本技术涉及计算机，尤其涉及一种行人重识别聚类方法、装置及设备。
背景技术：
1、随着互联网以及人工智能技术的不断发展，线下客流数据的统计分析逐渐成为了商家运营决策的重要参考依据。客流数据的统计分析通常是指基于视觉算法进行客流人数等指标的计算，但由于线下客流量较大，人群遮挡较为严重，此时通常需要借助于行人重识别（person re-identification，reid）等算法来归并同一个行人的移动轨迹。
2、在相关技术中，电子设备在基于行人重识别对行人轨迹进行归并聚类时，通常是直接基于预先训练好的算法、模型或者函数直接输出行人重识别的结果，这种行人重识别方式依赖于算法模型的准确度，存在误识别的情况，导致行人重识别聚类的准确度不高，进而降低了客流数据的准确性。
技术实现思路
1、本技术的多个方面提供一种行人重识别聚类方法、装置及设备，能够减少行人重识别中的误识别情况，提高行人重识别聚类的准确度，进而提高客流数据的准确性。
2、第一方面，本技术实施例提供一种行人重识别聚类方法，包括：
3、获取拍摄设备发送的视频流，并从所述视频流中提取多个行人轨迹以及各个所述行人轨迹的行人特征；
4、根据所述行人特征对所述多个行人轨迹进行初步聚类处理，得到多个第一聚类簇；
5、若所述第一聚类簇中任意两个行人轨迹的行人特征距离不满足第一预设条件，则对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇；
6、针对各个第二聚类簇，确定所述第二聚类簇的聚类中心对应的目标行人轨迹，并从所述第二聚类簇中删除与所述目标行人轨迹的轨迹空间距离不满足第二预设条件的行人轨迹，得到目标聚类簇；每个所述目标聚类簇对应同一个目标行人。
7、在一种可能的实施方式中，所述根据所述行人特征对所述多个行人轨迹进行初步聚类处理，得到多个第一聚类簇，包括：
8、针对任意两个行人轨迹，确定所述两个行人轨迹的行人特征之间的第一相似度；
9、若所述第一相似度大于第一预设相似度阈值，则将所述两个行人轨迹添加至同一备选聚类簇中；
10、若任意两个备选聚类簇中行人特征的第二相似度，大于第二预设相似度阈值的行人轨迹所占的比例大于第一预设比例阈值，则对所述两个备选聚类簇进行合并处理，得到所述第一聚类簇。
11、在一种可能的实施方式中，所述若所述第一聚类簇中任意两个行人轨迹的行人特征距离不满足第一预设条件，则对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇，包括：
12、针对所述第一聚类簇中任意两个行人轨迹，确定所述两个行人轨迹的行人特征之间的行人特征距离；
13、在所述行人特征距离大于第一预设距离阈值的情况下，以所述行人特征距离对应的行人轨迹为中心点，对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇。
14、在一种可能的实施方式中，所述行人特征包括人头特征以及人体特征；所述若所述第一聚类簇中任意两个行人轨迹的行人特征距离不满足第一预设条件，则基于不满足所述第一预设条件的行人轨迹重新进行聚类处理，得到第二聚类簇，包括：
15、针对任意两个行人轨迹，确定所述任意两个行人轨迹的人头特征之间的人头特征距离；
16、在所述人头特征距离大于第二预设距离阈值的情况下，以所述人头特征距离对应的行人轨迹为中心点，基于所述人体特征的相似度对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇。
17、在一种可能的实施方式中，所述方法还包括：
18、若所述第一聚类簇中行人特征中包括人头特征的行人轨迹所占的比例小于或者等于第二预设比例阈值，则将所述第一聚类簇直接确定为所述第二聚类簇。
19、在一种可能的实施方式中，所述方法还包括：
20、若所述第一聚类簇中不存在行人特征距离不满足所述第一预设条件的两个行人轨迹，则将所述第一聚类簇直接确定为所述第二聚类簇。
21、在一种可能的实施方式中，所述方法还包括：
22、针对所述第二聚类簇中的各个行人轨迹，确定所述行人轨迹中各个轨迹点对应的实际脚点坐标以及脚点时间；
23、根据所述实际脚点坐标以及脚点时间，确定所述第二聚类簇中所述目标行人轨迹与其他各个行人轨迹之间的轨迹空间距离。
24、在一种可能的实施方式中，所述方法还包括：
25、针对第二聚类簇中与所述目标行人轨迹对应不同拍摄设备的行人轨迹，若所述目标行人轨迹与所述行人轨迹的轨迹空间距离大于预设空间距离阈值，或者所述目标行人轨迹与所述行人轨迹的行人特征距离大于第三预设距离阈值，则确定所述行人轨迹不满足所述第二预设条件；
26、针对第二聚类簇中与所述目标行人轨迹对应相同拍摄设备的行人轨迹，若所述目标行人轨迹与所述行人轨迹的轨迹空间距离大于预设空间距离阈值，则确定所述行人轨迹不满足所述第二预设条件；
27、针对第二聚类簇中与所述目标行人轨迹对应不同拍摄设备的行人轨迹，确定所述目标行人轨迹与所述行人轨迹分别对应的场所标识，若在同一时间所述目标行人轨迹与所述行人轨迹的场所标识不一致，则确定所述行人轨迹不满足所述第二预设条件。
28、第二方面，本技术实施例提供一种行人重识别聚类装置，包括：
29、获取模块，用于获取拍摄设备发送的视频流，并从所述视频流中提取多个行人轨迹以及各个所述行人轨迹的行人特征；
30、第一聚类模块，用于根据所述行人特征对所述多个行人轨迹进行初步聚类处理，得到多个第一聚类簇；
31、第二聚类模块，用于若所述第一聚类簇中任意两个行人轨迹的行人特征距离不满足第一预设条件，则对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇；
32、删除模块，用于针对各个第二聚类簇，确定所述第二聚类簇的聚类中心对应的目标行人轨迹，并从所述第二聚类簇中删除与所述目标行人轨迹的轨迹空间距离不满足第二预设条件的行人轨迹，得到目标聚类簇；每个所述目标聚类簇对应同一个目标行人。
33、在一种可能的实施方式中，所述第二聚类模块，具体用于：
34、针对所述第一聚类簇中任意两个行人轨迹，确定所述两个行人轨迹的行人特征之间的行人特征距离；
35、在所述行人特征距离大于第一预设距离阈值的情况下，以所述行人特征距离对应的行人轨迹为中心点，对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇。
36、在一种可能的实施方式中，所述行人特征包括人头特征以及人体特征；所述第二聚类模块，具体用于：
37、针对任意两个行人轨迹，确定所述任意两个行人轨迹的人头特征之间的人头特征距离；
38、在所述人头特征距离大于第二预设距离阈值的情况下，以所述人头特征距离对应的行人轨迹为中心点，基于所述人体特征的相似度对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇。
39、在一种可能的实施方式中，所述装置还用于：
40、若所述第一聚类簇中行人特征中包括人头特征的行人轨迹所占的比例小于或者等于第二预设比例阈值，则将所述第一聚类簇直接确定为所述第二聚类簇。
41、在一种可能的实施方式中，所述装置还用于：
42、若所述第一聚类簇中不存在行人特征距离不满足所述第一预设条件的两个行人轨迹，则将所述第一聚类簇直接确定为所述第二聚类簇。
43、在一种可能的实施方式中，所述装置还用于：
44、针对所述第二聚类簇中的各个行人轨迹，确定所述行人轨迹中各个轨迹点对应的实际脚点坐标以及脚点时间；
45、根据所述实际脚点坐标以及脚点时间，确定所述第二聚类簇中所述目标行人轨迹与其他各个行人轨迹之间的轨迹空间距离。
46、在一种可能的实施方式中，所述装置还用于：
47、针对第二聚类簇中与所述目标行人轨迹对应不同拍摄设备的行人轨迹，若所述目标行人轨迹与所述行人轨迹的轨迹空间距离大于预设空间距离阈值，或者所述目标行人轨迹与所述行人轨迹的行人特征距离大于第三预设距离阈值，则确定所述行人轨迹不满足所述第二预设条件；
48、针对第二聚类簇中与所述目标行人轨迹对应相同拍摄设备的行人轨迹，若所述目标行人轨迹与所述行人轨迹的轨迹空间距离大于预设空间距离阈值，则确定所述行人轨迹不满足所述第二预设条件；
49、针对第二聚类簇中与所述目标行人轨迹对应不同拍摄设备的行人轨迹，确定所述目标行人轨迹与所述行人轨迹分别对应的场所标识，若在同一时间所述目标行人轨迹与所述行人轨迹的场所标识不一致，则确定所述行人轨迹不满足所述第二预设条件。
50、第三方面，本技术实施例提供一种电子设备，包括：存储器和处理器；
51、所述存储器存储计算机执行指令；
52、所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行第一方面任一项所述的行人重识别聚类方法。
53、第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的行人重识别聚类方法。
54、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任一项所示的行人重识别聚类方法。
55、在本技术实施例中，电子设备获取拍摄设备发送的视频流，并从视频流中提取多个行人轨迹以及各个行人轨迹的行人特征；根据行人特征对多个行人轨迹进行初步聚类处理，得到多个第一聚类簇；若第一聚类簇中任意两个行人轨迹的行人特征距离不满足第一预设条件，则对第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇；针对各个第二聚类簇，确定第二聚类簇的聚类中心对应的目标行人轨迹，并从第二聚类簇中删除与目标行人轨迹的轨迹空间距离不满足第二预设条件的行人轨迹，得到目标聚类簇；每个目标聚类簇对应同一个目标行人。本技术中电子设备首先基于行人特征对进行多个行人轨迹进行初步聚类处理，得到多个第一聚类簇，确保第一聚类簇中行人轨迹的数量，提高召回率；之后在第一聚类簇中根据行人特征距离进行重新聚类得到第二聚类簇，并且在第二聚类簇中根据轨迹空间距离进行删除拆分处理，得到同一个目标行人对应的目标聚类簇，这样电子设备通过对行人轨迹进行初步聚类、二次拆分聚类以及删除处理，能够减少行人重识别聚类过程中误识别的情况，能够提高行人重识别聚类的准确度，进而提高客流数据的准确性。
1.一种行人重识别聚类方法，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，所述根据所述行人特征对所述多个行人轨迹进行初步聚类处理，得到多个第一聚类簇，包括：
3.根据权利要求1所述的方法，其特征在于，所述若所述第一聚类簇中任意两个行人轨迹的行人特征距离不满足第一预设条件，则对所述第一聚类簇中的行人轨迹重新进行聚类处理，得到第二聚类簇，包括：
4.根据权利要求3所述的方法，其特征在于，所述行人特征包括人头特征以及人体特征；所述若所述第一聚类簇中任意两个行人轨迹的行人特征距离不满足第一预设条件，则基于不满足所述第一预设条件的行人轨迹重新进行聚类处理，得到第二聚类簇，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
8.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
9.一种行人重识别聚类装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：存储器和处理器；
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现权利要求1至8任一项所述的行人重识别聚类方法。
12.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被计算机执行时，实现如权利要求1至8任一项所述的行人重识别聚类方法。
