CN109034106B - 人脸数据清洗方法及装置 - Google Patents

Abstract

本公开是关于人脸数据清洗方法及装置。方法包括：获取与目标人物相关的第一待处理的人脸数据；基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征；根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；清洗第三人脸数据得到第四人脸数据，将第一人脸数据及第四人脸数据确定为目标人物对应的第一目标人脸数据。本公开能够减少数据清洗操作所需花费的时间和人力，降低数据清洗的成本，提高数据清洗的效率。

Description

人脸数据清洗方法及装置

技术领域

本公开涉及终端技术领域，尤其涉及人脸数据清洗方法及装置。

背景技术

基于深度学习的人脸识别技术大大提高了人脸识别的准确性，促进了人脸识别在金融、公安、支付等领域的应用。

但是，基于深度学习的人脸识别需要大量经过标注的人脸数据作为训练样本，因此数据整理的需求很大。同时，通过网络搜索等方式获取的人脸数据，往往一个人的人脸数据中混杂着其它人的人脸数据，甚至是非人脸的数据，需要对这些数据进行清洗。

发明内容

为克服相关技术中存在的问题，本公开实施例提供一种人脸数据清洗方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种人脸数据清洗方法，方法包括：

获取与目标人物相关的第一待处理的人脸数据；

基于第一人脸识别模型分别提取各所述人脸数据的人脸特征，并根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征；

根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

清洗所述第三人脸数据得到第四人脸数据，将所述第一人脸数据及所述第四人脸数据确定为所述目标人物对应的第一目标人脸数据。

在一个实施例中，所述根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出所述各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据，包括：

计算各所述人脸数据的人脸特征与所述目标人物的第一人脸特征的相似度；

将各所述人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各所述人脸数据中相似度不大于所述第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各所述人脸数据中相似度不大于所述第二阈值的人脸数据，确定为需要删除的第二人脸数据。

在一个实施例中，所述根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征，包括：

计算各所述人脸数据的人脸特征的平均值；

将计算得到的平均值，确定为所述目标人物的第一人脸特征。

在一个实施例中，在所述将所述第一人脸数据及所述第四人脸数据，确定为所述目标人物对应的第一目标人脸数据之后，所述方法还包括：

基于所述第一人脸数据及所述第四人脸数据，训练所述第一人脸识别模型，得到训练后的第二人脸识别模型；

基于所述第二人脸识别模型分别提取各所述第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各所述第一目标人脸数据的人脸特征，确定所述目标人物的第二人脸特征；

根据所述目标人物的第二人脸特征及各所述第二待处理的人脸数据的人脸特征，筛选出各所述第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；

清洗所述第七人脸数据得到第八人脸数据，将所述第一人脸数据、所述第四人脸数据、所述第五人脸数据及所述第八人脸数据确定为所述目标人物对应的第二目标人脸数据。

在一个实施例中，所述获取与目标人物相关的第一待处理的人脸数据，包括：

获取与目标人物相关的参考数据；

基于所述第一人脸识别模型分别对各所述参考数据进行人脸检测；

将各所述参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

根据本公开实施例的第二方面，提供一种人脸数据清洗装置，包括：

获取模块，用于获取与目标人物相关的第一待处理的人脸数据；

第一确定模块，用于基于第一人脸识别模型分别提取各所述人脸数据的人脸特征，并根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征；

第一筛选模块，用于根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

第一清洗模块，用于清洗所述第三人脸数据得到第四人脸数据，将所述第一人脸数据及所述第四人脸数据确定为所述目标人物对应的第一目标人脸数据。

在一个实施例中，所述第一筛选模块，包括：

计算子模块，用于计算各所述人脸数据的人脸特征与所述目标人物的第一人脸特征的相似度；

第一确定子模块，用于将各所述人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各所述人脸数据中相似度不大于所述第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各所述人脸数据中相似度不大于所述第二阈值的人脸数据，确定为需要删除的第二人脸数据。

在一个实施例中，所述第一确定模块计算各所述人脸数据的人脸特征的平均值；及将计算得到的平均值，确定为所述目标人物的第一人脸特征。

在一个实施例中，所述装置还包括：

训练模块，用于基于所述第一人脸数据及所述第四人脸数据，训练所述第一人脸识别模型，得到训练后的第二人脸识别模型；

第二确定模块，用于基于所述第二人脸识别模型分别提取各所述第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各所述第一目标人脸数据的人脸特征，确定所述目标人物的第二人脸特征；

第二筛选模块，用于根据所述目标人物的第二人脸特征及各所述第二待处理的人脸数据的人脸特征，筛选出各所述第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；

第二清洗模块，用于清洗所述第七人脸数据得到第八人脸数据，将所述第一人脸数据、所述第四人脸数据、所述第五人脸数据及所述第八人脸数据确定为所述目标人物对应的第二目标人脸数据。

在一个实施例中，所述获取模块，包括：

获取子模块，用于获取与目标人物相关的参考数据；

人脸检测子模块，用于基于所述第一人脸识别模型分别对各所述参考数据进行人脸检测；

第二确定子模块，用于将各所述参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

根据本公开实施例的第三方面，提供一种人脸数据清洗装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取与目标人物相关的第一待处理的人脸数据；

基于第一人脸识别模型分别提取各所述人脸数据的人脸特征，并根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征；

根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

清洗所述第三人脸数据得到第四人脸数据，将所述第一人脸数据及所述第四人脸数据确定为所述目标人物对应的第一目标人脸数据。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述第一方面中任意一项所述方法实施例的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：该技术方案通过使用人脸识别模型提取待处理的人脸数据的人脸特征，并计算目标人物的第一人脸特征，然后根据待处理的人脸数据的人脸特征及目标人物的第一人脸特征对待处理的人脸数据进行筛选处理，仅需清洗部分人脸数据，能够大大减少数据清洗操作所需花费的时间和人力，降低数据清洗的成本，提高数据清洗的效率。

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

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，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的人脸数据清洗方法的流程图。

图2是根据一示例性实施例示出的人脸数据清洗方法的流程图。

图3是根据一示例性实施例示出的人脸数据清洗方法的流程图。

图4是根据一示例性实施例示出的人脸数据清洗方法的流程图。

图5是根据一示例性实施例示出的人脸数据清洗装置的框图。

图6是根据一示例性实施例示出的人脸数据清洗装置的框图。

图7是根据一示例性实施例示出的人脸数据清洗装置的框图。

图8是根据一示例性实施例示出的人脸数据清洗装置的框图。

图9是根据一示例性实施例示出的人脸数据清洗装置的框图。

图10是根据一示例性实施例示出的装置的框图。

图11是根据一示例性实施例示出的装置的框图。

具体实施方式

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。

相关技术中，基于深度学习的人脸识别需要大量经过标注的人脸数据作为训练样本，因此数据整理的需求很大。同时，通过网络搜索等方式获取的人脸数据，往往一个人的人脸数据中混杂着其它人的人脸数据，甚至是非人脸的数据，需要对这些数据进行清洗，这就使得数据清洗操作需要花费较多的时间和人力，造成数据清洗的成本较高。

为了解决上述问题，本公开实施例提供了一种人脸数据清洗方法，方法包括：获取与目标人物相关的第一待处理的人脸数据；基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征；根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；清洗第三人脸数据得到第四人脸数据；将第一人脸数据及第四人脸数据，确定为目标人物对应的第一目标人脸数据。

本公开实施例通过使用人脸识别模型提取待处理的人脸数据的人脸特征，并计算目标人物的第一人脸特征，然后根据待处理的人脸数据的人脸特征及目标人物的第一人脸特征对待处理的人脸数据进行筛选处理，仅需清洗部分人脸数据，能够大大减少数据清洗操作所需花费的时间和人力，降低数据清洗的成本。

图1是根据一示例性实施例示出的一种人脸数据清洗方法的流程图；该方法的执行主体可以为终端或服务器，终端例如智能手机、平板电脑、相机等电子设备；如图1所示，该方法包括以下步骤101-104：

在步骤101中，获取与目标人物相关的第一待处理的人脸数据。

示例的，可以通过网络搜索图片、或预先存储图片等方式，获取与目标人物相关的参考数据，例如与目标人物的姓名关联的参考数据。实际中，与目标人物的姓名关联的参考数据中可能会混杂着非人脸的数据，这些非人脸的数据不仅会增加数据清洗的工作量，鉴于此，本公开在获取与目标人物相关的参考数据之后，首先基于已有的第一人脸识别模型分别对各参考数据进行人脸检测；将各参考数据中检测到人脸的数据确定为与目标人物相关的第一待处理的人脸数据，而将各参考数据中检测不到人脸的非人脸数据从各参考数据中删除，能够减少数据清洗操作的工作量。

在步骤102中，基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征。

示例的，基于已有的第一人脸识别模型分别提取与第一待处理的各人脸数据的人脸特征；及根据各人脸数据的人脸特征，确定目标人物的第一人脸特征。例如，计算各人脸数据的人脸特征的平均值，将计算得到的平均值确定为目标人物的第一人脸特征。

举例来说，针对与目标人物相关的第一待处理的人脸数据Ii，i的取值为1～n，基于第一人脸识别模型提取人脸数据Ii的人脸特征Fi；计算所有的人脸数据Ii的平均值Mn，例如，Mn＝(F1+…Fi+…Fn)/n，其中，Fi及Mn可以为特征向量；将Mn作为目标人物的第一人脸特征。

在步骤103中，根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据。

示例的，分别计算各人脸数据的人脸特征与目标人物的第一人脸特征的相似度，举例来说，计算人脸数据Ii的人脸特征Fi和目标人物的第一人脸特征Mn的相似度Si，例如，Si等于特征向量Fi与Mn的夹角余弦值；

进而，根据各人脸数据的人脸特征与目标人物的第一人脸特征的相似度，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据，例如，将各人脸数据的人脸特征与目标人物的第一人脸特征的相似度分别与预设的第一阈值和第二阈值进行比较，且第一阈值大于第二阈值；将各人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各人脸数据中相似度不大于第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各人脸数据中相似度不大于第二阈值的人脸数据，确定为需要删除的第二人脸数据。

以任意一个人脸数据Ii为例，假设人脸数据Ii的人脸特征Fi和目标人物的第一人脸特征Mn的相似度为Si，第一阈值为T1，第二阈值为T2。

若相似度Si大于第一阈值T1，则可以确定人脸数据Ii是目标人物的人脸图像，这种情况下，人脸数据Ii属于不需要清洗的第一人脸数据；

若相似度Si不大于第一阈值T1、且相似度Si大于第二阈值T2，则认为人脸数据Ii有可能是目标人物的人脸图像，但需要通过人工确认等方法来进一步判定人脸数据Ii是否是目标人物的人脸图像，这种情况下，人脸数据Ii属于需要清洗的第三人脸数据；

若相似度Si不大于第二阈值T2，则认为人脸数据Ii是目标人物的人脸图像的可能性比较小，这种情况下，人脸数据Ii属于需要删除的第二人脸数据。

在步骤104中，清洗第三人脸数据得到第四人脸数据，将第一人脸数据及第四人脸数据确定为目标人物对应的第一目标人脸数据。

需要说明的是，第一人脸数据、第二人脸数据、第三人脸数据及第四人脸数据分别为不同类别的人脸数据。

示例的，对于从各人脸数据中筛选出的需要清洗的第三人脸数据，通过例如请求用户确认的方式进行判断，分别判断属于第三人脸数据的各个人脸数据是否是目标人物的人脸图像；对于判定为是目标人物的人脸图像的人脸数据不需要进行清洗；将判定为不是目标人物的人脸图像的人脸数据从第三人脸数据中删除掉，得到第四人脸数据；可见，第四人脸数据包括第三人脸数据中属于目标人物的人脸图像的人脸数据。

本公开实施例提供的技术方案，通过使用人脸识别模型提取待处理的人脸数据的人脸特征，并计算目标人物的第一人脸特征，然后根据待处理的人脸数据的人脸特征及目标人物的第一人脸特征对待处理的人脸数据进行筛选处理，仅需清洗部分人脸数据，能够大大减少数据清洗操作所需花费的时间和人力，降低数据清洗的成本，提高数据清洗的效率。

图2是根据一示例性实施例示出的一种人脸数据清洗方法的流程图。如图2所示，在图1所示实施例的基础上，本公开涉及的人脸数据清洗方法可以包括以下步骤201-208：

在步骤201中，获取与目标人物相关的第一待处理的人脸数据。

在步骤202中，基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征。

在步骤203中，根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据。

在步骤204中，清洗第三人脸数据得到第四人脸数据，将第一人脸数据及第四人脸数据确定为目标人物对应的第一目标人脸数据。

需要说明的是，对于步骤201至步骤204的说明可以参见图1所示实施例中的对应说明。

在步骤205中，基于第一人脸数据及第四人脸数据，训练第一人脸识别模型，得到训练后的第二人脸识别模型。

示例的，通过执行步骤201至步骤204得到了目标人物对应的第一目标人脸数据，并且第一目标人脸数据均是目标人物的人脸图像，可信度很高；利用第一目标人脸数据训练第一人脸识别模型，例如，可以基于第一目标人脸数据对第一人脸识别模型微调(finetuning)，来得到识别性能更好的第二人脸识别模型。

或者，也可以设计一个全新的人脸识别网络，基于第一目标人脸数据训练得到一个不同于第一人脸识别模型的第三人脸识别模型；第三人脸识别模型的识别性能要优于第一人脸识别模型。

在步骤206中，基于第二人脸识别模型分别提取各第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各第一目标人脸数据的人脸特征，确定目标人物的第二人脸特征。

示例的，基于第二人脸识别模型分别提取各第一目标人脸数据及第二待处理的人脸数据的人脸特征；第二待处理的人脸数据是指与目标人物相关的、与第一待处理的人脸数据不同的、未处理的人脸数据。根据各第一目标人脸数据的人脸特征，确定目标人物的第二人脸特征。例如，计算各第一目标人脸数据的人脸特征的平均值，将计算得到的平均值确定为目标人物的第二人脸特征。

举例来说，针对与目标人物相关的第二待处理的人脸数据Ij，j的取值为1～m，基于第二人脸识别模型提取每个人脸数据Ij的人脸特征Fj；

基于第二人脸识别模型提取各个第一目标人脸数据Ik的人脸特征Fk；计算各个第一目标人脸数据Ik的人脸特征Fk的平均值Mt，例如，Mt＝(F1+…Fk+…Ft)/t，其中，k的取值为1～m，Fj、Fk及Mt可以为特征向量；将Mt作为目标人物的第二人脸特征。

在步骤207中，根据目标人物的第二人脸特征及各第二待处理的人脸数据的人脸特征，筛选出各第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据。

示例的，分别计算各第二待处理的人脸数据的人脸特征与目标人物的第二人脸特征的相似度，举例来说，计算第二待处理的人脸数据Ij的人脸特征Fj和目标人物的第二人脸特征Mt的相似度Sj，例如，Sj等于特征向量Fj与Mt的夹角余弦值。

进而，根据各第二待处理的人脸数据的人脸特征与目标人物的第二人脸特征的相似度，筛选出各第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；例如，将各第二待处理的人脸数据的人脸特征与目标人物的第二人脸特征的相似度分别与预设的第三阈值和第四阈值进行比较，其中，第三阈值大于第四阈值；将各第二待处理的人脸数据中相似度大于第三阈值的人脸数据，确定为不需要清洗的第五人脸数据，这些人脸数据是目标人物的人脸图像；及将各第二待处理的人脸数据中相似度不大于第三阈值、且大于第四阈值的人脸数据，确定为需要清洗的第七人脸数据，这些人脸数据中的部分或全部人脸数据是目标人物的人脸图像；及将各第二待处理的人脸数据中相似度不大于第四阈值的人脸数据，确定为需要删除的第六人脸数据，这些人脸数据是目标人物的人脸图像的可能性很小。

在步骤208中，清洗第七人脸数据得到第八人脸数据，将第一人脸数据、第四人脸数据、第五人脸数据及第八人脸数据确定为目标人物对应的第二目标人脸数据。

需要说明的是，第五人脸数据、第六人脸数据及第七人脸数据分别为不同类别的人脸数据。

示例的，对于从各第二待处理的人脸数据中筛选出的需要清洗的第七人脸数据，通过例如请求用户确认的方式进行判断，分别判断属于第七人脸数据的各个人脸数据是否是目标人物的人脸图像；对于判定为是目标人物的人脸图像的人脸数据不需要进行清洗；将判定为不是目标人物的人脸图像的人脸数据从第七人脸数据中删除掉，得到第八人脸数据；可见，第八人脸数据包括第七人脸数据中属于目标人物的人脸图像的人脸数据。

示例的，经过步骤201至步骤204的第一次挑选和清洗，以及步骤205至步骤208的第二次挑选和清洗，得到了可信的第一人脸数据、第四人脸数据、第五人脸数据及第八人脸数据，把这四类人脸数据合并在一起，作为最终的人脸数据处理结果，即目标人物对应的第二目标人脸数据。

示例的，可以将第二目标人脸数据作为人脸识别模型的训练数据。此时，若仍有较多的、与目标人物相关的、尚未处理的人脸数据，则可以利用第二目标人脸数据来训练人脸识别能力更强的人脸识别模型，重复执行步骤205至步骤208，进行迭代处理。

本公开实施例提供的技术方案中，通过利用已有的人脸识别模型对待处理的人脸数据进行挑选和清洗，大大减少待清洗人脸数据；并且利用已经清洗出的人脸数据训练新的人脸识别模型，利用新模型再次对数据进行处理和清洗，通过模型迭代的方式提高人脸识别模型的识别性能，进而减少待清洗人脸数据，降低数据清洗的成本。

图3是根据一示例性实施例示出的一种人脸数据清洗方法的流程图。如图3所示，在图1所示实施例的基础上，本公开涉及的人脸数据清洗方法可以包括以下步骤301-306：

在步骤301中，获取与目标人物相关的第一待处理的人脸数据。

在步骤302中，基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征。

在步骤303中，计算各人脸数据的人脸特征与目标人物的第一人脸特征的相似度。

在步骤304中，将各人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各人脸数据中相似度不大于第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各人脸数据中相似度不大于第二阈值的人脸数据，确定为需要删除的第二人脸数据。

在步骤305中，清洗第三人脸数据得到第四人脸数据。

在步骤306中，将第一人脸数据及第四人脸数据，确定为目标人物对应的第一目标人脸数据。

本公开实施例提供的技术方案，基于人脸识别模型提取待处理的人脸数据的人脸特征，利用人脸特征对第一待处理的人脸数据进行相似度计算/评估，进而根据相似度对待处理的人脸数据进行筛选处理，仅需清洗部分人脸数据，大大减少数据清洗操作的工作量。

图4是根据一示例性实施例示出的一种人脸数据清洗方法的流程图。如图4所示，在图1所示实施例的基础上，本公开涉及的人脸数据清洗方法可以包括以下步骤401-407：

在步骤401中，获取与目标人物相关的参考数据。

在步骤402中，基于第一人脸识别模型分别对各参考数据进行人脸检测。

在步骤403中，将各参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

在步骤404中，基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征。

在步骤405中，根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据。

在步骤406中，清洗第三人脸数据得到第四人脸数据；

在步骤407中，将第一人脸数据及第四人脸数据，确定为目标人物对应的第一目标人脸数据。

本公开实施例提供的技术方案，在获取与目标人物相关的参考数据之后，首先基于已有的第一人脸识别模型分别对各参考数据进行人脸检测；将各参考数据中检测到人脸的数据确定为与目标人物相关的第一待处理的人脸数据，而将各参考数据中检测不到人脸的非人脸数据从各参考数据中删除，能够减少数据清洗操作的工作量。

作为一种可能的实施例，本公开实施例提供的人脸数据清洗方法可以包括以下步骤：

步骤1、利用已有的人脸识别模型处理待清洗数据：

利用已有的人脸识别模型对待清洗数据进行人脸检测、人脸归一化和提取人脸特征，利用人脸特征对待清洗数据进行相似度评估，挑选部分人脸数据进行清洗。具体包括：

a、利用已有的人脸识别模型，如VGG face中的人脸检测，对待清洗数据进行人脸检测。将检测不到人脸的非人脸数据从待清洗数据集合中清洗掉。

b、对检测到人脸的人脸数据，利用已有的人脸识别模型，如VGG face提取人脸数据的人脸特征。对与目标用户相关的所有人脸数据Ii都提取人脸特征Fi，对所有的特征融合为Mn(如求取平均值Mn(Mn＝(F1+…+Fn)/n，n为目标用户相关的人脸数据的数量))，将Mn作为目标用户的第一人脸特征。求取人脸数据Ii的人脸特征Fi和Mn的相似度Si，(比如两个特征向量的夹角余弦值)。若相似度Si大于阈值T1，则认为人脸数据Ii是目标用户的人脸数据，将人脸数据Ii确定为不需要再处理的人脸数据D1；若相似度Si小于阈值T1但大于阈值T2，则认为人脸数据Ii可能是目标用户的人脸数据，将人脸数据Ii确定为需要进行清洗的数据Ds，需要通过人工确认等方法来判定人脸数据Ii是否是目标用户的人脸数据；若相似度Si小于阈值T2，则认为人脸数据Ii是目标用户的人脸数据的可能性比较小，暂时不需要处理，可以清洗掉人脸数据Ii。

c、对步骤b中挑选出来的需要进行清洗的数据Ds，通过人工确认等方式来进行最终的判别：将Ds中不是目标用户的人脸数据删除掉，仅保留确认是目标用户的人脸数据，从而得到清理后的人脸数据D2。

步骤2、利用获得的人脸数据迭代训练人脸识别模型：

在经过步骤1的数据清洗操作之后，就可以利用步骤1中获取的人脸数据D1和D2进行人脸识别模型的训练，得到人脸识别精度更高的人脸识别模型。具体包括：

1)由于步骤1中得到的人脸数据D1和清洗后的人脸数据D2都是可信度高的人脸数据，因此将人脸数据D1和D2叠加在一起，作为人脸识别模型的训练数据集合Dt。

2)在训练数据集合Dt上训练人脸识别模型。例如，可以对已有的人脸识别模型通过在训练数据集Dt上微调(finetuning)来得到人脸识别性能更好的人脸识别模型；也可以设计全新的不同于已有的人脸识别模型的人脸识别模型，在训练数据集合Dt上训练得到一个全新的人脸识别模型。

步骤3、利用步骤2训练得到的人脸识别模型对尚未处理的人脸数据进行挑选和清洗处理：

由于步骤2训练得到的人脸识别模型基于可信度高的人脸数据进行了学习，因此针对需要处理的数据集，步骤2训练得到的人脸识别模型具有更强的分辨能力和人脸识别能力。利用步骤2训练得到的人脸识别模型对尚未处理的人脸数据进行清洗和挑选。具体包括：

a)利用步骤2训练得到的人脸识别模型对与目标用户关联的人脸数据提取人脸特征。包括：基于步骤2训练得到的人脸识别模型提取训练数据集合Dt中各个人脸数据Ik的人脸特征Fk；计算各个人脸数据Ik的人脸特征Fk的平均值Mt，例如，Mt＝(F1+…Fk+…Ft)/t，其中，k的取值为1～m，Fj、Fk及Mt可以为特征向量；将Mt作为目标人物的第二人脸特征。基于步骤2训练得到的人脸识别模型提取与目标用户关联的、尚未处理的人脸数据Ij的人脸特征Fj，j的取值为1～m。计算人脸数据Ij的人脸特征Fj和目标人物的第二人脸特征Mt的相似度Sj，例如，Sj等于特征向量Fj与Mt的夹角余弦值。

若相似度Sj大于阈值T3，则认为人脸数据Ij是目标用户的人脸数据，将人脸数据Ij确定为不需要再处理的人脸数据D3；若相似度Sj小于阈值T3但大于阈值T4，则认为人脸数据Ij可能是目标用户的人脸数据，将人脸数据Ij确定为需要进行清洗的数据，需要通过人工确认等方法来判定人脸数据Ij是否是目标用户的人脸数据；若相似度Sj小于阈值T4，则认为人脸数据Ij是目标用户的人脸数据的可能性比较小，暂时不需要处理，可以清洗掉人脸数据Ij。

b)对步骤a)中挑选出来的需要进行清洗的人脸数据，通过人工确认等方式来进行最终的判别：将步骤a)中挑选出来的需要进行清洗的人脸数据中，不是目标用户的人脸数据删除掉，仅保留确认是目标用户的人脸数据，从而得到清理后的人脸数据D4。

步骤4、多次迭代处理：

经过上述步骤1至3的数据挑选和清洗处理，得到了可信的人脸数据D1、D2、D3及D4。可以把这四部分数据合并在一起，作为最终的人脸数据处理结果D，作为人脸识别模型的训练集合。如果仍有其他的尚未处理的人脸数据，可以利用D来训练人脸识别能力更强的人脸识别模型；通过重复执行上述本公开实施例提供的人脸数据清洗方法，继续进行迭代处理。

本公开实施例提供的技术方案中，利用已有人脸识别模型对待清洗人脸数据进行处理挑选，大大减少待清洗人脸数据；利用已经清洗出的部分人脸数据训练新的人脸识别模型，利用新模型再次对数据进行处理，挑出需要清洗的人脸数据，迭代处理，降低了数据处理的工作量，提高了数据清洗的效率，最终得到一个适合训练人脸识别模型的数据集合。

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。

图5是根据一示例性实施例示出的一种人脸数据清洗装置的框图；该装置可以采用各种方式来实施，例如在终端或服务器中实施装置的全部组件，或者，在终端侧或服务器侧以耦合的方式实施装置中的组件；该装置可以通过软件、硬件或者两者的结合实现上述本公开涉及的方法，如图5所示，该人脸数据清洗装置包括：获取模块501、第一确定模块502、第一筛选模块503及第一清洗模块504，其中：

获取模块501被配置为获取与目标人物相关的第一待处理的人脸数据；

第一确定模块502被配置为基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征；

第一筛选模块503被配置为根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

第一清洗模块504被配置为清洗第三人脸数据得到第四人脸数据，将第一人脸数据及第四人脸数据确定为目标人物对应的第一目标人脸数据。

本公开实施例提供的装置能够用于执行图1所示实施例的技术方案，其执行方式和有益效果类似，此处不再赘述。

在一种可能的实施方式中，如图6所示，图5示出的人脸数据清洗装置还可以包括把第一筛选模块503配置成包括：计算子模块601及第一确定子模块602，其中：

计算子模块601被配置为计算各人脸数据的人脸特征与目标人物的第一人脸特征的相似度；

第一确定子模块602被配置为将各人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各人脸数据中相似度不大于第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各人脸数据中相似度不大于第二阈值的人脸数据，确定为需要删除的第二人脸数据。

在一种可能的实施方式中，第一确定模块502被配置为计算各人脸数据的人脸特征的平均值；及将计算得到的平均值，确定为目标人物的第一人脸特征。

在一种可能的实施方式中，如图7所示，图5示出的人脸数据清洗装置还可以包括：训练模块701、第二确定模块702、第二筛选模块703及第二清洗模块704，其中：

训练模块701被配置为基于第一人脸数据及第四人脸数据，训练第一人脸识别模型，得到训练后的第二人脸识别模型；

第二确定模块702被配置为基于第二人脸识别模型分别提取各第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各第一目标人脸数据的人脸特征，确定目标人物的第二人脸特征；

第二筛选模块703被配置为根据目标人物的第二人脸特征及各第二待处理的人脸数据的人脸特征，筛选出各第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；

第二清洗模块704被配置为清洗第七人脸数据得到第八人脸数据，将第一人脸数据、第四人脸数据、第五人脸数据及第八人脸数据确定为目标人物对应的第二目标人脸数据。

在一种可能的实施方式中，如图8所示，图5示出的人脸数据清洗装置还可以包括把获取模块501配置成包括：获取子模块801、人脸检测子模块802及第二确定子模块803，其中：

获取子模块801被配置为获取与目标人物相关的参考数据；

人脸检测子模块802被配置为基于第一人脸识别模型分别对各参考数据进行人脸检测；

第二确定子模块803被配置为将各参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

图9是根据一示例性实施例示出的一种人脸数据清洗装置900的框图，人脸数据清洗装置900适用于终端或服务器，人脸数据清洗装置900包括：

处理器901；

用于存储处理器可执行指令的存储器902；

其中，处理器901被配置为：

获取与目标人物相关的第一待处理的人脸数据；

基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征；

根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

清洗第三人脸数据得到第四人脸数据，将第一人脸数据及第四人脸数据确定为目标人物对应的第一目标人脸数据。

在一个实施例中，上述处理器901还可被配置为：

计算各人脸数据的人脸特征与目标人物的第一人脸特征的相似度；

将各人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各人脸数据中相似度不大于第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各人脸数据中相似度不大于第二阈值的人脸数据，确定为需要删除的第二人脸数据。

在一个实施例中，上述处理器901还可被配置为：

计算各人脸数据的人脸特征的平均值；

将计算得到的平均值，确定为目标人物的第一人脸特征。

在一个实施例中，上述处理器901还可被配置为：

在将第一人脸数据及第四人脸数据，确定为目标人物对应的第一目标人脸数据之后，基于第一人脸数据及第四人脸数据，训练第一人脸识别模型，得到训练后的第二人脸识别模型；

基于第二人脸识别模型分别提取各第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各第一目标人脸数据的人脸特征，确定目标人物的第二人脸特征；

根据目标人物的第二人脸特征及各第二待处理的人脸数据的人脸特征，筛选出各第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；

清洗第七人脸数据得到第八人脸数据，将第一人脸数据、第四人脸数据、第五人脸数据及第八人脸数据确定为目标人物对应的第二目标人脸数据。

在一个实施例中，上述处理器901还可被配置为：

获取与目标人物相关的参考数据；

基于第一人脸识别模型分别对各参考数据进行人脸检测；

将各参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

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。

图10是根据一示例性实施例示出的一种装置的框图。例如，装置1000可以是相机、手机、平板电脑、或智能穿戴设备等电子设备。参照图10，装置1000可以包括以下一个或多个组件：处理组件1002，存储器1004，电源组件1006，多媒体组件1008，音频组件1010，输入/输出(I/O)接口1012，传感器组件1014，以及通信组件1016。

处理组件1002通常被配置为控制装置1000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1002可以包括一个或多个处理器1020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1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理组件1002可以包括多媒体模块，以方便多媒体组件1006和处理组件1002之间的交互。

存储器1004被配置为存储各种类型的数据以支持在装置1000的操作。这些数据的示例包括用于在装置1000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1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1006为装置1000的各种组件提供电力。电源组件1006可以包括电源管理***，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。

多媒体组件1008包括在该装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。该触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与该触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括一个扬声器，用于输出音频信号。

I/O接口1012为处理组件1002和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1014包括一个或多个传感器，用于为装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到装置1000的打开/关闭状态，组件的相对定位，例如该组件为装置1000的显示器和小键盘，传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1016经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，该通信组件1016还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

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1004，上述指令可由装置1000的处理器1020执行以完成上述方法。例如，该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。

图11是根据一示例性实施例示出的一种装置的框图。例如，装置1100可以被提供为一服务器。装置1100包括处理组件1102，其进一步包括一个或多个处理器，以及由存储器1103所代表的存储器资源，用于存储可由处理组件1102的执行的指令，例如应用程序。存储器1103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1102被配置为执行指令，以执行上述方法。

装置1100还可以包括一个电源组件1106被配置为执行装置1100的电源管理，一个有线或无线网络接口1105被配置为将装置1100连接到网络，和一个输入输出(I/O)接口1108。装置1100可以操作基于存储在存储器1103的操作***，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。

一种非临时性计算机可读存储介质，当存储介质中的指令由装置1000或装置1100的处理器执行时，使得装置1000或装置1100能够执行如下方法：

获取与目标人物相关的第一待处理的人脸数据；

基于第一人脸识别模型分别提取各人脸数据的人脸特征，并根据各人脸数据的人脸特征，确定目标人物的第一人脸特征；

根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

清洗第三人脸数据得到第四人脸数据，将第一人脸数据及第四人脸数据确定为目标人物对应的第一目标人脸数据。

在一个实施例中，根据各人脸数据的人脸特征及目标人物的第一人脸特征，筛选出各人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据，包括：

计算各人脸数据的人脸特征与目标人物的第一人脸特征的相似度；

将各人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各人脸数据中相似度不大于第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各人脸数据中相似度不大于第二阈值的人脸数据，确定为需要删除的第二人脸数据。

在一个实施例中，根据各人脸数据的人脸特征，确定目标人物的第一人脸特征，包括：

计算各人脸数据的人脸特征的平均值；

将计算得到的平均值，确定为目标人物的第一人脸特征。

在一个实施例中，将第一人脸数据及第四人脸数据，确定为目标人物对应的第一目标人脸数据之后，方法还包括：

基于第一人脸数据及第四人脸数据，训练第一人脸识别模型，得到训练后的第二人脸识别模型；

基于第二人脸识别模型分别提取各第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各第一目标人脸数据的人脸特征，确定目标人物的第二人脸特征；

根据目标人物的第二人脸特征及各第二待处理的人脸数据的人脸特征，筛选出各第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；

清洗第七人脸数据得到第八人脸数据，将第一人脸数据、第四人脸数据、第五人脸数据及第八人脸数据确定为目标人物对应的第二目标人脸数据。

在一个实施例中，获取与目标人物相关的第一待处理的人脸数据，包括：

获取与目标人物相关的参考数据；

基于第一人脸识别模型分别对各参考数据进行人脸检测；

将各参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

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术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (8)

1.一种人脸数据清洗方法，其特征在于，包括：

获取与目标人物相关的第一待处理的人脸数据；

基于第一人脸识别模型分别提取各所述人脸数据的人脸特征，并根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征；

根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

清洗所述第三人脸数据得到第四人脸数据，将所述第一人脸数据及所述第四人脸数据确定为所述目标人物对应的第一目标人脸数据；

所述根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出所述各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据，包括：

计算各所述人脸数据的人脸特征与所述目标人物的第一人脸特征的相似度；

将各所述人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各所述人脸数据中相似度不大于所述第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各所述人脸数据中相似度不大于所述第二阈值的人脸数据，确定为需要删除的第二人脸数据；

所述根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征，包括：

计算各所述人脸数据的人脸特征的平均值，将计算得到的所述平均值确定为所述目标人物的第一人脸特征。

2.根据权利要求1所述的方法，其特征在于，在所述将所述第一人脸数据及所述第四人脸数据，确定为所述目标人物对应的第一目标人脸数据之后，所述方法还包括：

基于所述第一人脸数据及所述第四人脸数据，训练所述第一人脸识别模型，得到训练后的第二人脸识别模型；

基于所述第二人脸识别模型分别提取各所述第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各所述第一目标人脸数据的人脸特征，确定所述目标人物的第二人脸特征；

根据所述目标人物的第二人脸特征及各所述第二待处理的人脸数据的人脸特征，筛选出各所述第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；

清洗所述第七人脸数据得到第八人脸数据，将所述第一人脸数据、所述第四人脸数据、所述第五人脸数据及所述第八人脸数据确定为所述目标人物对应的第二目标人脸数据。

3.根据权利要求1所述的方法，其特征在于，所述获取与目标人物相关的第一待处理的人脸数据，包括：

获取与目标人物相关的参考数据；

基于所述第一人脸识别模型分别对各所述参考数据进行人脸检测；

将各所述参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

4.一种人脸数据清洗装置，其特征在于，包括：

获取模块，用于获取与目标人物相关的第一待处理的人脸数据；

第一确定模块，用于基于第一人脸识别模型分别提取各所述人脸数据的人脸特征，并根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征；

第一筛选模块，用于根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

第一清洗模块，用于清洗所述第三人脸数据得到第四人脸数据，将所述第一人脸数据及所述第四人脸数据确定为所述目标人物对应的第一目标人脸数据；

所述第一筛选模块，包括：

计算子模块，用于计算各所述人脸数据的人脸特征与所述目标人物的第一人脸特征的相似度；

第一确定子模块，用于将各所述人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各所述人脸数据中相似度不大于所述第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各所述人脸数据中相似度不大于所述第二阈值的人脸数据，确定为需要删除的第二人脸数据；

所述第一确定模块计算各所述人脸数据的人脸特征的平均值；及将计算得到的平均值，确定为所述目标人物的第一人脸特征。

5.根据权利要求4所述的装置，其特征在于，所述装置还包括：

训练模块，用于基于所述第一人脸数据及所述第四人脸数据，训练所述第一人脸识别模型，得到训练后的第二人脸识别模型；

第二确定模块，用于基于所述第二人脸识别模型分别提取各所述第一目标人脸数据及第二待处理的人脸数据的人脸特征，并根据各所述第一目标人脸数据的人脸特征，确定所述目标人物的第二人脸特征；

第二筛选模块，用于根据所述目标人物的第二人脸特征及各所述第二待处理的人脸数据的人脸特征，筛选出各所述第二待处理的人脸数据中不需要清洗的第五人脸数据、需要删除的第六人脸数据及需要清洗的第七人脸数据；

第二清洗模块，用于清洗所述第七人脸数据得到第八人脸数据，将所述第一人脸数据、所述第四人脸数据、所述第五人脸数据及所述第八人脸数据确定为所述目标人物对应的第二目标人脸数据。

6.根据权利要求4所述的装置，其特征在于，所述获取模块，包括：

获取子模块，用于获取与目标人物相关的参考数据；

人脸检测子模块，用于基于所述第一人脸识别模型分别对各所述参考数据进行人脸检测；

第二确定子模块，用于将各所述参考数据中检测到人脸的数据，确定为与目标人物相关的第一待处理的人脸数据。

7.一种人脸数据清洗装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取与目标人物相关的第一待处理的人脸数据；

基于第一人脸识别模型分别提取各所述人脸数据的人脸特征，并根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征；

根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据；

清洗所述第三人脸数据得到第四人脸数据，将所述第一人脸数据及所述第四人脸数据确定为所述目标人物对应的第一目标人脸数据；

所述根据各所述人脸数据的人脸特征及所述目标人物的第一人脸特征，筛选出所述各所述人脸数据中不需要清洗的第一人脸数据、需要删除的第二人脸数据及需要清洗的第三人脸数据，包括：

计算各所述人脸数据的人脸特征与所述目标人物的第一人脸特征的相似度；

将各所述人脸数据中相似度大于第一阈值的人脸数据，确定为不需要清洗的第一人脸数据；及将各所述人脸数据中相似度不大于所述第一阈值、且大于第二阈值的人脸数据，确定为需要清洗的第三人脸数据；及将各所述人脸数据中相似度不大于所述第二阈值的人脸数据，确定为需要删除的第二人脸数据；

所述根据各所述人脸数据的人脸特征，确定所述目标人物的第一人脸特征，包括：

计算各所述人脸数据的人脸特征的平均值，将计算得到的所述平均值确定为所述目标人物的第一人脸特征。

8.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-3中任一项所述方法的步骤。

Images