可以通过相关技术中的人脸检测技术得到第一云相册中的每一照片中关于人脸的特征点，根据特征点从照片上确定人脸的区域图像，例如，照片的分辨率为1000*1000，特征点为人脸上的双眼位置，则可以以双眼位置以及人脸的边沿确定人脸的区域图像在照片上的位置以及大小，例如，人脸的区域为100*100。
[0145]在步骤S503中，将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，人脸图像的分辨率与已训练的卷积神经网络的输入层的维数相同。
[0146]在一实施例中，可以建立包含有海量的人脸样本的样本库，每一个人脸样本的分辨率经过缩放后与卷进神经网络的输入层的维数相同，对样本库中的每一人脸样本进行人脸检测，检测出人脸的双眼中心点、鼻子、嘴等四个特征点，通过海量的人脸样本上的双眼中心点、鼻子、嘴的特征点得到一个预设参考特征点。
[0147]在一实施例中，由于输入至CNN的区域图像的大小与CNN的输入层的维数可能不相同，因此还可以将检测到的区域图像进行仿射变换，从而确保不同大小的第一区域经过仿射变换后与卷积神经网络的输入层的维数相同，例如，从照片上截取的区域图像的大小为100 X 100，通过仿射变换将其变换后得到的大小为224X224，从而可以使区域图像与CNN的输入层的维数相同，确保区域图像信息能够准确地输入到如图3B所示的卷积神经网络的输入层。
[0148]在步骤S504中，通过已训练的卷积神经网络提取人脸图像中的人脸特征，得到至少一个第一人脸子相册各自对应的第一人脸特征。
[0149]对于如何得到第二云相册中的至少一个第三人脸子相册各自对应的第二人脸特征的描述可以参见本实施例的相关描述，在此不再详述。
[0150]本实施例中，通过仿射变换将人脸的区域图像根据预设参考特征点进行仿射变换得到能够支持卷积神经网络的输入层，确保人脸的区域图像能够准确地输入到训练后的卷积神经网络的输入层；由于已训练的卷积神经网络是通过海量的有标签人脸样本训练得到的，从而可以使已训练的卷积神经网络提取出的第一人脸特征能够准确的表示照片中的人脸，大大提尚后期人脸识别的准确率。
[0151]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，如图6所示，对照片进行聚类的装置包括:
[0152]第一确定模块61，被配置为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；
[0153]第二确定模块62，被配置为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；
[0154]第三确定模块63，被配置为确定第一确定模块61确定的至少一个第二人脸子相册各自对应的第一人脸特征与第二确定模块62确定的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；
[0155]第四确定模块64，被配置为根据第三确定模块63确定的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。
[0156]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，如图7所示，在上述图6所示实施例的基础上，在一实施例中，装置还可包括:
[0157]第五确定模块65，被配置为确定与第一用户标识相关联的通信名单；
[0158]查找模块66，被配置为查找第五确定模块65确定的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，第二确定模块62确定查找模块66查找到的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。
[0159]在一实施例中，装置还可包括:
[0160]第一提取模块67，被配置为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；
[0161]第一聚类模块68，被配置为将第一提取模块67提取到的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。
[0162]在一实施例中，装置还可包括:
[0163]第二提取模块69，被配置为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；
[0164]第二聚类模块70，被配置为将第二提取模块69提取到的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。
[0165]在一实施例中，装置还可包括:
[0166]第一训练模块71，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；
[0167]第一控制模块72，被配置为在确定卷积神经网络中各节点之间的连接的最佳权重参数时，控制第一训练模块71停止训练卷积神经网络，得到已训练的卷积神经网络，以供第一提取模块67和第二提取模块69通过已训练的卷积神经网络对各自的云相册中的全部照片进行特征提取。
[0168]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，如图8所示，在上述图6或图7所示实施例的基础上，在一实施例中，装置还可包括:
[0169]第六确定模块73，被配置为确定第一云相册中的每一照片中关于人脸的特征点；
[0170]第七确定模块74，被配置为根据第六确定模块73确定的人脸的特征点从每一照片上确定人脸的区域；
[0171]第一变换模块75，被配置为将第七确定模块74确定的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，人脸图像的分辨率与已训练的卷积神经网络的输入层的维数相同；
[0172]第三提取模块76，被配置为通过第一训练模块71训练得到的卷积神经网络提取人脸图像中的人脸特征，得到至少一个第一人脸子相册各自对应的第一人脸特征，第一确定模块61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。
[0173]在一实施例中，装置还可包括:
[0174]第八确定模块77，被配置为确定第二云相册中的每一照片中关于人脸的特征点；
[0175]第九确定模块78，被配置为根据第八确定模块77确定的人脸的特征点从每一照片上确定人脸的区域；
[0176]第二变换模块79，被配置为将第九确定模块78确定的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，人脸图像的分辨率与已训练的卷积神经网络的输入层的维数相同；
[0177]第四提取模块80，被配置为通过第一训练模块71训练得到的卷积神经网络提取人脸图像中的人脸特征，得到至少一个第三人脸子相册各自对应的第二人脸特征，第二确定模块62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。
[0178]关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0179]图9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。例如，装置900可以被提供为一服务器。参照图9，装置900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理部件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述对照片进行聚类的方法。
[0180]装置900还可以包括一个电源组件926被配置为执行装置900的电源管理，一个有线或无线网络接口 950被配置为将装置900连接到网络，和一个输入输出(I/O)接口 958。装置900可以操作基于存储在存储器932的操作系统，例如Windows ServerTM,Mac OS XTM,UnixTM，LinuxTM，FreeBSDTM 或类似。
[0181]在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器932，上述指令可由装置900的处理组件922执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
[0182]本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技