(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210363547.2 (22)申请日 2022.04.08 (71)申请人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 江中毅　刘备　张宏　陈立力　 周明伟　 (74)专利代理 机构 杭州华进联浙知识产权代理 有限公司 3 3250 专利代理师 范丽霞 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/762(2022.01)G06V 10/74(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 图像聚类方法、 图像聚类模 型训练方法和电 子设备 (57)摘要 本申请涉及一种图像聚类方法、 图像聚类模 型训练方法和计算机设备。 方法包括： 获取多个 待聚类档案； 待聚类档案包括多张待聚类图像； 获取待聚类图像对应的第一时空信息， 以及第一 时空信息与每个待聚类档案之间的第一映射关 系； 第一时空信息包括待聚类图像的拍摄时间和 待聚类图像的拍摄地点； 根据第一映射关系、 第 一时空信息、 以及第一时空信息之间的关联度关 系构建第一图结构数据； 根据第一图结构数据， 确定待聚类档案之间的第一相似度； 根据待聚类 档案之间的第一相似度， 对待聚类档案进行聚 类， 采用本方法提高待聚类档案聚类的准确度。 权利要求书2页 说明书12页 附图6页 CN 114997259 A 2022.09.02 CN 114997259 A 1.一种图像聚类方法， 其特 征在于， 所述方法包括： 获取多个待聚类档案； 所述待聚类档案包括多张待聚类图像； 获取所述待聚类图像对应的第 一时空信息， 以及所述第 一时空信息与每个所述待聚类 档案之间的第一映射关系； 所述第一时空信息包括所述待聚类图像的拍摄时间和所述待聚 类图像的拍摄地 点； 根据所述第一映射关系、 所述第一时空信息、 以及所述第一时空信息之间的关联度关 系构建第一图结构数据； 根据所述第一图结构数据， 确定所述待聚类档案之间的第一相似度； 根据所述待聚类档案之间的第一相似度， 对所述待聚类档案进行聚类。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述第一图结构数据， 确定所述 待聚类档案之间的第一相似度， 包括： 将所述第一图结构数据输入训练后的图像聚类模型， 得到每个所述待聚类档 案对应的 图嵌入向量； 根据每个所述待聚类档案对应的图嵌入向量， 确定所述待聚类档案之间的第一相似 度。 3.根据权利要求2所述的方法， 其特 征在于， 通过 下述方式训练所述图像聚类模型： 获取多个历史档案； 所述历史档案包括多张待训练图像； 获取所述待训练图像对应的第 二时空信息， 以及所述第 二时空信息与每个所述历史档 案之间的第二映射关系； 所述第二时空信息包括所述待训练图像的拍摄时间和所述待训练 图像的拍摄地 点； 根据所述第二映射关系、 所述第二时空信息、 以及所述第二时空信息之间的关联度关 系构建第二图结构数据； 根据所述第二图结构数据训练所述图像聚类模型， 得到训练后的图像聚类模型。 4.根据权利要求3所述的方法， 其特征在于， 所述图像聚类模型包括至少两个不同类型 的图神经网络模型， 所述图神经网络模型分别用于提取所述第二图结构数据中不同类型的 边特征和不同类型的节点特 征； 所述根据所述第二图结构数据训练所述图像聚类模型， 得到训练后的图像聚类模型， 包括： 分别将所述第 二图结构数据输入所述图神经网络模型， 得到多个与 所述第二图结构数 据中的节点对应的图嵌入向量； 根据多个与 所述第二图结构数据中的节点对应的图嵌入向量， 确定所述第 二图结构数 据中每条边的预测值； 获取所述第二图结构数据中每条边的真实值； 根据所述预测值和所述真实值， 得到所述第二图结构数据中每条边的损失值； 根据所述损失值对图像聚类模型进行训练， 得到训练后的图像聚类模型。 5.根据权利要求4所述的方法， 其特征在于， 所述根据多个与 所述第二图结构数据中的 节点对应的图嵌入向量， 确定所述第二图结构数据中每条边的预测值， 包括： 聚合每个与 所述第二图结构数据中的节点对应的图嵌入向量， 得到聚合后的图嵌入向 量；权　利　要　求　书 1/2 页 2 CN 114997259 A 2根据所述聚合后的图嵌入向量， 确定所述第二图结构数据中每条边的预测值。 6.根据权利要求3所述的方法， 其特征在于， 所述获取所述待训练图像对应的第 二时空 信息， 以及所述第二时空信息与每 个所述历史档案之间的第二映射关系， 之后还 包括： 获取每张所述待训练图像的图像特 征； 根据所述待训练图像的图像特 征， 确定所述待聚类档案之间的初始相似度； 根据所述初始相似度、 所述第 二映射关系、 所述第 二时空信息、 以及所述第 二时空信 息 之间的关联度关系构建第二图结构数据； 根据所述第二图结构数据训练所述图像聚类模型， 得到训练后的图像聚类模型。 7.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取每张所述待聚类图像的图像特 征； 根据所述待聚类图像的图像特 征， 确定所述待聚类档案之间的第二相似度； 根据所述第一相似度和所述第二相似度， 对所述待聚类档案进行聚类。 8.根据权利要求1所述的方法， 其特征在于， 所述第 一图结构数据包括第 一时空信息节 点、 待聚类档案节点、 时间边、 空间边和时空边； 所述时间边由所述待聚类图像的拍摄地点 相同、 拍摄时间不相同的多个所述第一时空信息节点连接得到； 所述空间边由所述待聚类 图像的拍摄地点不相同、 拍摄时间相同的多个所述第一时空信息节点连接得到； 所述时空 边由所述待聚类档案节点和所述第一时空信息节点连接得到 。 9.一种图像聚类模型训练方法， 其特 征在于， 所述方法包括： 获取多个历史档案； 所述历史档案包括多张待训练图像； 获取所述待训练图像对应的第 二时空信息， 以及所述第 二时空信息与每个所述历史档 案之间的第二映射关系； 所述第二时空信息包括所述待训练图像的拍摄时间和所述待训练 图像的拍摄地 点； 根据所述第二映射关系、 所述第二时空信息、 以及所述第二时空信息之间的关联度关 系构建第二图结构数据； 根据所述第二图结构数据训练图像聚类模型。 10.一种电子设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。 11.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。 12.一种计算机程序产品， 包括计算机程序， 其特征在于， 该计算机程序被处理器执行 时实现权利要求1至9中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114997259 A 3