人脸聚类方法及装置的制造方法
【技术领域】
[0001]本公开涉及人脸识别领域，特别涉及一种人脸聚类方法及装置。
【背景技术】
[0002]人脸聚类方法是一种基于人脸特征将相似人脸进行聚类的方法。在照片管理程序中，可以通过人脸聚类方法将对应于不同人脸的照片进行聚类，从而形成不同的相册。
[0003]相关技术中的一种人脸聚类方法，包括:第一，将每一张照片初始化为一个照片类；第二，根据每张照片的特征向量，计算任意两个照片类之间的距离；第三，若两个照片类之间的距离小于阈值，则将两个照片类聚类至同一个照片类中；迭代上述第二步骤和第三步骤。但是在聚类过程中，若照片类A中存在几张错误人脸照片，照片类B中存在多张与该错误人脸照片对应的其它人脸照片，则在不断迭代过程中，有可能会错误地将照片类A和照片类B聚类至同一个照片类中。
【发明内容】
[0004]为了解决在人脸聚类时，若照片类B中存在与照片类A中错误人脸相对应的其他人脸照片，则有可能会错误地将照片类A与照片类B聚类至同一个照片类中的问题，本公开提供一种人脸聚类方法及装置。所述技术方案如下:
[0005]根据本公开实施例的第一方面，提供一种人脸聚类方法，该方法包括:
[0006]获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片；
[0007]对第一照片类中的人脸照片进行聚类，得到至少一个照片子类；
[0008]将至少一个照片子类中的一个照片子类确定为正确人脸子类；
[0009]计算正确人脸子类与第二照片类之间的距离；
[0010]若距离大于阈值，则将第一照片类和第二照片类分别聚类至不同的照片类。
[0011 ] 可选的，对第一照片类中的人脸照片进行聚类，得到至少一个照片子类，包括:
[0012]对第一照片类中的每个人脸照片进行密度聚类，得到至少一个照片子类。
[0013]可选的，对第一照片类中的每个人脸照片进行密度聚类，得到至少一个照片子类，包括:
[0014]获取第一照片类中每个人脸照片的特征向量；
[0015]通过预设的密度聚类算法计算每个人脸照片的特征向量在高维空间中的密度分布；
[0016]根据密度分布，得到将人脸照片分别聚类至至少一个照片子类中。
[0017]可选的，密度聚类算法包括基于高密度连接区域密度聚类算法DBSCAN、对象排序识别聚类结构算法OPTICS、基于密度的增量算法IGDCA、基于最大不相含核心点集的聚类算法LSNCCP中的至少一种。
[0018]可选的，将至少一个照片子类中的一个照片子类确定为正确人脸子类，包括:
[0019]计算每个照片子类中的人脸照片的数量；
[0020]将数量最大的照片子类确定为正确人脸子类。
[0021]根据本公开实施例的第二方面，提供一种人脸聚类装置，该装置包括:
[0022]类获取模块，被配置为获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片；
[0023]第一聚类模块，被配置为对第一照片类中的人脸照片进行聚类，得到至少一个照片子类；
[0024]确定模块，被配置为将至少一个照片子类中的一个照片子类确定为正确人脸子类；
[0025]距离计算模块，被配置为计算正确人脸子类与第二照片类之间的距离；
[0026]第二聚类模块，被配置为当距离大于阈值时，将第一照片类和第二照片类分别聚类至不同的照片类。
[0027]可选的，第一聚类模块，包括:
[0028]密度聚类子模块，被配置为对第一照片类中的每个人脸照片进行密度聚类，得到至少一个照片子类。
[0029]可选的，对密度聚类子模块，包括:
[0030]获取子模块，被配置为获取第一照片类中每个人脸照片的特征向量；
[0031]密度计算子模块，被配置为通过预设的密度聚类算法计算每个人脸照片的特征向量在高维空间中的密度分布；
[0032]聚类子模块，被配置为根据密度分布，得到将人脸照片分别聚类至至少一个照片子类中。
[0033]可选的，密度聚类算法包括基于高密度连接区域密度聚类算法DBSCAN、对象排序识别聚类结构算法OPTICS、基于密度的增量算法IGDCA、基于最大不相含核心点集的聚类算法LSNCCP中的至少一种。
[0034]可选的，确定模块，包括:
[0035]数量计算子模块，被配置为计算每个照片子类中的人脸照片的数量；
[0036]确定子模块，被配置为将数量最大的照片子类确定为正确人脸子类。
[0037]根据本公开实施例的第三方面，提供一种人脸聚类装置，该装置包括:
[0038]处理器；
[0039]用于存储处理器可执行指令的存储器；
[0040]其中，处理器被配置为:
[0041]获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片；
[0042]对第一照片类中的人脸照片进行聚类，得到至少一个照片子类；
[0043]将至少一个照片子类中的一个照片子类确定为正确人脸子类；
[0044]计算正确人脸子类与第二照片类之间的距离；
[0045]若距离大于阈值，则将第一照片类和第二照片类分别聚类至不同的照片类。
[0046]本公开的实施例提供的技术方案可以包括以下有益效果:
[0047]通过获取第一照片类和第二照片类，对第一照片类中人脸照片进行聚类，得到至少一个照片子类，将至少一个照片子类中的一个照片子类确定为正确人脸子类，计算正确人脸子类与第二照片类之间的距离，若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类；解决了在人脸聚类时，若第二照片类中存在与第一照片类中错误人脸相对应的其他人脸照片，则有可能错误地将第一照片类与第二照片类聚类至同一个照片类的问题；达到了在聚类时避免出现一个照片类因为存在少数错误人脸照片时，引入更多错误人脸照片的聚类错误，提高人脸聚类的准确度的效果。
[0048]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的，并不能限制本公开。
【附图说明】
[0049]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并于说明书一起用于解释本公开的原理。
[0050]图1是根据一示例性实施例示出的一种人脸聚类方法的方法流程图；
[0051]图2A是根据另一示例性实施例示出的一种人脸聚类方法的方法流程图；
[0052]图2B是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；
[0053]图2C是根据另一示例性实施例示出的一种人脸聚类方法的方法流程图；
[0054]图2D是根据另一示例性实施例示出的DBSCAN算法的实施示意图；
[0055]图2E是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；
[0056]图2F是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；
[0057]图3是根据一示例性实施例示出的一种人脸聚类装置的框图；
[0058]图4是根据另一示例性实施例示出的一种人脸聚类装置的框图；
[0059]图5是根据另一示例性实施例示出的一种人脸聚类装置的框图。
【具体实施方式】
[0060]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公开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、本公开的一些方面相一致的装置和方法的例子。
[0061]人脸聚类方法存在多种，比如:划分聚类方法、层次聚类方法、密度聚类方法、网格聚类方法、模型聚类方法。其中，密度聚类方法的主要指导思想是指当某一区域中的点的密度大于某个阈值时，就将该点添加到与该点相近的聚类中去，点的密度由该点特定半径之内的点计数(包括该点本身)来估计。
[0062]密度聚类算法包括:DBSCAN(Gensity-basedSpatial Cluetering ofApplicat1n with Noise，基于高密度连接区域密度聚类算法)、0PTICS (Order Points toIdentify the Cluetering Structure，对象排序识别聚类结构算法)、IGDCA (IncrementalGrid Density-Based Cluetering Algorithm，基于密度的增量算法)、LSNCCP (the Largestset of Nov-Cored Core Points，基于最大不相含核心点集的聚类算法)等。
[0063]在对人脸照片进行聚类时，可以采用全量聚类或者增量聚类的方法进行聚类。
[0064]全量聚类的过程如下:
[0065]第一步、对所有需要聚类的人脸照片进行初始化处理，获取人脸照片中的m个人脸信息，将获取到的m个人脸信息作为m个照片类；
[0066]第二步、计算m个照片类中任意两个照片类之间的距离；
[0067]第三步、将距离小于预定阈值的两个照片类合并成一个照片类；