档案合并方法技术

本申请提供一种档案合并方法

【技术实现步骤摘要】
档案合并方法、档案合并装置以及计算机可读存储介质


[0001]本申请涉及机器学习
，特别是涉及一种档案合并方法
、
档案合并装置以及计算机可读存储介质
。

技术介绍

[0002]行人图像聚类时，先根据抓拍图生成
Re
‑
ID
特征和人物属性，然后在经过
DBSCAN
等经典聚类算法后，所有图片构成大小不一的档案，同时存在较多实际是同一个人的多档
。
现在的任务是给定两个档案，综合已知的人体特征
、
时间空间等信息，判定它们是否属于同一个人
。
[0003]现有合并方法基本是基于人工撰写的规则，这类方法一是不能很好的概括所有多档种类，二是随着逻辑条件增多，人工撰写规则难度也在加大
。

技术实现思路

[0004]本申请提供了一种档案合并方法
、
档案合并装置以及计算机可读存储介质
。
[0005]本申请提供了一种档案合并方法，所述档案合并方法包括：
[0006]获取两个档案，其中，每一档案包括若干图像；
[0007]获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵；
[0008]将所述相似度矩阵
、
所述距离矩阵，和
/
或所述时间矩阵输入预先训练的相似度网络，获取所述相似度网络输入的所述两个档案的相似度值；
[0009]在所述相似度值满足预设条件时，将所述两个档案合并为一个档案
。
[0010]其中，所述相似度网络为相似度时空密度网络；
[0011]所述获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵之后，所述档案合并方法还包括：
[0012]利用所述相似度矩阵，获取相似度密度；
[0013]利用所述距离矩阵，获取距离密度；
[0014]利用所述时间矩阵，获取时间密度；
[0015]将所述相似度密度
、
所述距离密度，以及所述时间密度输入所述相似度时空密度网络，获取所述两个档案的相似度值
。
[0016]其中，所述利用所述相似度矩阵，获取相似度密度，包括：
[0017]按照预设区间宽度获取所述相似度矩阵的若干区间；
[0018]遍历所述相似度矩阵中的所有元素，获取落在每一区间的元素数量；
[0019]基于所述若干区间的元素数量，获取所述相似度密度
。
[0020]其中，所述相似度时空密度网络包括若干子多层感知机，总多层感知机以及激活函数层；其中，每一所述子多层感知机用于提取一种矩阵的矩阵特征，多种矩阵特征提取后通过拼接得到拼接特征，所述总多层感知机用于提取所述拼接特征的档案相似度特征，所述激活函数层用于根据所述档案相似度特征输出所述两个档案的相似度值
。
[0021]其中，所述相似度网络为相似度轨迹网络；
[0022]所述获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵，包括：
[0023]将所述两个档案按照时间排序合成一个虚拟档案；
[0024]获取所述虚拟档案与自身的相似度矩阵
、
距离矩阵，和
/
或时间矩阵
。
[0025]其中，所述相似度轨迹网络包括主干网络
、
全局平均池化层，全连接层以及激活函数层
。
[0026]其中，所述将所述相似度矩阵
、
所述距离矩阵，和
/
或所述时间矩阵输入预先训练的相似度网络，包括：
[0027]将所述相似度矩阵
、
所述距离矩阵，和
/
或所述时间矩阵在通道维度上拼接成一个多维张量；
[0028]将所述多维张量输入预先训练的相似度轨迹网络中的主干网络
。
[0029]本申请还提供了一种档案合并装置，所述档案合并装置包括：档案获取模块
、
矩阵获取模块
、
网络检测模块以及档案合并模块；其中，
[0030]所述档案获取模块，用于获取两个档案，其中，每一档案包括若干图像；
[0031]所述矩阵获取模块，用于获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵；
[0032]所述网络检测模块，用于将所述相似度矩阵
、
所述距离矩阵，和
/
或所述时间矩阵输入预先训练的相似度网络，获取所述相似度网络输入的所述两个档案的相似度值；
[0033]所述档案合并模块，用于在所述相似度值满足预设条件时，将所述两个档案合并为一个档案
。
[0034]本申请还提供了一种档案合并装置，所述档案合并装置包括处理器和存储器，所述存储器中存储有程序数据，所述处理器用于执行所述程序数据以实现如上述的档案合并方法
。
[0035]本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现上述的档案合并方法
。
[0036]本申请的有益效果是：档案合并装置获取两个档案，其中，每一档案包括若干图像；获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵；将所述相似度矩阵
、
所述距离矩阵，和
/
或所述时间矩阵输入预先训练的相似度网络，获取所述相似度网络输入的所述两个档案的相似度值；在所述相似度值满足预设条件时，将所述两个档案合并为一个档案
。
通过上述方式，档案合并装置通过训练的神经网络代替人工撰写合并规则，快速
、
准确完成档案合并，同时能够挖掘人工较难实现的复杂
、
隐藏的规则
。
附图说明
[0037]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
其中：
[0038]图1是本申请提供的档案合并方法一实施例的流程示意图；
[0039]图2是本申请提供的相似度时空密度网络一实施例的框架示意图；
[0040]图3是本申请提供的档案合并方法另一实施例的流程示意图；
[0041]图4是本申请提供的估计概率密度的示意图；
[0042]图5是本申请提供的相似度轨迹网络一实施例的框架示意图；
[0043]图6是本申请提供的档案合并方法又一实施例的流程示意图；
[0044]图7是本申请提供的档案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种档案合并方法，其特征在于，所述档案合并方法包括：获取两个档案，其中，每一档案包括若干图像；获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵；将所述相似度矩阵
、
所述距离矩阵，和
/
或所述时间矩阵输入预先训练的相似度网络，获取所述相似度网络输入的所述两个档案的相似度值；在所述相似度值满足预设条件时，将所述两个档案合并为一个档案
。2.
根据权利要求1所述的档案合并方法，其特征在于，所述相似度网络为相似度时空密度网络；所述获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵之后，所述档案合并方法还包括：利用所述相似度矩阵，获取相似度密度；利用所述距离矩阵，获取距离密度；利用所述时间矩阵，获取时间密度；将所述相似度密度
、
所述距离密度，以及所述时间密度输入所述相似度时空密度网络，获取所述两个档案的相似度值
。3.
根据权利要求2所述的档案合并方法，其特征在于，所述利用所述相似度矩阵，获取相似度密度，包括：按照预设区间宽度获取所述相似度矩阵的若干区间；遍历所述相似度矩阵中的所有元素，获取落在每一区间的元素数量；基于所述若干区间的元素数量，获取所述相似度密度
。4.
根据权利要求2或3所述的档案合并方法，其特征在于，所述相似度时空密度网络包括若干子多层感知机，总多层感知机以及激活函数层；其中，每一所述子多层感知机用于提取一种矩阵的矩阵特征，多种矩阵特征提取后通过拼接得到拼接特征，所述总多层感知机用于提取所述拼接特征的档案相似度特征，所述激活函数层用于根据所述档案相似度特征输出所述两个档案的相似度值
。5.
根据权利要求1所述的档案合并方法，其特征在于，所述相似度网络为相似度轨迹网络；所述获取所述两个档案的相似度矩阵
、
距离矩阵，和
/
或时间矩阵，包括：将所述两个档案按照时...

【专利技术属性】
技术研发人员：黄胡晏，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：