本公开涉及行人识别,尤其涉及一种同行人识别方法及装置。
背景技术:
1、同行人识别算法,是从人群中找到结伴同行的人的算法,同行人识别算法具有广阔的应用前景,比如,逛商场往往都是结伴同行的,消费个体的同伴往往也是潜在的价值用户,找到消费个体的同伴有助于商场的经营。由于用户在商场游逛的轨迹路径较为复杂,且人员的流动也较为频繁,因此一般难以有效捕捉同行人,对于想要有效转化商场客储而言是一种损失。目前有一些通过人脸识别并计算人员轨迹的时间重合程度方式搜索人员,以达到挖掘同行人的方法。但是这类方式往往计算量很大,每个人都是需要单独在整个特征空间搜索同行人,效率较低;另外,此方式通过时间间隔查询同行人,往往会遗漏很多信息,难以有效的获取同行人。
2、在实现本公开构思的过程中,发明人发现相关技术中至少存在如下技术问题:现有同行人识别方法计算量大效率低的问题。
技术实现思路
1、有鉴于此,本公开实施例提供了一种同行人识别方法、装置、电子设备及计算机可读存储介质,以解决现有技术中,现有同行人识别方法计算量大效率低的问题。
2、本公开实施例的第一方面,提供了一种同行人识别方法,包括:利用多个全连接层构建编码器,基于聚类算法构建自优化聚类模块,利用图注意力网络、编码器和自优化聚类模块构建同行人识别模型;利用重建损失函数、映射损失函数和聚类损失完成对同行人识别模型的训练;获取行人图片,从行人图片中提取行人关系特征和行人属性特征;将行人关系特征和行人属性特征输入训练好的同行人识别模型,输出行人图片中的行人是否为同行人的识别结果。
3、本公开实施例的第二方面,提供了一种同行人识别装置,包括:构建模块,被配置为利用多个全连接层构建编码器,基于聚类算法构建自优化聚类模块,利用图注意力网络、编码器和自优化聚类模块构建同行人识别模型;训练模块,被配置为利用重建损失函数、映射损失函数和聚类损失完成对同行人识别模型的训练;提取模块,被配置为获取行人图片,从行人图片中提取行人关系特征和行人属性特征;识别模块,被配置为将行人关系特征和行人属性特征输入训练好的同行人识别模型,输出行人图片中的行人是否为同行人的识别结果。
4、本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
5、本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
6、本公开实施例与现有技术相比存在的有益效果是:因为本公开实施例通过利用多个全连接层构建编码器,基于聚类算法构建自优化聚类模块,利用图注意力网络、编码器和自优化聚类模块构建同行人识别模型;利用重建损失函数、映射损失函数和聚类损失完成对同行人识别模型的训练;获取行人图片,从行人图片中提取行人关系特征和行人属性特征;将行人关系特征和行人属性特征输入训练好的同行人识别模型,输出行人图片中的行人是否为同行人的识别结果,因此,采用上述技术手段,可以解决现有技术中,现有同行人识别方法计算量大效率低的问题,进而降低同行人识别的计算量,并提高计算效率。
1.一种同行人识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,利用图注意力网络、所述编码器和所述自优化聚类模块构建同行人识别模型,包括:
3.根据权利要求1所述的方法,其特征在于,利用重建损失函数、映射损失函数和聚类损失完成对所述同行人识别模型的训练,包括:
4.根据权利要求1所述的方法,其特征在于,利用所述映射损失函数对所述编码器进行训练,包括:
5.根据权利要求1所述的方法,其特征在于,将所述行人关系特征和所述行人属性特征输入训练好的同行人识别模型,输出所述行人图片中的行人是否为同行人的识别结果,包括:
6.根据权利要求5所述的方法,其特征在于,利用所述自优化聚类模块对重构后的行人关系特征和所述低维嵌入特征进行处理,得到聚类特征,包括:
7.根据权利要求1所述的方法,其特征在于,包括:
8.一种同行人识别装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。