对象分类方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供一种对象分类方法，所述方法包括：获取N个对象的图像数据，并根据所述图像数据提取所述N个对象的同行关系来构建邻接矩阵；根据所述图像数据提取所述N个对象的原始时空数据张量；通过预设的第一卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在时间维度上的空间特征；通过预设的第二卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在空间维度上的时间特征；根据所述空间特征以及时间特征，确定所述N个对象的时空数据张量；将所述邻接矩阵与所述时空数据张量输入到预先训练好的图卷积神经网络进行分类预测，得到所述N个对象的分类结果。提高了分类的准确率。

【技术实现步骤摘要】
对象分类方法、装置、电子设备及存储介质
本专利技术涉及人工智能领域，尤其涉及一种对象分类方法、装置、电子设备及存储介质。
技术介绍
随着人工智能技术的发展，智慧社区和智慧城市的概念和项目越来越多的被提及和落地。在智慧社区和智慧城市的项目中，对社区和城市中人员的信息管理和信息分析是最主要的任务之一，在智慧社区等项目中往往会部署大量的图像采集摄像头，利用这些图像采集摄像头我们可以得到大量的人员图像数据，这些人员的图像数据表示了一个人员在何时何地出现过的轨迹信息，可以根据这些轨迹信息，对人员的行为进行数据分析或对人员进行分类。在对人员进行分类时，通常是通过轨迹信息来判断人员的属性，进而进行属性分类，但是，由于轨迹信息中包含大量的时间与空间信息的结合，比如100000个人员，通过1000个图像采集摄像头来进行采样，以1小时做为时间粒度的话，其数据量为100000*1000*24＝2.4*109个数据结合了时间与空间信息，导致信息复杂程度较高，使得分类结果过拟合，降低人员分类的准确度。因此，现有的基于时空轨迹进行人员分类的方法存在分类准确率较低的问题。<本文档来自技高网...

【技术保护点】
1.一种对象分类方法，其特征在于，包括以下步骤：/n获取N个对象的图像数据，并根据所述图像数据提取所述N个对象的同行关系来构建邻接矩阵；/n根据所述图像数据提取所述N个对象的原始时空数据张量，所述原始时空数据张量包括时间维度以及空间维度的数据；/n通过预设的第一卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在时间维度上的空间特征；/n通过预设的第二卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在空间维度上的时间特征；/n根据所述空间特征以及时间特征，确定所述N个对象的时空数据张量；/n将所述邻接矩阵与所述时空数据张量输入到预设的图卷积神经网络进行分类预测...

【技术特征摘要】
1.一种对象分类方法，其特征在于，包括以下步骤：
获取N个对象的图像数据，并根据所述图像数据提取所述N个对象的同行关系来构建邻接矩阵；
根据所述图像数据提取所述N个对象的原始时空数据张量，所述原始时空数据张量包括时间维度以及空间维度的数据；
通过预设的第一卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在时间维度上的空间特征；
通过预设的第二卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在空间维度上的时间特征；
根据所述空间特征以及时间特征，确定所述N个对象的时空数据张量；
将所述邻接矩阵与所述时空数据张量输入到预设的图卷积神经网络进行分类预测，得到所述N个对象的分类结果。


2.如权利要求1所述的方法，其特征在于，所述通过预设的第一卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在时间维度上的空间特征，包括：
获取预先训练的K1个第一卷积核，其中，所述第一卷积核包括与第一时间维度与第一空间维度，所述第一时间维度与原始时空数据张量的时间维度在同一方向，所述第一空间维度与原始时空数据张量的空间维度在同一方向，且所述第一时间维度小于所述原始时空数据张量的时间维度，所述第一空间维度等于所述原始时空数据张量的空间维度；
通过所述K1个第一卷积核在所述原始时空数据张量的时间维度上以预设卷积步长进行卷积操作，得到K1个空间特征；
基于所述K1个空间特征，计算得到所述原始时空数据张量在时间维度上的空间特征。


3.如权利要求2所述的方法，其特征在于，所述通过预设的第二卷积核对所述原始时空数据张量进行卷积操作，提取所述原始时空数据张量在空间维度上的时间特征，包括：
获取预先训练的K2个第二卷积核，其中，所述第二卷积核包括与第二时间维度与第二空间维度，所述第二时间维度与原始时空数据张量的时间维度在同一方向，所述第二空间维度与原始时空数据张量的空间维度在同一方向，且所述第二时间维度等于所述原始时空数据张量的时间维度，所述第二空间维度小于所述原始时空数据张量的空间维度；
通过所述K2个第二卷积核在所述原始时空数据张量的空间维度上以预设卷积步长进行卷积操作，得到K2个时间特征；
基于所述K2个时间特征，计算得到所述原始时空数据张量在空间维度上的时间特征。


4.如权利要求1所述的方法，其特征在于，所述根据所述空间特征以及时间特征，确定所述N个对象的时空数据张量，包括：
将所述空间特征与所述时间特征在维度上进行对齐，得到对齐后的空间特征和时间特征；
将所述对齐后的空间特征和时间特征进行拼接，得到所述N个对象的时空数据张量。


5.如权利要求1至4任一所述的方法，其特征在于，所述图卷积神经网络至少包括预先训练好的第一权重矩阵与第二权重矩阵，所述第一权重矩阵与的第二权重矩阵包括有类别分布信息，所述将所述邻接矩阵与所述时空数据张量输入到预先训练好的图卷积神经网络进行分类预测，得到所述N个对象的分类结果，包括：
根据所述邻接矩阵、所述时空数据张量以及所述第一权重矩阵，计算得到第一结果矩阵；
根据所述邻接矩阵、所述第一结果矩阵以及所述第二权重矩阵，计算得到类别分布矩阵；
根据所述类别分布矩阵，确定所述N个对象的分类结果。


6.如权利要求5所...

【专利技术属性】
技术研发人员：余意，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：广东;44