具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。

请参阅图1，图1是本申请目标聚档方法一实施方式的流程示意图，该方法包括：

步骤S101：获得多个摄像机组成的集合，基于目标在集合内的摄像机之间移动的平均时间，生成摄像机对应的拓扑矩阵。

具体地，当多个摄像机应用于监控场所时，将监控场所中的多个摄像机归到同一个集合中，根据目标的移动平均速度估算目标在集合内的各摄像机的监控范围内移动的平均时间，以目标移动的平均时间生成摄像机对应的拓扑矩阵，上述过程利用公式表示如下：

其中，t_ij表示目标从摄像机i移动到摄像机j的平均时间。

在一应用方式中，当摄像机设置在商场、地铁、写字楼或住宅等监控场所时，将同一场所内的摄像机归到同一集合内，将行人作为监控的目标，根据在监控场所内已有的监控数据，获取行人在监控场所中移动的平均速度，进而估算目标在当前摄像机的监控区域内到其他摄像机的监控区域内的平均时间，以获得目标在集合内各摄像机之间移动的平均时间，将平均时间作为拓扑矩阵S的参数，以获得摄像机对应的拓扑矩阵S。

步骤S102：基于拓扑矩阵将集合划分为多个子集，在多个子集内分别进行目标聚类，将同一目标的特征进行融合，以获得多个子集分别对应的多个第一聚档结果。

具体地，根据拓扑矩阵将摄像机集合划分为多个子集，其中，每个子集中包括至少一个摄像机，且每个子集中的摄像机互不重叠。

进一步地，分别在每个子集内对摄像机所拍摄的目标进行目标聚类，以获得被判定为同一目标的目标，将同一目标的特征进行融合，以获得多个子集分别对应的多个第一聚档结果。

在一应用方式中，基于拓扑矩阵利用均值聚类算法将集合划分为多个子集，进而，分别对子集内的摄像机所拍摄的目标进行目标聚类，将同一目标的特征进行融合，以获得多个子集分别对应的多个第一聚档结果。

具体地，在摄像机集合中选择多个摄像机作为聚类中心，将聚类中心之外的摄像机与作为聚类中心的摄像机进行聚类，根据作为聚类中心的摄像机对应的拓扑矩阵，将聚类中心之外的摄像机分配给距离它最近的作为聚类中心的摄像机，每个摄像机完成聚类后则不再与其他摄像机进行聚类，以使集合内的摄像机在进行聚类时按照时间和空间进行约束，进而每个子集内的摄像机具有时间和空间上的聚集性，以使子集的划分与目标在实际场景中进行移动时的时空局限性匹配。

在一具体应用场景中，利用k均值聚类算法划将摄像机对应的集合分成k个小范围的摄像机组成的子集，随机选取K个摄像机作为初始的聚类中心，然后计算每个摄像机与各个聚类中心之间的距离，将摄像机分配给距离它最近的聚类中心。每分配一个摄像机，聚类的聚类中心会根据聚类中现有的摄像机被重新计算，这个过程将不断重复直到集合中的摄像机被分配完毕，聚类中心以及分配给聚类中心的摄像机共同组成一个子集。上述过程利用公式表示如下：

且C_i∩C_j≠i＝φ (2)

其中，集合C为多个子集C₁,C₂,…C_k的并集，且各子集之间相交为空集。

进一步地，完成子集的划分后，提取子集内的摄像机所拍摄的各个目标对应的特征，利用密度聚类算法比对各个目标对应的特征，将比对结果大于第一阈值的目标归为相同的目标，将相同的目标的特征进行融合。当集合中的摄像机被分散至各子集后，对子集内的摄像机所拍摄的目标进行聚档时，无需将目标与整个集合中的目标进行比对，减少了各子集内进行目标聚类的比对次数，提高了目标聚档的效率。

在一应用方式中，将当前子集内的摄像机所拍摄的目标对应的特征提取出来，利用余弦距离采用密度聚类算法对目标的特征进行聚类，将余弦距离值大于第一阈值的目标判定为同一目标。上述过程利用公式表示如下：

其中，分别表示不同目标对应的特征。当两个目标对应的特征十分接近时，则cos(θ)的值趋近于1，当比对结果大于第一阈值时，则将对应的目标归为同一目标，将相同的目标的特征进行融合。

在一具体应用场景中，将当前子集内的摄像机所拍摄的行人的人体对应的人体重识别特征提取出来，利用上述余弦距离公式(3)采用密度聚类算法对人体的人体重识别特征进行特征比对，将余弦距离值大于第一阈值的目标判定为同一行人，对各个子集内的摄像机拍摄的行人分别在子集内进行目标聚类，以获得每个子集内的行人对应的第一聚档结果。

步骤S103：在多个第一聚档结果之间进行目标聚类，将同一目标的特征进行融合生成目标对应的档案，以获得第二聚档结果。

具体地，各子集对应的第一聚档结果中的目标已经进行了特征的融合，以使同一目标对应的特征更加丰富，进而将各子集对应的第一聚档结果进行目标聚类，以获得被判定为同一目标的目标，将同一目标的特征进一步融合，进而生成该目标对应的档案，生成第二聚档结果。

在一应用方式中，将各个子集对应的第一聚档结果中的目标进行特征比对，将比对结果大于第二阈值的目标归为相同的目标；将相同的目标的特征进行融合并建立同一目标的档案，为比对结果小于或等于第二阈值的目标单独建立档案，以获得第二聚档结果。

具体地，利用密度聚类算法比对各个目标对应的特征，请再次参阅上述公式(3)，将第一聚档结果中的目标分别代入上述公式(3)，将比对结果大于第二阈值的目标归为相同的目标，将相同的目标的特征进行融合并建立同一目标的档案，否则归为不同的目标，为对应的目标单独建立档案，从而获得第二聚档结果。

可以理解的是，集合中的所有目标两两进行特征比对直至目标均完成建档时，不光数据处理效率低下，并且可能因为目标的特征不充分将时间点接近但距离特别远的两个不同的目标归为同一目标，以致降低了聚档的准确率，在各子集内单独进行目标聚类可有效降低目标两两比对的数据处理量，提高聚档的效率以获得第一聚档结果，进而将第一聚档结果中的目标已经融合特征后，再进行第一聚档结果中目标的比对，有效降低因目标的特征不充分导致的将不同目标归为同一目标的概率，提高目标聚档的准确率。

进一步地，第二阈值大于第一阈值，由于子集的划分具有时空约束，而目标的移动也具有时空约束，因此同一目标在接近的时间点出现在不同的子集内的概率是较低的，因此在第一聚档结果之间进行目标聚类时将目标判断为同一目标的标准高于在子集内进行目标聚类时的标准，进而降低将不同子集内的不同目标归为同一目标的概率。

步骤S104：基于第二聚档结果，获取同一目标在集合内的摄像机之间移动的平均时间，以更新摄像机对应的拓扑矩阵。

具体地，在获得第二聚档结果后，基于多个相同的目标在不同摄像机之间移动的时间，更新目标在集合内的摄像机之间移动的平均时间，进而可对摄像机对应的拓扑矩阵进行实时更新，以进一步提高子集划分的合理性。

上述方案，将多个摄像机组成的集合划分为多个子集时，根据目标在集合内的摄像机之间移动的平均时间来生成摄像机的拓扑矩阵，基于拓扑矩阵将集合划分为多个子集，使子集内的摄像机基于拓扑矩阵按照时间和空间的约束进行聚类，进而在各子集内先进行一次聚档，每个子集内聚档时只需要对子集内的摄像机所拍摄的目标进行聚档，提高了目标聚档的效率，在各子集完成聚档后将同一目标的特征进行了融合，以丰富了目标的特征，进而在多个第一聚档结果之间进行目标聚类时，降低了因目标的特征不充分导致的将不同目标归为同一目标的概率，并且根据第二聚档结果对拓扑矩阵进行修正和更新，以进一步提高子集划分的合理性，提高目标聚档的准确率。

请参阅图2，图2是本申请目标聚档方法另一实施方式的流程示意图，该方法包括：

步骤S201：获得多个摄像机组成的集合，基于目标在集合内的摄像机之间移动的平均时间，生成摄像机对应的拓扑矩阵。

具体地，获得多个摄像机组成的集合以及摄像机之间的距离，基于摄像机之间的距离估算目标在摄像机之间进行移动的平均时间，根据平均时间生成摄像机对应的拓扑矩阵。

在一应用方式中，在获得监控场所的多个摄像机后，标定监控场所内摄像机之间的距离，根据目标移动的速度即可估算出目标在摄像机之间移动的平均时间，将平均时间作为参数生成摄像机对应的拓扑矩阵，在后续将集合划分为多个子集时，即可对子集的划分根据摄像机的空间位置和目标移动的时间进行约束。

在一具体应用场景中，当多个摄像机安装在监控场所后，将行人作为目标进行监控时，获取行人在当前监控场所的平均移动速度，根据摄像机之间的安装距离和摄像机监控范围，估算目标在各摄像机的监控范围内移动的平均时间，以获得摄像机对应的拓扑矩阵。

可选地，在步骤S201之前，还包括：获得多个摄像机所拍摄的目标，将目标中发生误检、身穿预设制服和图像质量低于预设阈值的目标丢弃。

具体地，当获得摄像机所拍摄的图像后，对图像中的目标进行初步识别，判断图像中是否发生误检，将误检的目标删除，提取图像中包括预设的制服的目标，将身穿预设制服的目标删除，判断图像的质量是否低于预设阈值，其中，预设阈值基于图像的清晰度设定，以删除清晰度过低以致无法识别的目标，经过初步识别后，将部分无需识别或无法识别的目标删除，以提高用于目标聚档的图像的质量，进而提高目标聚档的效率。

在一应用场景中，摄像机在拍摄图像并捕捉目标时，为图像增加误检标识，若发生误检则标识为1，否则为0，处理平台在获得图像后基于误检标识对是否发生误检做出判断，以过滤发生误检的目标。为工作人员提前建立档案，当身穿预设制服的工作人员作为目标被捕捉后，处理平台将身穿预设制服的工作人员过滤，以减少后续无效的比对工作，提高比对效率。将图像清晰度小于预设阈值的图像删除，以避免无法获取有效信息的目标被归为一个单独的档案，提高目标聚档的精度。

步骤S202：基于拓扑矩阵利用均值聚类算法将集合划分为多个子集。

具体地，利用k均值聚类算法划将摄像机对应的集合分成k个小范围的摄像机组成的子集，具体内容可参阅上述步骤S102，在此不再赘述。

步骤S203：获得子集内的摄像机所拍摄的多个目标及其对应的质量评分。

具体地，摄像机拍摄到包括目标的图像后，将包括目标的图像上传至处理平台，处理平台对图像的质量进行评估，以获得目标对应的质量评分。

在一应用方式中，摄像机拍摄到包括目标的图像后将图像上传至处理平台，处理平台按照图像的清晰度为目标的质量进行评分，清晰度越高则目标对应的评分越高。

步骤S204：按质量评分将多个目标进行降序排列，以获得子集对应的目标合集。

具体地，在每个子集内，按照质量评分从高至低的顺序将子集内的摄像机所拍摄的目标进行降序排列，以获得每个子集内对应的目标合集，进而在后续对目标进行比对时，能够按照目标的质量顺序，对质量高的目标进行优先聚档，对于同一目标，优先获取到高质量的图像，进而在融合特征时即可将高质量的图像上的特征作为主要特征，以增强同一目标的特征。

步骤S205：获得目标合集中质量评分最高的第一目标，将拍摄到第一目标的摄像机作为第一摄像机。

具体地，获取当前目标合集中剩余目标中质量评分最高的目标，将其作为第一目标，将拍摄到第一目标的摄像机作为第一摄像机。

步骤S206：将包含第一摄像机的子集内的摄像机所拍摄的目标与第一目标进行特征比对，将比对结果大于第一阈值的目标归为与第一目标相同的目标。

具体地，将第一目标与当前子集内摄像机所拍摄的目标进行特征比对，利用密度聚类算法基于上述实施例中的公式(3)以获得第一目标与其他目标进行特征比对的比对结果，将比对结果大于第一阈值的目标归为与第一目标相同的目标。通过对第一目标在各摄像机之间的接力聚档，使融合特征对目标姿态变化，光照变化，场景变化等具有较好的鲁棒性。

在一应用方式中，请参阅图3，图3是图2中步骤S206对应的一实施方式的流程示意图，步骤S206具体包括：

步骤S301：获得子集内与第一摄像机预设距离内的至少一个第二摄像机。

具体的，基于目标移动的平均时间设置预设距离，预设距离内的摄像机为第一摄像机相邻区域内的摄像机，当第一目标被第一摄像机初次采集后，由于目标移动时在时间和空间上均具有局限性，优先选择与第一摄像机空间位置接近的摄像机以查找是否拍摄到第一目标，提高目标聚档的效率。

步骤S302：基于目标在第一摄像机和第二摄像机之间移动的平均时间，生成第一摄像机相对第二摄像机的时间窗口。

具体地，请再次参阅上述公式(1)，t_ij表示目标从第一摄像机i移动到第二摄像机j的平均时间，在t_ij的基础上减去既定数值作为时间窗口T的下限，在t_ij的基础上加上既定数值作为时间窗口T的上限，上述过程利用公式表示如下：

T＝(t_ij-w,t_ij+w) (4)

具体地，增大时间窗口T的时间周期范围，以扩大对相邻的摄像机的遍历范围，降低因目标移动快慢导致的特征比对的误差。

步骤S303：在第一摄像机和第二摄像机之间的时间窗口内，对第二摄像机所拍摄的目标与第一目标进行特征比对。

具体地，在遍历到与第一摄像机相邻的第二摄像机时，获取第二摄像机中满足时间窗口的目标，利用密度聚类算法将时间窗口内的目标与第一目标进行特征比对。

步骤S304：判断特征比对的比对结果是否大于第一阈值。

具体地，基于上述公式(3)获取特征比对的结果，若大于第一阈值则进入步骤S305，否则进入步骤S306。

步骤S305：将比对结果大于第一阈值的目标归为与第一目标相同的目标，将第一目标从第一摄像机所拍摄的目标中移除，将第二摄像机作为新的第一摄像机。

具体地，当比对结果大于第一阈值时，则将该目标作为与第一目标相同的目标，将第一目标从第一摄像机所拍摄的目标中暂时移除，缓存至存储空间等待特征融合以免重复比对，将第二摄像机作为新的第一摄像机，并返回获得子集内与第一摄像机预设距离内的至少一个第二摄像机的步骤，以使子集内的摄像机对第一目标进行接力聚档，以提高时间的连续性和空间上的合理性，提高目标聚档的准确率。

步骤S306：判断是否遍历完第二摄像机。

具体地，若遍历完第二摄像机，则说明与第一摄像机相邻的第二摄像机已查找不到第一目标，第一目标已离开监控场所，进入步骤S308。若还存在未遍历完的第二摄像机则进入步骤S307。

步骤S307：获取还未与第一摄像机进行比对的第二摄像机。

具体地，当其他第二摄像机中未查找到第一目标，说明目标很可能没有移动至已经进行比对的第二摄像机的方向，而是移动去了其他方向上的第二摄像机，则获取还未与第一摄像机进行比对的第二摄像机，并返回在第一摄像机和第二摄像机之间的时间窗口内，对第二摄像机所拍摄的目标与第一目标进行特征比对的步骤，直至遍历完第二摄像机。

步骤S308：结束遍历。

具体地，结束遍历后进入步骤S207。

步骤S207：将获得的所有第一目标的特征进行融合。

具体地，将获得的所有第一目标的特征进行融合，以将子集内相同目标的特征进行融合，以获得第一聚档结果。

在一应用场景中，当目标为行人时，将第一目标的人体重识别特征进行融合，以获得融合特征后的人体。

步骤S208：将所有第一目标从目标合集中移除，判断目标合集中的目标是否清空。

具体地，当相同的第一目标的特征进行融合后，将所有第一目标从目标合集中移除，并判断目标合集中的目标是否清空。若未清空，则返回获得目标合集中质量评分最高的第一目标，将拍摄到第一目标的摄像机作为第一摄像机的步骤，直至目标合集中的目标清空。若已清空，则表示目标合集中的目标已经完成遍历，进入步骤S209。

步骤S209：获得多个子集分别对应的多个第一聚档结果，在多个第一聚档结果之间进行目标聚类，将同一目标的特征进行融合生成目标对应的档案，以获得第二聚档结果。

具体地，将各个子集对应的第一聚档结果中的目标进行特征比对，将比对结果大于第二阈值的目标归为相同的目标，将同一目标的特征进一步融合，进而生成该目标对应的档案，为比对结果小于或等于第二阈值的目标单独建立档案，以获得第二聚档结果。

可选地，第二阈值大于第一阈值，以使在第一聚档结果之间进行目标聚类时的标准更加严格，进而降低将不同子集内的不同目标归为同一目标的概率，提高目标聚档的准确率。

在一应用方式中，请再次参阅上述公式(3)，在子集内进行特征比对时，将第一阈值设为0.9，在第一聚档结果之间进行特征比对时将第二阈值设为0.95，以提高在第一聚档结果之间进行目标聚类时的标准。

在本实施例中，在每个子集内选择质量评分最高的目标作为第一目标，并将对应的摄像机作为第一摄像机，获取第一摄像机预设距离内的第二摄像机，在时间窗口内将第二摄像机的目标与第一目标进行特征比对，以使子集内的摄像机对第一目标进行接力聚档，从而提高时间的连续性和空间上的合理性，提高目标聚档的准确率。

请参阅图4，图4是本申请电子设备一实施方式的结构示意图，该电子设备40包括相互耦接的存储器401和处理器402，其中，存储器401存储有程序数据(图未示)，处理器402调用程序数据以实现上述任一实施例中的目标聚档方法，相关内容的说明请参见上述方法实施例的详细描述，在此不再赘叙。

请参阅图5，图5是本申请计算机存储介质一实施方式的结构示意图，该计算机存储介质50存储有程序数据500，该程序数据500被处理器执行时实现上述任一实施例中的目标聚档方法，相关内容的说明请参见上述方法实施例的详细描述，在此不再赘叙。

需要说明的是，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。