br>[0113]综上所述，本公开实施例所提供的人脸聚类方法，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；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。
[0114]此外，本公开实施例所提供的人脸聚类方法，还通过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，将不同特征的人脸照片区分开。
[0115]此外，本公开实施例所提供的人脸聚类方法，还通过将照片子类中人脸数量最大的照片子类确定为正确人脸子类，选出最能代表第一照片类中的人脸照片的特征的照片子类，使得后续人脸聚类的准确度提高。
[0116]需要说明的是，上述人脸聚类方法可重复执行，也即在每完成一次人脸聚类，照片类中包含的人脸照片出现变动时，就可执行上述人脸聚类方法，确定出正确人脸子类，利用正确人脸子类参与后续人脸聚类，最终得到聚类结果是分别属于不同人脸的若干个照片类。
[0117]在一个示例性的例子中，采用全量聚类的方法对若干张人脸照片进行初始化，得到η个照片类，计算η个照片类中任意两个照片类之间的距离，对该η个照片类进行再次聚类后得到m个照片类，某些照片类中包含至少两张人脸照片；获取第一照片类和第二照片类，第一照片类中包含至少两张人脸照片，采用DBSCAN算法对第一照片类中的人脸照片进行密度聚类，得到三个照片子类，将包含人脸照片数量最大的照片子类作为正确人脸子类A，将得到的正确人脸子类A与第二照片类之间距离与阈值比较，小于阈值，将第一照片类与第二照片类聚类至同一个照片类，当m个照片类都完成本次聚类后，得到k个照片类，在次取出第一照片类和第二照片类，确定出第一照片类中的正确人脸子类，并使用正确人脸子类完成聚类；如此迭代计算直到η张人脸照片被聚类成若干个照片类，每个照片类都不能与任意一个照片类聚类至同一个照片类。形成的若干个照片类即为分别对应不同人脸的若干个相册。
[0118]下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
[0119]请参考图3，其示出了本发明一个实施例提供的人脸聚类装置的结构方框图。该人脸聚类装置可以通过软件、硬件或者两者的结合实现成为上述可提供人脸聚类方法的电子设备的全部或者一部分。如图3所示，该装置包括:
[0120]类获取模块310，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。
[0121]第一聚类模块320，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。
[0122]确定模块330，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。
[0123]距离计算模块340，被配置为计算正确人脸子类与第二照片类之间的距离。
[0124]第二聚类模块350，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。
[0125]综上所述，本公开实施例所提供的人脸聚类装置，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；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。
[0126]请参考图4，其示出了本发明一个实施例提供的人脸聚类装置的结构方框图。该人脸聚类装置可以通过软件、硬件或者两者的结合实现成为上述可提供人脸聚类方法的电子设备的全部或者一部分。如图4所示，该装置包括:
[0127]类获取模块410，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；
[0128]第一聚类模块420，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；
[0129]确定模块430，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；
[0130]距离计算模块440，被配置为计算正确人脸子类与第二照片类之间的距离；
[0131]第二聚类模块450，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。
[0132]可选的，第一聚类模块420，包括:
[0133]密度聚类子模块421，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。
[0134]可选的，对密度聚类子模块421，包括:
[0135]获取子模块4211，被配置为获取第一照片类中每个人脸照片的特征向量；
[0136]密度计算子模块4212，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；
[0137]聚类子模块4213，被配置为根据密度分布，将人脸照片分别聚类至至少一个照片子类中。
[0138]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。
[0139]可选的，确定模块430，包括:
[0140]数量计算子模块431，被配置为计算每个照片子类中的人脸照片的数量；
[0141]确定子模块432，被配置为将数量最大的照片子类确定为正确人脸子类。
[0142]综上所述，本公开实施例所提供的人脸聚类装置，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；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。
[0143]此外，本公开实施例所提供的人脸聚类装置，还通过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，将不同特征的人脸照片区分开。
[0144]此外，本公开实施例所提供的人脸聚类装置，还通过将照片子类中人脸数量最大的照片子类确定为正确人脸子类，选出最能代表第一照片类中的人脸照片的特征的照片子类，使得后续人脸聚类的准确度提高。
[0145]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。
[0146]本公开一示例性实施例提供了一种人脸聚类装置，能够实现本公开提供的人脸聚类方法，该人脸聚类装置包括:处理器、用于存储处理器可执行指令的存储器；
[0147]其中，处理器被配置为:
[0148]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；
[0149]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；
[0150]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；
[0151]计算正确人脸子类与第二照片类之间的距离；
[0152]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。
[0153]图5是根据一示例性实施例示出的一种人脸装置的框图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0154]参照图5，装置500可以包括以下一个或多个组件:处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)接口 512，传感器组件514，以及通信组件516，图像识别组件515。
[0155]处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器518来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
[0156]存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性