一种人物图像聚类方法及装置与流程

技术特征：
1.一种人物图像聚类方法，其特征在于，包括：获得多个卡口各自的卡口特征，其中一个卡口的卡口特征用于描述所述一个卡口自身的位置、以及所述一个卡口与所述多个卡口中除了所述一个卡口之外的其他卡口之间的位置关系；分别基于获得的多个卡口特征，确定所述多个卡口各自在自组织映射网络中对应的优胜神经元，其中一个卡口对应的优胜神经元为所述自组织映射网络包含的多个神经元中与所述一个卡口的卡口特征之间的相似度最大的一个神经元；基于所述多个卡口各自对应的优胜神经元，分别确定所述多个卡口所属的簇；对属于同一个簇内的卡口在预设时间段内对应的人物图像进行聚类，得到聚类结果。2.如权利要求1所述的方法，其特征在于，获得多个卡口各自的卡口特征，包括：获取所述多个卡口各自的卡口数据，所述卡口数据包括卡口的位置数据、以及卡口与所述多个卡口中的其他卡口之间的路径数据；分别对获取的多个卡口数据，执行以下步骤：对所述多个卡口中的一个卡口的卡口数据进行主成分分析，获得所述一个卡口的卡口特征。3.如权利要求2所述的方法，其特征在于，获取所述多个卡口各自的卡口数据，包括：接收所述多个卡口各自的位置数据；分别对所述多个卡口执行以下操作：以多个卡口中的一个卡口的位置为中心，以预设半径为搜索半径，搜索所述一个卡口与其他卡口中每个卡口之间的步行路径，所述其他卡口是指所述多个卡口中除了所述一个卡口之外的卡口；基于搜索的步行路径，确定所述一个卡口分别与所述其他卡口之间的路径数据。4.如权利要求1所述的方法，其特征在于，分别基于获得的多个卡口特征，确定所述多个卡口各自在自组织映射网络中对应的优胜神经元，包括：对所述多个卡口特征，分别执行至少一次迭代操作，其中一次迭代操作包括以下过程：确定所述多个卡口中的一个卡口的卡口特征分别与所述多个神经元各自的权重之间的第一相似度，将取值最大的第一相似度对应的神经元作为优胜神经元；基于邻域半径，确定在所述优胜神经元邻域内的至少一个神经元；基于所述优胜神经元与所述至少一个神经元各自的距离以及学习率，分别更新所述至少一个神经元各自的权重；对邻域半径和学习率进行更新；直到所述自组织映射网络满足预设终止条件，则将最后一次迭代操作获得的优胜神经元作为所述一个卡口对应的优胜神经元。5.如权利要求4所述的方法，其特征在于，对邻域半径和学习率进行更新，包括：按照预设第一速率，对所述自组织映射网络的学习率进行更新；以及，按照预设第二速率，对所述自组织映射网络的邻域半径进行更新；若更新后的学习率小于或等于预设学习率，和/或确定对所述一个卡口的卡口特征进行迭代操作次数满足预设次数，则确定所述自组织映射网络满足所述预设终止条件。6.如权利要求1-5任一项所述的方法，其特征在于，基于所述多个卡口各自对应的优胜神经元，分别确定所述多个卡口所属的簇，包括：
将对应同一个优胜神经元的卡口归属为同一个簇。7.如权利要求1-5任一项所述的方法，其特征在于，将对应同一个优胜神经元的卡口归属为同一个簇，包括：若对应同一个优胜神经元的卡口的总数量大于或等于第一预设数量，且小于或等于第二预设数量，则将对应同一个优胜神经元的卡口归属为同一个簇，其中，所述第一预设数量小于所述第二预设数量。8.如权利要求7所述的方法，其特征在于，将对应同一个优胜神经元的卡口归属为同一个簇，还包括：若对应同一个优胜神经元的卡口的总数量小于所述第一预设数量，则将对应所述同一个优胜神经元的卡口，以及对应与所述同一个优胜神经元的相邻的优胜神经元的卡口均归属为同一个簇；若对应同一个优胜神经元的卡口的总数量大于所述第二预设数量，则将对应所述同一个优胜神经元的卡口划分归属为至少两个簇，其中，所述至少两个簇中每个簇包括的卡口的总数量大于或等于所述第一预设数量且小于或等于所述第二预设数量。9.一种人物图像聚类装置，其特征在于，包括：获得模块，用于获得多个卡口各自的卡口特征，其中一个卡口的卡口特征用于描述所述一个卡口自身的位置、以及所述一个卡口与所述多个卡口中除了所述一个卡口之外的其他卡口之间的位置关系；确定模块，用于分别基于获得的多个卡口特征，确定所述多个卡口各自在自组织映射网络中对应的优胜神经元，其中一个卡口对应的优胜神经元为所述自组织映射网络包含的多个神经元中与所述一个卡口的卡口特征之间的相似度最大的一个神经元，以及基于所述多个卡口各自对应的优胜神经元，分别确定所述多个卡口所属的簇；聚类模块，用于对属于同一个簇内的卡口在预设时间段内对应的人物图像进行聚类，得到聚类结果。10.如权利要求9所述的装置，其特征在于，所述确定模块具体用于：对所述多个卡口特征，分别执行至少一次迭代操作，其中一次迭代操作包括以下过程：确定所述多个卡口中的一个卡口的卡口特征分别与所述多个神经元各自的权重之间的第一相似度，将取值最大的第一相似度对应的神经元作为优胜神经元；基于邻域半径，确定在所述优胜神经元邻域内的至少一个神经元；基于所述优胜神经元与所述至少一个神经元各自的距离以及学习率，分别更新所述至少一个神经元各自的权重；对邻域半径和学习率进行更新；直到所述自组织映射网络满足预设终止条件，则将最后一次迭代操作获得的优胜神经元作为所述一个卡口对应的优胜神经元。11.一种人物图像聚类设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-8任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1-8任一项所述的方法。

技术总结
本申请提供了一种人物图像聚类方法及装置，涉及图像聚类技术领域，用于提高人物图像聚类的准确性。该人物图像聚类方法中，利用自组织映射网络对卡口的多方面的属性特征进行处理，从而确定卡口对应的优胜神经元，利用多个卡口各自所属的优胜神经元，从而确定多个卡口所属的簇，如此提供了一种对人物图像进行空域聚类的方式，由于多个卡口的聚类结果并不受人物图像质量的影响，从而提高了卡口聚类的可靠性，也就提高了人物图像聚类的可靠性。也就提高了人物图像聚类的可靠性。也就提高了人物图像聚类的可靠性。


技术研发人员：张阳 高圣兴 陈立力 周明伟
受保护的技术使用者：浙江大华技术股份有限公司
技术研发日：2021.11.22
技术公布日：2022/3/7