显示在人体图像上，所以在获取待聚档的人体图像的同时，就可以获取到待聚档的人体图像的抓拍时间。在待聚档的人体图像未显示抓拍时间的情况下，也可以通过待聚档的人体图像的保存时间读取人体图像的抓拍时间。两张人体图像的时间间隔小于设定的时间阈值且空间距离大于设定的空间阈值，则称这两张人体图像存在时空逻辑冲突。在同一个人体图像档案中，若任意两张人体图像之间存在时空逻辑冲突的情况下，计算这两张人体图像与所在的人体图像档案中的其他人体图像的聚类特征之间的相似度，将与所在的人体图像档案中的其他人体图像聚类特征之间的相似度的平均值较小的人体图像，从所在的人体图像档案中剔除，保存到零散图像集。设定的时间阈值和设定的空间阈值可以根据实际需求进行调整。
85.通过将存在时空逻辑冲突的人体图像从当前人体图像档案中剔除，可以进一步提高聚档的准确率。
86.在其中一个实施例中，本技术实施例提供的人体图像的聚档方法还包括以下步骤：在人体图像档案仅存在一张人体图像的情况下，将人体图像从人体图像档案中剔除，保存至零散图像集。
87.具体地，在当前人体图像档案仅存在一张人体图像的情况下，当前人体图像档案就没有存在的必要，所以人体图像从当前人体图像档案中剔除，保存至零散图像集，为后续处理做准备。
88.进一步地，本技术实施例提供的人体图像的聚档方法还包括以下步骤：
89.计算零散图像集中的每张人体图像与其同属性的人体图像档案中的每张人体图像的聚类特征之间的相似度。
90.上述同属性指的是人体图像的属性特征与人体图像档案的档案属性相同。在零散图像集中的任一张人体图像与其同属性的人体图像档案中的所有的人体图像的聚类特征之间的相似度的平均值，超过设定相似度阈值，且零散图像集中的该人体图像与其同属性的人体图像档案中的所有的人体图像之间不存在时空逻辑冲突的情况下，将零散图像集中的该人体图像合并到人体图像档案中。
91.具体地，若存在多个人体图像档案的档案属性与当前零散图像中的人体图像的属性特征相同，那么计算当前零散图像中的人体图像与同属性的多个人体图像档案中的人体图像的聚类特征之间的相似度的平均值，将这些平均值与设定相似度阈值进行比较，若存在多个平均值超过设定相似度阈值，将平均值从大道小排序，按照此顺序，验证当前零散图像中的人体图像与对应的人体图像档案中的所有的人体图像之间是否存在时空逻辑冲突，在当前零散图像中的人体图像与当前人体图像档案中的所有的人体图像之间不存在时空逻辑冲突的情况下，将当前零散图像中的人体图像合并到当前人体图像档案中。设定相似度阈值可以根据实际需求进行调整。
92.上述步骤通过增加对零散图像集中的人体图像的处理步骤，提高零散图像集中的人体图像的利用率。
93.进一步地，本技术实施例提供的人体图像的聚档方法还包括以下步骤：
94.将零散图像集中具有相同的属性特征且不存在时空逻辑冲突的多张人体图像进行聚类，形成多个同属性图像集；
95.根据位于同一个同属性图像集中的多张人体图像的聚类特征之间的相似度，对每个同属性图像集中的多张人体图像进行聚类，形成零散档案。
96.具体地，将属性特征相同且不存在时空冲突的零散图像集中的人体图像进行聚类形成多个同属性图像集，对同一个同属性图像集中的人体图像两两之间进行聚类特征之间相似度的计算，可以根据余弦相似度算法进行计算。若在人体图像的一个集合中，所有人体图像两两之间的聚类特征的相似度都超过设定阈值，则将这个集合中的所有人体图像进行聚类，形成一个零散档案，最终所有零散图像集中的人体图像可以形成若干个零散档案。设定阈值可以根据实际需求进行调整。
97.上述步骤通过增加对零散图像集中的人体图像的处理，进一步提高零散图像集中的人体图像的利用率。
98.在其中一个实施例中，属性特征包括：发型特征、帽子特征和衣服颜色特征中的一个或多个特征。
99.无论是发型特征、帽子特征、衣服颜色特征都是能够区分不同人体的比较明显的属性特征，通过发型特征、帽子特征、衣服颜色特征中的一个或多个特征能够实现对不同人体的属性进行表征。
100.在本实施例中还提供了一种人体图像的聚档方法，该流程包括如下步骤：
101.步骤s310，获取待聚档的人体图像。
102.步骤s311，将待聚档的人体图像输入训练后的特征提取网络，得到待聚档的人体图像的人体特征；将待聚档的人体图像输入训练后的属性识别网络，得到待聚档的人体图像的属性特征，属性特征表征人体图像中除人体特征表征的人体信息以外的其他属性信息。
103.步骤s312，将人体特征和属性特征，输入训练后的全连接网络进行整合，得到聚类特征。
104.步骤s313，根据待聚档的人体图像的拍摄地点，将待聚档的人体图像划分成若干个图像集；同一个图像集中的图像的拍摄地点相同。
105.步骤s314，基于聚类特征之间的相似度，对每个图像集进行聚类，得到若干个初始档案。
106.步骤s315，根据初始档案中待聚档的人体图像的属性特征，确定初始档案的档案属性。
107.步骤s316，根据初始档案的档案属性，对初始档案进行聚类，形成同属性档案集；在同属性档案集中，根据初始档案之间的相似度将初始档案进行合并，得到若干个第一档案。
108.步骤s317，遍历每个第一档案内的人体图像，若存在人体图像的属性特征与其所在的第一档案的档案属性不相符的情况，则将该人体图像从所在的第一档案中剔除，保存至零散图像集。
109.步骤s318，遍历每个第一档案内的人体图像，若第一档案中的任意两张人体图像
之间存在时空逻辑冲突的情况下，基于聚类特征之间的相似度，将存在时空逻辑冲突的两张人体图像中的其中一张人体图像，从所在的第一档案中剔除，保存至零散图像集。
110.步骤s319，在第一档案仅存在一张人体图像的情况下，将人体图像从第一档案中剔除，保存至零散图像集。
111.步骤s320，遍历零散图像集中的零散图像，获取与每个零散图像的属性特征相同的第一档案，并计算零散图像与同属性的第一档案中的人体图像的聚类特征之间的相似度。
112.步骤s321，在零散图像与同属性的第一档案中的人体图像的聚类特征之间的相似度的平均值超过设定相似度阈值，且零散图像与同属性特征的第一档案中的所有的人体图像之间不存在时空逻辑冲突的情况下，将零散图像合并到第一档案中。
113.步骤s322，将属性特征相同且不存在时空冲突的零散图像合并在一起，并基于聚类特征之间的相似度，对合并后的零散图像集进行聚类，形成若干个第二档案。
114.图4是根据本发明实施例中人体图像的聚档装置的示意图，如图4所示，提供了一种人体图像的聚档装置40，该装置包括第一获取模块41、第二获取模块42和聚档模块43，其中：
115.第一获取模块41，用于获取每张待聚档的人体图像中的人体特征和属性特征，属性特征表征待聚档的人体图像中除人体特征表征的人体信息以外的其他属性信息；
116.第二获取模块42，用于针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征；
117.聚档模块43，用于根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。
118.上述人体图像的聚档装置40，通过获取每张待聚档的人体图像中的人体特征和属性特征；针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征；根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。本技术在人体图像的聚档过程中，利用待聚档人体图像的人体特征结合属性特征，扩大了待聚档的人体图像的输入信息量以及利用扩大的输入信息量改进人体图像的聚档策略，从而提升人体图像聚档的准确率。
119.在其中一个实施例中，第一获取模块41还用于将每张待聚档的人体图像输入训练后的特征提取网络，得到每张待聚档的人体图像的人体特征；以及，将每张待聚档的人体图像输入训练后的属性识别网络，得到每张待聚档的人体图像的属性特征。
120.在其中一个实施例中，第二获取模块42还用于针对每张待聚档的人体图像，将其中的人体特征和属性特征输入训练后的全连接网络进行整合，得到每张待聚档的人体图像的聚类特征。
121.在其中一个实施例中，聚档模块43还用于根据每张待聚档的人体图像的拍摄地点，将多张待聚档的人体图像划分成多个同地点图像集；根据位于同一个同地点图像集中的待聚档的人体图像的聚类特征之间的相似度，对每个同地点图像集中的多张待聚档的人体图像进行聚类，得到多个初始档案；
122.根据初始档案中的人体图像的属性特征，确定多个初始档案中的每个初始档案的档案属性；
123.将具有相同的档案属性的多个初始档案进行聚类，形成同属性档案集；
124.在同属性档案集中，根据多个初始档案之间的相似度，将多个初始档案进行合并，得到人体图像档案。
125.在其中一个实施例中，人体图像的聚档装置40还包括第一剔除模块，用于在同属性档案集中，根据多个初始档案之间的相似度，将多个初始档案进行合并，得到人体图像档案之后，遍历人体图像档案内的每张人体图像，若存在人体图像的属性特征与其所在的人体图像档案的档案属性不相符的情况，则将该人体图像从所在的人体图像档案中剔除，保存至零散图像集。
126.在其中一个实施例中，人体图像的聚档装置40还包括第二剔除模块，用于在根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案之后，遍历人体图像档案内的每张人体图像，若人体图像档案中的人体图像之间存在时空逻辑冲突，则根据当前存在时空冲突的人体图像与当前人体图像档案中其他的人体图像的聚类特征之间的相似度，将存在时空逻辑冲突的两张人体图像中的其中一张人体图像从人体图像档案中剔除，保存至零散图像集。
127.在其中一个实施例中，人体图像的聚档装置40还包括第三剔除模块，用于在人体图像档案仅存在一张人体图像的情况下，将人体图像从人体图像档案中剔除，保存至零散图像集。
128.在其中一个实施例中，人体图像的聚档装置40还包括合并模块，用于计算零散图像集中的每张人体图像与其同属性的人体图像档案中的每张人体图像的聚类特征之间的相似度；
129.在零散图像集中的任一张人体图像与其同属性的人体图像档案中的所有的人体图像的聚类特征之间的相似度的平均值，超过设定相似度阈值，且零散图像集中的该人体图像与其同属性的人体图像档案中的所有的人体图像之间不存在时空逻辑冲突的情况下，将零散图像集中的该人体图像合并到人体图像档案中。
130.在其中一个实施例中，人体图像的聚档装置40还包括零散档案模块，用于将零散图像集中具有相同的属性特征且不存在时空逻辑冲突的多张人体图像进行聚类，形成多个同属性图像集；
131.根据位于同一个同属性图像集中的多张人体图像的聚类特征之间的相似度，对每个同属性图像集中的多张人体图像进行聚类，形成零散档案。
132.在其中一个实施例中，属性特征包括：发型特征、帽子特征和衣服颜色特征中的一个或多个特征。
133.需要说明地是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件实现，也可以通过硬件来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
134.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据
库。该存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设配置信息集合。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述人体图像的聚档方法。
135.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人体图像的聚档方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
136.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
137.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
138.获取每张待聚档的人体图像中的人体特征和属性特征，属性特征表征待聚档的人体图像中除人体特征表征的人体信息以外的其他属性信息；
139.针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征；
140.根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。
141.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
142.将每张待聚档的人体图像输入训练后的特征提取网络，得到每张待聚档的人体图像的人体特征；以及，将每张待聚档的人体图像输入训练后的属性识别网络，得到每张待聚档的人体图像的属性特征。
143.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
144.针对每张待聚档的人体图像，将其中的人体特征和属性特征输入训练后的全连接网络进行整合，得到每张待聚档的人体图像的聚类特征。
145.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
146.根据每张待聚档的人体图像的拍摄地点，将多张待聚档的人体图像划分成多个同地点图像集；根据位于同一个同地点图像集中的待聚档的人体图像的聚类特征之间的相似度，对每个同地点图像集中的多张待聚档的人体图像进行聚类，得到多个初始档案；
147.根据初始档案中的人体图像的属性特征，确定多个初始档案中的每个初始档案的档案属性；
148.将具有相同的档案属性的多个初始档案进行聚类，形成同属性档案集；
149.在同属性档案集中，根据多个初始档案之间的相似度，将多个初始档案进行合并，得到人体图像档案。
150.在一个实施例中，在同属性档案集中，根据多个初始档案之间的相似度，将多个初始档案进行合并，得到人体图像档案之后，处理器执行计算机程序时还实现以下步骤：
151.遍历人体图像档案内的每张人体图像，若存在人体图像的属性特征与其所在的人体图像档案的档案属性不相符的情况，则将该人体图像从所在的人体图像档案中剔除，保存至零散图像集。
152.在一个实施例中，在根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案之后，处理器执行计算机程序时还实现以下步骤：
153.遍历人体图像档案内的每张人体图像，若人体图像档案中的人体图像之间存在时空逻辑冲突，则根据当前存在时空冲突的人体图像与当前人体图像档案中其他的人体图像的聚类特征之间的相似度，将存在时空逻辑冲突的两张人体图像中的其中一张人体图像从人体图像档案中剔除，保存至零散图像集。
154.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
155.在人体图像档案仅存在一张人体图像的情况下，将人体图像从人体图像档案中剔除，保存至零散图像集。
156.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
157.计算零散图像集中的每张人体图像与其同属性的人体图像档案中的每张人体图像的聚类特征之间的相似度；
158.在零散图像集中的任一张人体图像与其同属性的人体图像档案中的所有的人体图像的聚类特征之间的相似度的平均值，超过设定相似度阈值，且零散图像集中的该人体图像与其同属性的人体图像档案中的所有的人体图像之间不存在时空逻辑冲突的情况下，将零散图像集中的该人体图像合并到人体图像档案中。
159.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
160.将零散图像集中具有相同的属性特征且不存在时空逻辑冲突的多张人体图像进行聚类，形成多个同属性图像集；
161.根据位于同一个同属性图像集中的多张人体图像的聚类特征之间的相似度，对每个同属性图像集中的多张人体图像进行聚类，形成零散档案。
162.在一个实施例中，属性特征包括：发型特征、帽子特征和衣服颜色特征中的一个或多个特征。
163.上述存储介质，通过获取每张待聚档的人体图像中的人体特征和属性特征；针对每张待聚档的人体图像，将其中的人体特征和属性特征进行整合，得到每张待聚档的人体图像的聚类特征；根据多张待聚档的人体图像的聚类特征之间的相似度，对多张待聚档的人体图像进行聚类，形成人体图像档案。本技术在人体图像的聚档过程中，利用待聚档人体图像的人体特征结合属性特征，扩大了待聚档的人体图像的输入信息量以及利用扩大的输入信息量改进人体图像的聚档策略，从而提升人体图像聚档的准确率。
164.应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本技术提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本技术保护范围。
165.显然，附图只是本技术的一些例子或实施例，对本领域的普通技术人员来说，也可
以根据这些附图将本技术适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本技术披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本技术公开的内容不足。
[0166]“实施例”一词在本技术中指的是结合实施例描述的具体特征、结构或特性可以包括在本技术的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本技术中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
[0167]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。