目标聚类方法、目标聚类装置以及计算机存储介质与流程

本申请涉及目标聚类，特别是涉及一种目标聚类方法、目标聚类装置以及计算机存储介质。

背景技术：

1、聚类(clustering)是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。

2、现有的聚类算法，如knn（k-nearest neighbors，k近邻法）算法对于新的输入实例，在训练数据集中找到与该实例最邻近的k个实例（即k个邻居），这k个实例的多数属于某个类，就把该输入实例分类到这个类中。knn算法的k值是提前预设的，对于所有新输入的实例均通过k值进行邻居实例搜索，不考虑实际的相似度情况，导致k个邻居实例中可能存在相似度较低的实例，或者缺少相似度较高的实例，导致聚类效果不佳。‌

技术实现思路

1、为解决上述技术问题，本申请提出了一种目标聚类方法、目标聚类装置以及计算机存储介质。

2、为解决上述技术问题，本申请提出了一种目标聚类方法，所述目标聚类方法包括：

3、获取多张目标图像；

4、提取每一目标图像的高性能特征和低性能特征，其中，所述高性能特征的特征分辨率高于所述低性能特征的特征分辨率；

5、利用所有目标图像的高性能特征和/或低性能特征，获取所述每一目标图像的权重；

6、按照所述每一目标图像的权重，确定相邻数量对应的相邻图像；

7、调整所述每一目标图像与所述每一目标图像的相邻图像以外的其他图像的相似度；

8、对调整相似度后的所有目标图像进行聚类，获取每一目标的图像集。

9、其中，所述利用所有目标图像的高性能特征和/或低性能特征，获取所述每一目标图像的权重，包括：

10、获取所述每一目标图像的高性能特征，与其他目标图像的高性能特征的第一特征相似度；

11、按照所述第一特征相似度，获取所述每一目标图像的特征重要值；

12、按照所述每一目标图像的特征重要值，确定所述每一目标图像的权重。

13、其中，所述特征重要值为所述第一特征相似度对应的直方图的峰度，和/或偏度。

14、其中，所述利用所有目标图像的高性能特征和/或低性能特征，获取所述每一目标图像的权重，包括：

15、利用所述每一目标图像的高性能特征获取所述每一目标图像的热力图；

16、获取所述热力图中高于预设阈值的像素点数量；

17、根据所述像素点数量，确定所述每一目标图像的有效激活值占比；

18、按照所述每一目标图像的有效激活值占比，确定所述每一目标图像的权重。

19、其中，所述利用所有目标图像的高性能特征和/或低性能特征，获取所述每一目标图像的权重，包括：

20、获取所述每一目标图像的高性能特征与低性能特征的第二特征相似度；

21、按照所述每一目标图像的第二特征相似度，确定所述每一目标图像的权重。

22、其中，所述按照所述每一目标图像的权重，确定相邻数量对应的相邻图像，包括：

23、获取预设邻居数量；

24、将所述每一目标图像的权重与所述预设邻居数量计算，确定所述每一目标图像的相邻数量；

25、将所述每一目标图像与其他目标图像的第三特征相似度进行排序，得到排序结果；

26、按照所述相邻数量从所述排序结果确定所述每一目标图像对应的相邻图像。

27、其中，所述调整所述每一目标图像与所述每一目标图像的相邻图像以外的其他图像的相似度，包括：

28、保留所述每一目标图像与所述每一目标图像的相邻图像的特征相似度；

29、将所述每一目标图像与所述每一目标图像的相邻图像以外的其他图像的相似度修改为预设值。

30、为解决上述技术问题，本申请还提出一种目标聚类装置，所述目标聚类装置包括图像获取模块、特征提取模块、权重计算模块、图像确定模块、相似度计算模块，以及目标聚类模块；其中，

31、所述图像获取模块，用于获取多张目标图像；

32、所述特征提取模块，用于提取每一目标图像的高性能特征和低性能特征，其中，所述高性能特征的特征分辨率高于所述低性能特征的特征分辨率；

33、所述权重计算模块，用于利用所有目标图像的高性能特征和/或低性能特征，获取所述每一目标图像的权重；

34、所述图像确定模块，用于按照所述每一目标图像的权重，确定相邻数量对应的相邻图像；

35、所述相似度计算模块，用于调整所述每一目标图像与所述每一目标图像的相邻图像以外的其他图像的相似度；

36、所述目标聚类模块，用于对调整相似度后的所有目标图像进行聚类，获取每一目标的图像集。

37、为解决上述技术问题，本申请还提出另一种目标聚类装置，所述目标聚类装置包括存储器以及与所述存储器耦接的处理器；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的目标聚类方法。

38、为解决上述技术问题，本申请还提出一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现上述的目标聚类方法。

39、与现有技术相比，本申请的有益效果是：目标聚类装置获取多张目标图像；提取每一目标图像的高性能特征和低性能特征，其中，所述高性能特征的特征分辨率高于所述低性能特征的特征分辨率；利用所有目标图像的高性能特征和/或低性能特征，获取所述每一目标图像的权重；按照所述每一目标图像的权重，确定相邻数量对应的相邻图像；调整所述每一目标图像与所述每一目标图像的相邻图像以外的其他图像的相似度；对调整相似度后的所有目标图像进行聚类，获取每一目标的图像集。通过上述目标聚类方法，对目标特征进行排序进行相似度调整后，根据调整后的相似度进行目标聚类，提高目标聚类效果。

技术特征：

1.一种目标聚类方法，其特征在于，所述目标聚类方法包括：

2.根据权利要求1所述的目标聚类方法，其特征在于，

3.根据权利要求2所述的目标聚类方法，其特征在于，

4.根据权利要求1所述目标聚类方法，其特征在于，

5.根据权利要求1所述的目标聚类方法，其特征在于，

6.根据权利要求1所述的目标聚类方法，其特征在于，

7.根据权利要求1至6任一项所述的目标聚类方法，其特征在于，

8.一种目标聚类装置，其特征在于，所述目标聚类装置包括图像获取模块、特征提取模块、权重计算模块、图像确定模块、相似度计算模块，以及目标聚类模块；其中，

9.一种目标聚类装置，其特征在于，所述目标聚类装置包括存储器以及与所述存储器耦接的处理器；

10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被计算机执行时，用以实现如权利要求1至7任一项所述的目标聚类方法。

技术总结
本申请提出一种目标聚类方法、目标聚类装置以及计算机存储介质。所述目标聚类方法包括：获取多张目标图像；提取每一目标图像的高性能特征和低性能特征，其中，所述高性能特征的特征分辨率高于所述低性能特征的特征分辨率；利用所有目标图像的高性能特征和/或低性能特征，获取所述每一目标图像的权重；按照所述每一目标图像的权重，确定相邻数量对应的相邻图像；调整所述每一目标图像与所述每一目标图像的相邻图像以外的其他图像的相似度；对调整相似度后的所有目标图像进行聚类，获取每一目标的图像集。通过上述目标聚类方法，对目标特征进行排序进行相似度调整后，根据调整后的相似度进行目标聚类，提高目标聚类效果。

技术研发人员：朱益铭,叶芳,唐邦杰,潘华东,殷俊
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：
技术公布日：2024/9/23