对照片进行分类存储的方法及装置的制造方法
【技术领域】
[0001]本公开涉及图像识别技术领域，尤其涉及一种对照片进行分类存储的方法及装置。
【背景技术】
[0002]在以人脸为单位对用户相册进行分类的过程中，首先需要获取用户手机上传的全部照片，对全部照片进行人脸检测提取出人脸特征，将提取的人脸特征依次与已分类的人脸进行相似性度量，将具有相似性特征的照片划分到同一个人脸相册中。由于人脸特征会因为光照、表情等因素产生一定的差异，因此会导致采用人脸特征识别的方式不能将照片正确聚类到同一个人脸的相册中，从而影响相册的召回率。
【发明内容】
[0003]为克服相关技术中存在的问题，本公开实施例提供一种对照片进行分类存储的方法及装置，用以提高人脸相册的召回率。
[0004]根据本公开实施例的第一方面，提供一种对照片进行分类存储的方法，包括:
[0005]通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；
[0006]将所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；
[0007]当所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；
[0008]根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。
[0009]在一实施例中，所述方法还可包括:
[0010]将设定数量的有标签人脸样本输入至卷积神经网络，对所述卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0011]在确定所述卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练所述卷积神经网络，得到已训练的卷积神经网络。
[0012]在一实施例中，所述方法还可包括:
[0013]通过所述已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到所述至少一个第二人脸特征；
[0014]将所述至少一个第二人脸特征对应的照片以人脸特征为单位聚类为所述至少一个人脸子相册。
[0015]在一实施例中，所述根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，可包括:
[0016]通过稀疏矩阵求解算法计算所述稀疏矩阵与所述第一人脸特征的乘积在达到最佳稀疏时的一维向量，所述一维向量的长度由所述至少一个第二人脸特征的数量确定；
[0017]将所述至少一个第二人脸特征降维到与所述一维向量的长度相同的维度，得到至少一个第三人脸特征；
[0018]计算所述一维向量与所述至少一个第三人脸特征之间的距离值，得到至少一个距离值；
[0019]根据所述至少一个距离值确定所述照片需要存储的人脸子相册。
[0020]在一实施例中，所述根据所述至少一个第二人脸特征确定一个稀疏矩阵，可包括:
[0021]确定所述至少一个第二人脸特征对应的一维向量的长度以及所述至少一个第二人脸特征的数量；
[0022]将所述至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由所述长度与所述数量确定的一个稀疏矩阵。
[0023]在一实施例中，所述通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征，可包括:
[0024]检测待分类存储的照片中关于人脸的特征点；
[0025]根据所述人脸的特征点从所述照片上确定所述人脸的区域；
[0026]将所述人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，所述人脸图像的分辨率与所述卷积神经网络的输入层的维数相同；
[0027]通过所述已训练的卷积神经网络提取所述人脸图像中的第一人脸特征。
[0028]在一实施例中，所述方法还可包括:
[0029]当所述至少一个相似度值中有大于所述预设阈值的相似度值时，将所述照片聚类到大于所述预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。
[0030]根据本公开实施例的第二方面，提供一种对照片进行分类存储的装置，包括:
[0031]第一提取模块，被配置为通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；
[0032]第一计算模块，被配置为将所述第一提取模块提取到的所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；
[0033]第一确定模块，被配置为当所述第一计算模块计算得到的所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；
[0034]第二确定模块，被配置为根据所述第一人脸特征和所述第一确定模块确定的所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。
[0035]在一实施例中，所述装置还可包括:
[0036]训练模块，被配置为将设定数量的有标签人脸样本输入至卷积神经网络，对所述卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0037]第三确定模块，被配置为在确定所述卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练所述卷积神经网络，确定通过所述训练模块得到已训练的卷积神经网络。
[0038]在一实施例中，所述装置还可包括:
[0039]第二提取模块，被配置为通过所述已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到所述至少一个第二人脸特征；
[0040]照片聚类模块，被配置为将所述第二提取模块提取到的所述至少一个第二人脸特征对应的照片以人脸特征为单位聚类为所述至少一个人脸子相册。
[0041 ]在一实施例中，所述第二确定模块可包括:
[0042]第一计算子模块，被配置为通过稀疏矩阵求解算法计算所述稀疏矩阵与所述第一人脸特征的乘积在达到最佳稀疏时的一维向量，所述一维向量的长度由所述至少一个第二人脸特征的数量确定；
[0043]降维子模块，被配置为将所述至少一个第二人脸特征降维到与所述第一计算子模块计算得到的所述一维向量的长度相同的维度，得到至少一个第三人脸特征；
[0044]第二计算子模块，被配置为计算所述第一计算子模块计算得到的所述一维向量与所述降维子模块降维后的所述至少一个第三人脸特征之间的距离值，得到至少一个距离值；
[0045]第一确定子模块，被配置为根据所述第二计算子模块计算得到的所述至少一个距离值确定所述照片需要存储的人脸子相册。
[0046]在一实施例中，所述第一确定模块可包括:
[0047]第二确定子模块，被配置为确定所述至少一个第二人脸特征对应的一维向量的长度以及所述至少一个第二人脸特征的数量；
[0048]排列子模块，被配置为将所述至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由所述第二确定子模块确定的所述长度与所述数量确定的一个稀疏矩阵。
[0049]在一实施例中，所述第一提取模块可包括:
[0050]检测子模块，被配置为检测待分类存储的照片中关于人脸的特征点；
[0051]第三确定子模块，被配置为根据所述检测子模块检测到的所述人脸的特征点从所述照片上确定所述人脸的区域；
[0052]变换子模块，被配置为将所述第三确定子模块确定的所述人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，所述人脸图像的分辨率与所述卷积神经网络的输入层的维数相同；
[0053]特征提取子模块，被配置为通过所述已训练的卷积神经网络提取所述人脸图像中的第一人脸特征。
[0054]在一实施例中，所述装置还可包括:
[0055]存储模块，被配置为当所述第一计算模块计算得到的所述至少一个相似度值中有大于所述预设阈值的相似度值时，将所述照片聚类到大于所述预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。
[0056]根据本公开实施例的第三方面，提供一种对照片进行分类存储的装置，包括:
[0057]处理器；
[0058]用于存储处理器可执行指令的存储器；
[0059]其中，所述处理器被配置为:
[0060]通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；
[0061]将所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；
[0062]当所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；
[0063]根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。
[0064]本公开的实施例提供的技术方案可以包括以下有益效果:对于至少一个相似度值均小于预设阈值的照片而言，由于至少一个相似度值落在了一个模糊区间，相关技术的人脸识别方法不能够将该照片分类到人脸子相册中，本实施例通过第一人脸特征和稀疏矩阵从至少一个人脸