[发明专利]目标图像的聚类方法、装置、电子设备和计算机可读介质

说明书

本申请提供了一种目标图像的聚类方法、装置、电子设备和计算机可读介质方法，属于图像技术领域。方法包括：将获取到的目标图像输入特征提取模型，得到特征提取模型输出的目标图像的特征矩阵；通过第一聚类方案对特征矩阵进行处理，得到特征矩阵中的孤立向量；在孤立向量的数量与区块的数量的比值不位于预设数值区间中的情况下，调整所述第一聚类方案中的转移概率值，直至所述孤立向量的数量与区块的数量的比值位于所述预设数值区间中，其中，所述转移概率值应用在所述特征矩阵的处理过程中。本申请提高聚类的准确性。

技术领域

本申请涉及图像技术领域，尤其涉及一种目标图像的聚类方法、装置、电子设备和计算机可读介质。

背景技术

人脸聚类是一种面向未知(未注册)批量人脸数据，为每个个体分配ID的技术手段。在有用户频繁到访的场所中，比如汽车4S店、餐厅、酒店等公共场所，可以使用监控视频采集到访用户的脸部信息，并处理成特征向量保存成特征矩阵，然后从该特征矩阵中查找出频繁到访用户的特征并赋予其独立的ID，等该ID等待用户再次到访时，可以快速感知并预先准备提供该用户需要的服务。

目前一般采用聚类算法对人脸进行分类，聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类算法以同一个用户的脸部图片的相似性为基础，对人脸进行分类，同一个聚类中的人脸特征比不在同一聚类中的人脸特征之间具有更多的相似性。但由于聚类算法属于一种无监督学习，其聚类结果不可知，无法判断最终聚类效果，因此也无法提高聚类准确度。

发明内容

本申请实施例的目的在于提供一种目标图像的聚类方法、装置、电子设备和计算机可读介质，以解决聚类准确度低的问题。具体技术方案如下：

第一方面，提供了一种目标图像的聚类方法，所述方法包括：

将获取到的目标图像输入特征提取模型，得到所述特征提取模型输出的所述目标图像的特征矩阵，其中，所述特征矩阵中包含每个所述目标图像的特征向量；

通过第一聚类方案对所述特征矩阵进行处理，得到所述特征矩阵中的孤立向量，其中，所述处理后的特征矩阵中包含多个区块，每个区块中包括至少一个特征向量，每个所述区块表示目标图像的一种类型，每个所述特征向量表示一个目标图像，所述孤立向量表示所述区块中有且仅有一个向量；

在所述孤立向量的数量与区块的数量的比值不位于预设数值区间中的情况下，调整所述第一聚类方案中的转移概率值，直至所述孤立向量的数量与区块的数量的比值位于所述预设数值区间中，其中，所述转移概率值应用在所述特征矩阵的处理过程中。

可选地，所述通过所述第一聚类方案对所述特征矩阵进行处理，得到所述特征矩阵中的孤立向量包括：

通过第二聚类方案确定所述特征矩阵中每个特征向量的多个最近邻近点；

根据所述多个最近邻近点将所述特征矩阵划分为不同区块，得到最近邻矩阵；

通过所述第一聚类方案对所述最近邻矩阵进行处理，得到所述最近邻矩阵中的孤立向量。

可选地，在调整所述第一聚类方案中的转移概率值，直至所述孤立向量的数量与区块的数量的比值位于所述预设数值区间中之后，所述方法还包括：

根据调整后的孤立向量和区块生成目标矩阵，其中，所述目标矩阵包括多个区块，每个所述区块对应至少一个特征向量；

将所述区块和所述区块对应的特征向量存入特征索引库中。

可选地，将所述区块和所述区块对应的特征向量存入特征索引库中之后，所述方法还包括：

确定所述目标矩阵中的孤立向量和所述孤立向量对应的第一图像；

对所述第一图像进行数据增强得到第二图像，并通过深度学习方案提取所述第二图像中的图像向量；