人臉聚類方法及裝置的制造方法
【技術領域】
[0001]本公開涉及人臉識別領域，特別涉及一種人臉聚類方法及裝置。
【背景技術】
[0002]人臉聚類方法是一種基于人臉特征將相似人臉進行聚類的方法。在照片管理程序中，可以通過人臉聚類方法將對應于不同人臉的照片進行聚類，從而形成不同的相冊。
[0003]相關技術中的一種人臉聚類方法，包括:第一，將每一張照片初始化為一個照片類；第二，根據(jù)每張照片的特征向量，計算任意兩個照片類之間的距離；第三，若兩個照片類之間的距離小于閾值，則將兩個照片類聚類至同一個照片類中；迭代上述第二步驟和第三步驟。但是在聚類過程中，若照片類A中存在幾張錯誤人臉照片，照片類B中存在多張與該錯誤人臉照片對應的其它人臉照片，則在不斷迭代過程中，有可能會錯誤地將照片類A和照片類B聚類至同一個照片類中。

【發(fā)明內(nèi)容】

[0004]為了解決在人臉聚類時，若照片類B中存在與照片類A中錯誤人臉相對應的其他人臉照片，則有可能會錯誤地將照片類A與照片類B聚類至同一個照片類中的問題，本公開提供一種人臉聚類方法及裝置。所述技術方案如下:
[0005]根據(jù)本公開實施例的第一方面，提供一種人臉聚類方法，該方法包括:
[0006]獲取第一照片類和第二照片類，第一照片類包括聚類得到的至少兩張人臉照片；
[0007]對第一照片類中的人臉照片進行聚類，得到至少一個照片子類；
[0008]將至少一個照片子類中的一個照片子類確定為正確人臉子類；
[0009]計算正確人臉子類與第二照片類之間的距離；
[0010]若距離大于閾值，則將第一照片類和第二照片類分別聚類至不同的照片類。
[0011 ] 可選的，對第一照片類中的人臉照片進行聚類，得到至少一個照片子類，包括:
[0012]對第一照片類中的每個人臉照片進行密度聚類，得到至少一個照片子類。
[0013]可選的，對第一照片類中的每個人臉照片進行密度聚類，得到至少一個照片子類，包括:
[0014]獲取第一照片類中每個人臉照片的特征向量；
[0015]通過預設的密度聚類算法計算每個人臉照片的特征向量在高維空間中的密度分布；
[0016]根據(jù)密度分布，得到將人臉照片分別聚類至至少一個照片子類中。
[0017]可選的，密度聚類算法包括基于高密度連接區(qū)域密度聚類算法DBSCAN、對象排序識別聚類結構算法OPTICS、基于密度的增量算法IGDCA、基于最大不相含核心點集的聚類算法LSNCCP中的至少一種。
[0018]可選的，將至少一個照片子類中的一個照片子類確定為正確人臉子類，包括:
[0019]計算每個照片子類中的人臉照片的數(shù)量；
[0020]將數(shù)量最大的照片子類確定為正確人臉子類。
[0021]根據(jù)本公開實施例的第二方面，提供一種人臉聚類裝置，該裝置包括:
[0022]類獲取模塊，被配置為獲取第一照片類和第二照片類，第一照片類包括聚類得到的至少兩張人臉照片；
[0023]第一聚類模塊，被配置為對第一照片類中的人臉照片進行聚類，得到至少一個照片子類；
[0024]確定模塊，被配置為將至少一個照片子類中的一個照片子類確定為正確人臉子類；
[0025]距離計算模塊，被配置為計算正確人臉子類與第二照片類之間的距離；
[0026]第二聚類模塊，被配置為當距離大于閾值時，將第一照片類和第二照片類分別聚類至不同的照片類。
[0027]可選的，第一聚類模塊，包括:
[0028]密度聚類子模塊，被配置為對第一照片類中的每個人臉照片進行密度聚類，得到至少一個照片子類。
[0029]可選的，對密度聚類子模塊，包括:
[0030]獲取子模塊，被配置為獲取第一照片類中每個人臉照片的特征向量；
[0031]密度計算子模塊，被配置為通過預設的密度聚類算法計算每個人臉照片的特征向量在高維空間中的密度分布；
[0032]聚類子模塊，被配置為根據(jù)密度分布，得到將人臉照片分別聚類至至少一個照片子類中。
[0033]可選的，密度聚類算法包括基于高密度連接區(qū)域密度聚類算法DBSCAN、對象排序識別聚類結構算法OPTICS、基于密度的增量算法IGDCA、基于最大不相含核心點集的聚類算法LSNCCP中的至少一種。
[0034]可選的，確定模塊，包括:
[0035]數(shù)量計算子模塊，被配置為計算每個照片子類中的人臉照片的數(shù)量；
[0036]確定子模塊，被配置為將數(shù)量最大的照片子類確定為正確人臉子類。
[0037]根據(jù)本公開實施例的第三方面，提供一種人臉聚類裝置，該裝置包括:
[0038]處理器；
[0039]用于存儲處理器可執(zhí)行指令的存儲器；
[0040]其中，處理器被配置為:
[0041]獲取第一照片類和第二照片類，第一照片類包括聚類得到的至少兩張人臉照片；
[0042]對第一照片類中的人臉照片進行聚類，得到至少一個照片子類；
[0043]將至少一個照片子類中的一個照片子類確定為正確人臉子類；
[0044]計算正確人臉子類與第二照片類之間的距離；
[0045]若距離大于閾值，則將第一照片類和第二照片類分別聚類至不同的照片類。
[0046]本公開的實施例提供的技術方案可以包括以下有益效果:
[0047]通過獲取第一照片類和第二照片類，對第一照片類中人臉照片進行聚類，得到至少一個照片子類，將至少一個照片子類中的一個照片子類確定為正確人臉子類，計算正確人臉子類與第二照片類之間的距離，若距離小于閾值，則將第一照片類和第二照片類聚類至同一個照片類；解決了在人臉聚類時，若第二照片類中存在與第一照片類中錯誤人臉相對應的其他人臉照片，則有可能錯誤地將第一照片類與第二照片類聚類至同一個照片類的問題；達到了在聚類時避免出現(xiàn)一個照片類因為存在少數(shù)錯誤人臉照片時，引入更多錯誤人臉照片的聚類錯誤，提高人臉聚類的準確度的效果。
[0048]應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性的，并不能限制本公開。
【附圖說明】
[0049]此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本公開的實施例，并于說明書一起用于解釋本公開的原理。
[0050]圖1是根據(jù)一示例性實施例示出的一種人臉聚類方法的方法流程圖；
[0051]圖2A是根據(jù)另一示例性實施例示出的一種人臉聚類方法的方法流程圖；
[0052]圖2B是根據(jù)另一示例性實施例示出的一種人臉聚類方法的實施示意圖；
[0053]圖2C是根據(jù)另一示例性實施例示出的一種人臉聚類方法的方法流程圖；
[0054]圖2D是根據(jù)另一示例性實施例示出的DBSCAN算法的實施示意圖；
[0055]圖2E是根據(jù)另一示例性實施例示出的一種人臉聚類方法的實施示意圖；
[0056]圖2F是根據(jù)另一示例性實施例示出的一種人臉聚類方法的實施示意圖；
[0057]圖3是根據(jù)一示例性實施例示出的一種人臉聚類裝置的框圖；
[0058]圖4是根據(jù)另一示例性實施例示出的一種人臉聚類裝置的框圖；
[0059]圖5是根據(jù)另一示例性實施例示出的一種人臉聚類裝置的框圖。
【具體實施方式】
[0060]這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。
[0061]人臉聚類方法存在多種，比如:劃分聚類方法、層次聚類方法、密度聚類方法、網(wǎng)格聚類方法、模型聚類方法。其中，密度聚類方法的主要指導思想是指當某一區(qū)域中的點的密度大于某個閾值時，就將該點添加到與該點相近的聚類中去，點的密度由該點特定半徑之內(nèi)的點計數(shù)(包括該點本身)來估計。
[0062]密度聚類算法包括:DBSCAN(Gensity-basedSpatial Cluetering ofApplicat1n with Noise，基于高密度連接區(qū)域密度聚類算法)、0PTICS (Order Points toIdentify the Cluetering Structure，對象排序識別聚類結構算法)、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點集的聚類算法)等。
[0063]在對人臉照片進行聚類時，可以采用全量聚類或者增量聚類的方法進行聚類。
[0064]全量聚類的過程如下:
[0065]第一步、對所有需要聚類的人臉照片進行初始化處理，獲取人臉照片中的m個人臉信息，將獲取到的m個人臉信息作為m個照片類；
[0066]第二步、計算m個照片類中任意兩個照片類之間的距離；
[0067]第三步、將距離小于預定閾值的兩個照片類合并成一個照片類；