个第二人脸子相册各自对应的第一人脸特征，所述第一云相册对应第一用户标识；
[0063]确定与所述第一用户标识相关联的第二用户标识在所述云服务器上存储第二云相册中的至少一个第三人脸子相册以及所述至少一个第三人脸子相册各自对应的第二人脸特征；
[0064]确定所述至少一个第二人脸子相册各自对应的第一人脸特征与所述至少一个第三人脸子相册各自对应的人脸特征的相似度值，得到多个相似度值；
[0065]根据所述多个相似度值从所述至少一个第三人脸子相册中确定与所述至少一个第二人脸子相册各自对应的人脸特征相同的人脸照片。
[0066]本公开的实施例提供的技术方案可以包括以下有益效果:通过从与第一用户标识相关联的第二用户标识在云服务器上存储的第二云相册中确定与第一用户标识中的人脸子相册对应的人脸特征相同的人脸照片，从而可以使第一用户标识的第一云相册中的照片数量低于预设阈值的人脸子相册中的照片的多样性得到补充，当多样性的照片得到丰富后，可以使照片数量较少的人脸子相册对应的人脸特征能够更准确地表征该人脸，进而大大提高至少一个第二人脸子相册中的照片在聚类识别过程中的召回率。
[0067]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0068]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0069]图1A是根据一示例性实施例示出的对照片进行聚类的方法的流程图。
[0070]图1B是根据一示例性实施例示出的第一云相册与第一人脸子相册的示意图。
[0071 ]图2是根据一示例性实施例一示出的对照片进行聚类的方法的流程图。
[0072]图3A是根据一示例性实施例二示出的如何对卷积神经网络进行训练的示意图。
[0073]图3B是根据一示例性实施例二示出的卷积神经网络的结构示意图。
[0074]图4是根据一示例性实施例三示出的对照片进行聚类的方法的流程图。
[0075]图5是根据一示例性实施例四示出的对照片进行聚类的方法的流程图。
[0076]图6是根据一示例性实施例示出的一种对照片进行聚类的装置的框图。
[0077]图7是根据一示例性实施例示出的另一种对照片进行聚类的装置的框图。
[0078]图8是根据一示例性实施例示出的再一种对照片进行聚类的装置的框图。
[0079]图9是根据一示例性实施例示出的一种适用于对照片进行聚类的装置的框图。
【具体实施方式】
[0080]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0081 ]图1A是根据一示例性实施例示出的对照片进行聚类的方法的流程图，图1B是根据一示例性实施例示出的第一云相册与第一人脸子相册的示意图；该对照片进行聚类的方法可以应用在云服务器上，云服务器对用户上传到服务器上的云相册通过本公开的方法得到以人脸为单位的人脸子相册，如图1A所示，该对照片进行聚类的方法包括以下步骤SlOl-S104:
[0082]在步骤SlOl中，从第一云相册中的至少一个第一人脸子相册中确定照片数量低于预设阈值的至少一个第二人脸子相册以及至少一个第二人脸子相册各自对应的第一人脸特征，第一云相册对应第一用户标识。
[0083]在步骤S102中，确定与第一用户标识相关联的第二用户标识在云服务器上存储第二云相册中的至少一个第三人脸子相册以及至少一个第三人脸子相册各自对应的第二人脸特征。
[0084]在步骤S103中，确定至少一个第二人脸子相册各自对应的第一人脸特征与至少一个第三人脸子相册各自对应的人脸特征的相似度值，得到多个相似度值。
[0085]在步骤S104中，根据多个相似度值从至少一个第三人脸子相册中确定与至少一个第二人脸子相册各自对应的人脸特征相同的人脸照片。
[0086]在一示例性场景中，以第一用户标识为用户A以及第二用户标识为用户B为例进行示例性说明，当用户A在其存储在电子设备上(智能手机或者平板电脑灯)的照片同上传至云服务器上后，用户A的照片在云服务器上形成了图1B所示的第一云相册10，云服务器会对用户A的照片以人脸为单位进行聚类，得到了图1B所示的8个人脸子相册(即本公开中所述的至少一个第一人脸子相册)，第一云相册10中包含了用户A-用户H各自的人脸子相册，其中，用户AU表示存储包含用户A的人脸照片的人脸子相册，用户B12表示存储包含有用户B的人脸的照片的人脸子相册，用户C13表示存储包含用户C的人脸照片的人脸子相册，用户D14表示存储包含有用户D的人脸的照片的人脸子相册，等等，由此可以将同一个云相册中的照片以人脸为单位进行存储。在一实施例中，为了提高人脸子相册的识别聚类召回率，可以通过rank-order聚类算法对计算好的人脸特征进行聚类处理，得到用户A对应的至少一个第一人脸子相册以及用户B对应的至少一个第三人脸子相册。
[0087]在8个人脸子相册中，如果用户B和用户C对应的人脸子相册(本公开中所述的至少一个第二人脸子相册)中的照片数量低于一个预设阈值(该预设阈值可以通过经验来设定)，此时用户B和用户C对应的人脸子相册对应的人脸特征由于照片数量较少导致通过相关技术中的聚类算法很难将用户B和用户C的照片聚集在一起，致使用户B和用户C对应的人脸子相册更为闲散。例如，用户A的人脸子相册中存储了200张包含有用户A的人脸的照片，用户B的人脸子相册中存储了20张包含有用户B的人脸的照片，用户C的人脸子相册中存储了 10张包含有用户C的人脸的照片，用户D的人脸子相册中存储了 100张包含有用户D的人脸的照片，如果预设于志伟30，则用户B和用户C对应的人脸子相册中的照片数量低于20。
[0088]为了提高用户B和用户C各自对应的人脸特征的准确度，需要增加用户B和用户C的用于人脸识别的照片，此时，可以通过用户A上传至云服务器的通讯录来查找用户B和用户C是否存在云相册，如果经过查找后确定与用户A相关联的第二用户标识为用户B，则可以在云服务器上确定用户B存储的第二云相册，云服务器可以对第二云相册可以采用与第一云相册相同的方法进行人脸聚类，得到至少一个第三人脸子相册(可以包括用户A、用户B、用户M、用户N等等)以及至少一个第三人脸子相册各自对应的第二人脸特征。
[0089]确定用户B的人脸子相册对应的第一人脸特征与第二云相册中的用户A、用户B、用户M、用户N各自对应的人脸特征的相似度值(例如，分别为sI，s2，s3，s4)，从该sI，s2，s3，s4中确定出与第一云相册中的用户B的人脸特征最相似的人脸特征，例如，s2为四个相似度值中最大的一个，则可以将s2对应的人脸子相册中的照片确定为与第一云相册中的用户B的人脸子相册对应的人脸特征相同的人脸照片，此时可以将第二云相册中的用户B的人脸子相册与第一云相册中的用户B的人脸子相册聚集在一起。第一云相册中的照片数量低于预设阈值的其它人脸子相册如果提高照片多样性的方式同上述描述，在此不再赘述。
[0090]本实施例中，通过从与第一用户标识相关联的第二用户标识在云服务器上存储的第二云相册中确定与第一用户标识中的人脸子相册对应的人脸特征相同的人脸照片，从而可以使第一用户标识的第一云相册中的照片数量低于预设阈值的人脸子相册中的照片的多样性得到补充，当多样性的照片得到丰富后，可以使照片数量较少的人脸子相册对应的人脸特征能够更准确地表征该人脸，进而大大提高至少一个第二人脸子相册中的照片在聚类识别过程中的召回率。
[0091 ]在一实施例中，方法还可包括:
[0092]确定与第一用户标识相关联的通信名单；
[0093]查找通信名单中在云服务器上具有云相册的用户标识，将通信名单中具有云相册的用户标识确定为与第一用户标识相关联的第二用户标识。
[0094]在一实施例中，方法还可包括:
[0095]通过已训练的卷积神经网络对第一云相册中的全部照片进行特征提取，得到至少一个第三人脸特征；
[0096]将至少一个第三人脸特征对应的照片以人脸特征为单位聚类为至少一个第一人脸子相册。
[0097]在一实施例中，方法还可包括:
[0098]通过已训练的卷积神经网络对第二云相册中的全部照片进行特征提取，得到至少一个第四人脸特征；
[0099]将至少一个第四人脸特征对应的照片以人脸特征为单位聚类为至少一个第三人脸子相册。
[0100]在一实施例中，方法还可包括:
[0101]将设定数量的有标签人脸样本输入至卷积神经网络，对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；