[發(fā)明專利]特征聚類方法、數(shù)據(jù)庫更新方法、電子設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011530197.1
• 申請日: 2020-12-22
• 公開（公告）號: CN112560731B
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計）人: 蔡嘯;肖瀟;章勇
• 申請（專利權(quán)）人: 蘇州科達科技股份有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/44;G06V10/74;G06V10/762;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京三聚陽光知識產(chǎn)權(quán)代理有限公司 11250
• 代理人: 張琳琳

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及特征聚類方法、數(shù)據(jù)庫更新方法及裝置，所述特征聚類方法包括獲取各個待聚類特征；基于各個待聚類特征，確定第一權(quán)重圖，第一權(quán)重圖中的節(jié)點包括各個待聚類特征，所述第一權(quán)重圖中的邊為兩個節(jié)點對應(yīng)的特征相似度；將第一權(quán)重圖輸入聚類網(wǎng)絡(luò)中，確定各個待聚類特征的初次聚類結(jié)果，所述初次聚類結(jié)果包括各個待聚類特征對應(yīng)的初始簇以及各個初始簇的代表特征；基于初次聚類結(jié)果，構(gòu)建第二權(quán)重圖，所述第二權(quán)重圖中的節(jié)點包括各個初始簇的代表特征；將第二權(quán)重圖輸入聚類網(wǎng)絡(luò)中，以確定各個待聚類特征的目標聚類結(jié)果。利用自底向上、層次聚類的框架，來達到準確率與召回率的平衡。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及特征聚類方法、數(shù)據(jù)庫更新方法、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

人員識別及車輛識別是安防大數(shù)據(jù)應(yīng)用中的重要一環(huán)，例如，針對嫌疑人的追蹤，大部分監(jiān)控視頻的像素清晰度不夠識別出人臉，這時候就需要對嫌疑人的外形特征進行追蹤，再配上載具、同伴、隨行物品等其他特征，就可以有效地對嫌疑人進行軌跡研判。然而，對于人臉識別或車輛識別是一個開集問題，現(xiàn)實場景中的人員或車輛通常沒有在訓練樣本中出現(xiàn)過，所以無法使用分類算法，通過網(wǎng)絡(luò)推理直接得到人員或車輛標簽。作為對比，特征聚類對訓練樣本的要求稍低，只需要知道樣本的特征描述、相似度度量標準就可以完成人員識別。

現(xiàn)有的聚類算法一般是利用深度學習算法，進行特征提取后再進行兩兩比對，并通過設(shè)置閾值來進行二值判斷。然而，這種方法的問題在于，存在經(jīng)驗型超參數(shù)，難以穩(wěn)定地取得準確率與召回率的平衡，在不同場景下的落地效果存在大量的調(diào)試成本。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實施例提供了一種特征聚類方法、數(shù)據(jù)庫更新方法、電子設(shè)備及存儲介質(zhì)，以解決現(xiàn)有聚類算法所導致的難以穩(wěn)定地取得準確率與召回率平衡的問題。

根據(jù)第一方面，本發(fā)明實施例提供了一種特征聚類方法，包括：

獲取各個待聚類特征；

基于所述各個待聚類特征，確定第一權(quán)重圖，所述第一權(quán)重圖中的節(jié)點包括各個所述待聚類特征，所述第一權(quán)重圖中的邊為兩個節(jié)點對應(yīng)的特征相似度；

將所述第一權(quán)重圖輸入聚類網(wǎng)絡(luò)中，確定各個所述待聚類特征的初次聚類結(jié)果，所述初次聚類結(jié)果包括各個所述待聚類特征對應(yīng)的初始簇以及各個所述初始簇的代表特征；

基于所述初次聚類結(jié)果，構(gòu)建第二權(quán)重圖，所述第二權(quán)重圖中的節(jié)點包括各個所述初始簇的代表特征；

將所述第二權(quán)重圖輸入所述聚類網(wǎng)絡(luò)中，以確定各個所述待聚類特征的目標聚類結(jié)果。

本發(fā)明實施例提供的特征聚類方法，在確定出各個待聚類特征的初次聚類結(jié)果之后，再結(jié)合初次聚類結(jié)果進行二次聚類，利用自底向上、層次聚類的框架，來達到準確率與召回率的平衡。即，一方面，單次聚類高準確率，以預防不同特征合并成超大簇；另一方面，用層次聚類(多次調(diào)用)來提高整個流程的召回率將初次聚類結(jié)果中的小簇轉(zhuǎn)換成成第二次聚類輸入中的節(jié)點，進行小簇與小簇的合并，提高召回率。

結(jié)合第一方面，在第一方面第一實施方式中，所述待聚類特征為新增特征，所述基于所述各個待聚類特征，確定第一權(quán)重圖，包括：

對所述各個待聚類特征進行聚類處理，得到所述各個待聚類特征對應(yīng)的預設(shè)數(shù)量的最相似待聚類特征及其相似度；

基于所述各個待聚類特征對應(yīng)的預設(shè)數(shù)量的最相似待聚類特征及其相似度，構(gòu)建所述第一權(quán)重圖。

本發(fā)明實施例提供的特征聚類方法，僅利用待聚類特征進行第一權(quán)重圖的構(gòu)建，減少了聚類的數(shù)據(jù)處理量，提高了特征聚類的效率。

結(jié)合第一方面第一實施方式，在第一方面第二實施方式中，所述基于所述初次聚類結(jié)果，構(gòu)建第二權(quán)重圖，包括：

獲取各個歷史簇的代表特征；