CN110175555A - 人脸图像聚类方法和装置 - Google Patents

Abstract

本公开实施例公开了人脸图像聚类方法和装置。该方法的一具体实施方式包括：获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量；确定目标存储区中是否存在至少一个聚类人脸图像集合；响应于确定存在，获取至少一个聚类人脸图像集合分别对应的聚类中心向量；对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。该实施方式提高了将待聚类人脸图像与聚类人脸图像集合进行相似性比较的效率，可以提高对待聚类人脸图像进行聚类的准确性。

Description

人脸图像聚类方法和装置

技术领域

本公开实施例涉及计算机技术领域，具体涉及人脸图像聚类方法和装置。

背景技术

随着人工智能的发展，数据是人工智能快速发展的核心动力之一。数据作用于人工智能的第一步是数据预处理，在人脸识别领域，人脸数据预处理非常重要的一步是人脸图像聚类，即同一个人的不同照片归到同一个类别或者标签。随着互联网的发展、监控摄像头的普及，能够获取的人脸数据越来越多，海量的人脸数据聚类需要大量的人力和物力。

目前人脸聚类的方法有以下三种：

1.通过人工观察人脸，进行聚类。该方法需要耗费大量的人力成本。

2.通过计算机自动人脸聚类，具体方法是：通过深度学习模型，把人脸图片转为特征向量，两张人脸图片的相似度转化为两个人脸特征向量的相似度，设定一个相似度阈值，两张人脸相似度超过设定阀值，认定是同一个人。聚类的时候，取一张待聚类图片，跟已经聚类的所有图片一一进行比较，找到跟已分类的哪一类图片像，将该图片归到那一类。该方法需要耗费大量的计算时间和存储量，效率较低。

3.方法2的改进方案，将每一已聚类的人脸图片中随机选择一张图片代表该类别，图片聚类时，待聚类图片只需要跟已聚类的类别(每个类别一张图片)进行比较，这样大大减少计算量，同时内存也不用存储所有已聚类图片的特征向量。该方法所选择出的图片可能不具有代表性，导致聚类准确性降低。

发明内容

本公开实施例的目的在于提出了一种改进的人脸图像聚类方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本公开实施例提供了一种人脸图像聚类方法，该方法包括：获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量；确定目标存储区中是否存在至少一个聚类人脸图像集合；响应于确定存在，获取至少一个聚类人脸图像集合分别对应的聚类中心向量；对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

在一些实施例中，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合，包括：基于更新后聚类人脸图像集合包括的图像的特征向量，更新更新后聚类人脸图像集合的聚类中心向量。

在一些实施例中，在确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度之后，该方法还包括：响应于确定所得到的相似度小于相似度阈值，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在一些实施例中，在确定目标存储区中是否存在至少一个聚类人脸图像集合之后，该方法还包括：响应于确定目标存储区中不存在至少一个聚类人脸图像集合，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在一些实施例中，确定待聚类人脸图像的特征向量，包括：将待聚类人脸图像输入预先训练的深度学习模型，得到待聚类人脸图像的特征向量。

第二方面，本公开实施例提供了一种人脸图像聚类装置，该装置包括：第一获取模块，用于获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量；确定模块，用于确定目标存储区中是否存在至少一个聚类人脸图像集合；第二获取模块，用于响应于确定存在，获取至少一个聚类人脸图像集合分别对应的聚类中心向量；聚类模块，用于对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

在一些实施例中，聚类模块包括：更新单元，用于基于更新后聚类人脸图像集合包括的图像的特征向量，更新更新后聚类人脸图像集合的聚类中心向量。

在一些实施例中，聚类模块包括：建立单元，用于响应于确定所得到的相似度小于相似度阈值，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在一些实施例中，该装置还包括：建立模块，用于响应于确定目标存储区中不存在至少一个聚类人脸图像集合，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在一些实施例中，第一获取模块进一步用于：将待聚类人脸图像输入预先训练的深度学习模型，得到待聚类人脸图像的特征向量。

第三方面，本公开实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的人脸图像聚类方法和装置，通过确定待聚类人脸图像的特征向量，然后确定目标存储区中是否存在至少一个聚类人脸图像集合，如果存在，获取各个聚类人脸图像集合分别对应的聚类中心向量；如果待聚类人脸图像的特征向量与某个聚类人脸图像集合对应的聚类中心向量的相似度大于等于相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合，从而实现了将聚类中心向量表征聚类人脸图像集合，提高了将待聚类人脸图像与聚类人脸图像集合进行相似性比较的效率，由于聚类中心向量能够准确地表征聚类人脸图像集合，因此，可以提高对待聚类人脸图像进行聚类的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开可以应用于其中的示例性***架构图；

图2是根据本公开的人脸图像聚类方法的一个实施例的流程图；

图3是根据本公开的实施例的人脸图像聚类方法的一个应用场景的示意图；

图4是根据本公开的人脸图像聚类方法的另一个实施例的流程图；

图5是根据本公开的人脸图像聚类装置的一个实施例的结构示意图；

图6是适于用来实现本公开实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开实施例的人脸图像聚类方法的示例性***架构100。

如图1所示，***架构100可以包括终端设备101，网络102，和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

服务器103可以是提供各种服务的服务器，例如对终端设备101上传的人脸图像进行聚类的后台图像服务器。后台图像服务器可以对接收的人脸图像进行处理，并得到处理结果(例如更新后聚类人脸图像集合)。

需要说明的是，本公开实施例所提供的人脸图像聚类方法可以由终端设备101执行，也可以由服务器103执行，相应地，人脸图像聚类装置可以设置于终端设备101中，也可以设置于服务器103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、中间设备和服务器。

继续参考图2，其示出了根据本公开的应人脸图像聚类方法的一个实施例的流程200。该方法包括以下步骤：

步骤201，获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量。

在本实施例中，人脸图像聚类方法的执行主体(例如图1所示的终端设备或服务器)可以通过有线连接方式或无线连接方式从远程，或从本地获取待聚类人脸图像。其中，待聚类人脸图像可以是通过各种方式获得的图像，例如，对目标人脸实时拍摄得到的图像、预先存储的图像等。

然后，上述执行主体可以确定待聚类人脸图像的特征向量。其中，特征向量可以用于表征人脸图像的各种特征，例如纹理特征、颜色特征、线条形状特征等等。

上述执行主体可以按照各种方式确定待聚类人脸图像的特征向量。作为示例，上述执行主体可以按照但不限于如下至少一种算法提取待聚类人脸图像的特征向量：HOG(Histogram of Oriented Gradient,方向梯度直方图)特征提取算法、LBP(Local BinaryPattern，局部二值模式)特征提取算法、Haar特征提取算法等。

在在本实施例的一些可选的实现方式中，上述执行主体可以将待聚类人脸图像输入预先训练的深度学习模型，得到待聚类人脸图像的特征向量。其中，上述深度学习模型用于表征人脸图像与人脸图像的特征向量的对应关系。

上述深度学习模型可以是上述执行主体或其他电子设备利用预先设置的训练样本集合，采用机器学习方法训练得到的。具体地，训练样本集合中的训练样本可以包括样本人脸图像和预先对样本人脸图像进行标注的样本特征向量。用于训练深度学习模型的执行主体可以利用机器学习方法，将训练样本集合中的训练样本包括的样本人脸图像作为输入，将与输入的样本人脸图像对应的样本特征向量作为期望输出，对初始模型(例如各种结构的卷积神经网络)进行训练，针对每次训练输入的样本人脸图像，可以得到实际输出。其中，实际输出是初始模型实际输出的数据，用于表征特征向量。然后，用于训练深度学习模型的执行主体可以采用梯度下降法和反向传播法，基于实际输出和期望输出，调整初始模型的参数，将每次调整参数后得到的模型作为下次训练的初始模型，并在满足预设的训练结束条件的情况下，结束训练，从而训练得到深度学习模型。需要说明的是，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；利用预设的损失函数(例如交叉熵损失函数)计算所得的损失值小于预设损失值阈值。

步骤202，确定目标存储区中是否存在至少一个聚类人脸图像集合。

在本实施例中，上述执行主体可以确定目标存储区中是否存在至少一个聚类人脸图像集合。其中，目标存储区是用于存储至少一个聚类人脸图像集合的存储区。目标存储区可以是上述执行主体包括的存储区，和/或与上述执行主体通信连接的其他电子设备包括的存储区。

上述至少一个聚类人脸图像集合可以是预先对多个人脸图像进行聚类得到。其中，每个聚类人脸图像包括的人脸图像中，两两之间的相似性较大(例如大于预设的相似度阈值)。通常，一个聚类人脸图像集合可以用于表征同一个人的人脸。

步骤203，响应于确定存在，获取至少一个聚类人脸图像集合分别对应的聚类中心向量。

在本实施例中，上述执行主体可以响应于确定目标存储区中存在至少一个聚类人脸图像集合，获取至少一个聚类人脸图像集合分别对应的聚类中心向量。

其中，聚类中心向量可以用于表征聚类人脸图像集合。聚类中心向量可以是预先基于聚类人脸图像集合包括的每个人脸图像分别对应的特征向量确定的向量。通常，聚类中心向量用于表征由多个特征向量(即聚类人脸图像包括的每个人脸图像的特征向量)组成的特征向量聚类的中心点，因此，聚类中心向量可以准确地表征聚类人脸图像集合包括的人脸图像的平均特征。

上述执行主体可以按照各种方法，基于聚类人脸图像集合包括的每个人脸图像分别对应的特征向量，确定聚类中心向量。作为示例，可以将各个特征向量中，相同位置的元素取平均值，作为聚类中心向量中相应位置的元素的取值。或者，可以将各个特征向量中，相同位置的元素取中位数，作为聚类中心向量中相应位置的元素的取值。应当理解，聚类中心向量还可以按照其他方法得到，这里不再一一列举。

步骤204，对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

在本实施例中，对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，上述执行主体可以首先确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度。其中，上述相似度可以按照现有的相似度确定方法得到。例如，可以确定该聚类人脸图像集合对应的聚类中心向量与特征向量的距离(例如欧氏距离、余弦距离等)作为两者的相似度。

然后，上述执行主体可以响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。作为示例，假设某聚类人脸图像集合包括10个人脸图像，如果针对该聚类人脸图像集合所得到的相似度大于等于预设的相似度阈值(例如0.6)，则将待聚类人脸图像添加入该聚类人脸图像集合中后，得到包括11个人脸图像的更新后聚类人脸图像集合。

在本实施例的一些可选的实现方式中，步骤204还可以包括：

基于更新后聚类人脸图像集合包括的图像的特征向量，更新更新后聚类人脸图像集合的聚类中心向量。具体地，上述执行主体可以按照上述列举的各种缺点聚类中心向量的方法，更新更新后聚类人脸图像集合的聚类中心向量，这里不再赘述。本实现方式可以在向聚类人脸图像集合添加人脸图像后，及时地更新该聚类人脸图像集合的聚类中心向量，从而可以使得更新后的聚类中心向量可以准确地表征更新后聚类人脸图像集合。当待聚类人脸图像的数量为多个时，可以循环执行步骤201-步骤204，以及本实现方式，从而有助于提高对大量人脸图像进行聚类的效率和准确性。

继续参见图3，图3是根据本实施例的人脸图像聚类方法的应用场景的一个示意图。在图3的应用场景中，电子设备301首先从本地获取待聚类人脸图像302，并将待聚类人脸图像302输入预先训练的深度学习模型303，得到待聚类人脸图像302的特征向量304。然后，电子设备301确定本地存储区(即目标存储区)中存在多个聚类人脸图像集合3051-305n。其中，各个聚类人脸图像集合是预先对多个人脸图像进行聚类得到的。接着，电子设备301获取每个聚类人脸图像集合分别对应的聚类中心向量。其中，各个聚类中心向量是预先基于各个聚类人脸图像包括的人脸图像的特征向量确定的。

最后，电子设备确定聚类人脸图像集合3051对应的聚类中心向量306与待聚类人脸图像302之间的相似度大于等于预设的相似度阈值，将待聚类人脸图像302添加入聚类人脸图像集合3051，从而完成了对待聚类人脸图像302的聚类。

本公开的上述实施例提供的方法，通过确定待聚类人脸图像的特征向量，然后确定目标存储区中是否存在至少一个聚类人脸图像集合，如果存在，获取各个聚类人脸图像集合分别对应的聚类中心向量；如果待聚类人脸图像的特征向量与某个聚类人脸图像集合对应的聚类中心向量的相似度大于等于相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合，从而实现了将聚类中心向量表征聚类人脸图像集合，提高了将待聚类人脸图像与聚类人脸图像集合进行相似性比较的效率，由于聚类中心向量能够准确地表征聚类人脸图像集合，因此，可以提高对待聚类人脸图像进行聚类的准确性。

进一步参考图4，其示出了根据本公开的人脸图像聚类方法的又一个实施例的流程400。该方法包括以下步骤：

步骤401，获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

步骤402，确定目标存储区中是否存在至少一个聚类人脸图像集合。

在本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。

步骤403，响应于确定存在，获取至少一个聚类人脸图像集合分别对应的聚类中心向量。

在本实施例中，步骤403与图2对应实施例中的步骤203基本一致，这里不再赘述。

步骤404，响应于确定不存在，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在本实施例中，人脸图像聚类方法的执行主体(例如图1所示的终端设备或服务器)可以响应于确定目标存储区中不存在至少一个聚类人脸图像集合，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

具体地，当目标存储区中不存在任何聚类人脸图像集合时(即首次进行人脸图像聚类)，上述执行主体可以建立一个新的聚类人脸图像集合，该集合当前包括一个人脸图像，即待聚类人脸图像。当再次进行人脸图像聚类时，即执行步骤403。本步骤可以在进行人脸图像聚类的初始阶段，自动建立待聚类人脸图像，使得人脸图像聚类方法更加完善，有助于提高人脸图像聚类的效率。

步骤405，对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合；响应于确定所得到的相似度小于相似度阈值，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在本实施例中，对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，上述执行主体可以执行如下步骤：

步骤4051，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度。

步骤4052，响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

在本实施例中，步骤4051与步骤4052与图2对应实施例中的步骤204基本一致，这里不再赘述。

步骤4053，响应于确定所得到的相似度小于相似度阈值，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在本实施例中，当所确定的相似度小于相似度阈值时，表示各个聚类人脸图像集合表征的人脸与待聚类人脸图像表征的人脸均不同，此时建立新的聚类人脸图像集合。当待聚类人脸图像为多个时，通过循环地执行步骤401-步骤405，可以自动地完成人脸图像聚类，从而提高人脸图像聚类的效率。

从图4中可以看出，与图2对应的实施例相比，本实施例中的人脸图像聚类方法的流程400突出了进行人脸图像聚类的初始阶段，和不存在与待聚类人脸图像匹配的聚类人脸图像集合时建立新的聚类人脸图像集合的步骤。由此可以实现自动对大量的人脸图像进行聚类，从而有助于进一步提高在对大量人脸图像进行聚类的效率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种人脸图像聚类装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的人脸图像聚类装置500包括：第一获取模块501，用于获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量；确定模块502，用于确定目标存储区中是否存在至少一个聚类人脸图像集合；第二获取模块503，用于响应于确定存在，获取至少一个聚类人脸图像集合分别对应的聚类中心向量；聚类模块504，用于对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

在本实施例中，第一获取模块501可以通过有线连接方式或无线连接方式从远程，或从本地获取待聚类人脸图像。其中，待聚类人脸图像可以是通过各种方式获得的图像，例如，对目标人脸实时拍摄得到的图像、预先存储的图像等。

然后，上述第一获取模块501可以确定待聚类人脸图像的特征向量。其中，特征向量可以用于表征人脸图像的各种特征，例如纹理特征、颜色特征、线条形状特征等等。

上述第一获取模块501可以按照各种方式确定待聚类人脸图像的特征向量。作为示例，上述第一获取模块501可以按照但不限于如下至少一种算法提取待聚类人脸图像的特征向量：HOG(Histogram of Oriented Gradient,方向梯度直方图)特征提取算法、LBP(Local Binary Pattern，局部二值模式)特征提取算法、Haar特征提取算法等。

在本实施例中，确定模块502可以确定目标存储区中是否存在至少一个聚类人脸图像集合。其中，目标存储区是用于存储至少一个聚类人脸图像集合的存储区。目标存储区可以是上述装置500包括的存储区，和/或与上述装置500通信连接的其他电子设备包括的存储区。

上述至少一个聚类人脸图像集合可以是预先对多个人脸图像进行聚类得到。其中，每个聚类人脸图像包括的人脸图像中，两两之间的相似性较大(例如大于预设的相似度阈值)。通常，一个聚类人脸图像集合可以用于表征同一个人的人脸。

在本实施例中，第二获取模块503可以响应于确定目标存储区中存在至少一个聚类人脸图像集合，获取至少一个聚类人脸图像集合分别对应的聚类中心向量。

其中，聚类中心向量可以用于表征聚类人脸图像集合。聚类中心向量可以是预先基于聚类人脸图像集合包括的每个人脸图像分别对应的特征向量确定的向量。通常，聚类中心向量用于表征由多个特征向量(即聚类人脸图像包括的每个人脸图像的特征向量)组成的特征向量聚类的中心点，因此，聚类中心向量可以准确地表征聚类人脸图像集合包括的人脸图像的平均特征。

上述装置500可以按照各种方法，基于聚类人脸图像集合包括的每个人脸图像分别对应的特征向量，确定聚类中心向量。作为示例，可以将各个特征向量中，相同位置的元素取平均值，作为聚类中心向量中相应位置的元素的取值。或者，可以将各个特征向量中，相同位置的元素取中位数，作为聚类中心向量中相应位置的元素的取值。应当理解，聚类中心向量还可以按照其他方法得到，这里不再一一列举。

在本实施例中，对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，上述聚类模块504可以首先确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度。其中，上述相似度可以按照现有的相似度确定方法得到。例如，可以确定该聚类人脸图像集合对应的聚类中心向量与特征向量的距离(例如欧氏距离、余弦距离等)作为两者的相似度。

然后，上述聚类模块504可以响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。作为示例，假设某聚类人脸图像集合包括10个人脸图像，如果针对该聚类人脸图像集合所得到的相似度大于等于预设的相似度阈值(例如0.6)，则将待聚类人脸图像添加入该聚类人脸图像集合中后，得到包括11个人脸图像的更新后聚类人脸图像集合。

在本实施例的一些可选的实现方式中，聚类模块504可以包括：更新单元(图中未示出)，用于基于更新后聚类人脸图像集合包括的图像的特征向量，更新更新后聚类人脸图像集合的聚类中心向量。

在一些实施例中，聚类模块504可以包括：建立单元(图中未示出)，用于响应于确定所得到的相似度小于相似度阈值，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在一些实施例中，该装置500还可以包括：建立模块(图中未示出)，用于响应于确定目标存储区中不存在至少一个聚类人脸图像集合，基于待聚类人脸图像建立新的聚类人脸图像集合，以及将特征向量确定为新的聚类人脸图像集合的聚类中心向量。

在一些实施例中，第一获取模块501可以进一步用于：将待聚类人脸图像输入预先训练的深度学习模型，得到待聚类人脸图像的特征向量。

本公开的上述实施例提供的装置，通过确定待聚类人脸图像的特征向量，然后确定目标存储区中是否存在至少一个聚类人脸图像集合，如果存在，获取各个聚类人脸图像集合分别对应的聚类中心向量；如果待聚类人脸图像的特征向量与某个聚类人脸图像集合对应的聚类中心向量的相似度大于等于相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合，从而实现了将聚类中心向量表征聚类人脸图像集合，提高了将待聚类人脸图像与聚类人脸图像集合进行相似性比较的效率，由于聚类中心向量能够准确地表征聚类人脸图像集合，因此，可以提高对待聚类人脸图像进行聚类的准确性。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备(如图1所示的服务器或终端设备)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本公开的方法中限定的上述功能。

需要说明的是，本公开所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取模块、确定模块、第二获取模块和聚类模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取模块还可以被描述为“用于获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量的模块”。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待聚类人脸图像，以及确定待聚类人脸图像的特征向量；确定目标存储区中是否存在至少一个聚类人脸图像集合；响应于确定存在，获取至少一个聚类人脸图像集合分别对应的聚类中心向量；对于至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种人脸图像聚类方法，其特征在于，所述方法包括：

获取待聚类人脸图像，以及确定所述待聚类人脸图像的特征向量；

确定目标存储区中是否存在至少一个聚类人脸图像集合；

响应于确定存在，获取所述至少一个聚类人脸图像集合分别对应的聚类中心向量；

对于所述至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与所述特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将所述待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

2.根据权利要求1所述的方法，其特征在于，所述将所述待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合，包括：

基于所述更新后聚类人脸图像集合包括的图像的特征向量，更新所述更新后聚类人脸图像集合的聚类中心向量。

3.根据权利要求1所述的方法，其特征在于，在所述确定该聚类人脸图像集合对应的聚类中心向量与所述特征向量的相似度之后，所述方法还包括：

响应于确定所得到的相似度小于所述相似度阈值，基于所述待聚类人脸图像建立新的聚类人脸图像集合，以及将所述特征向量确定为所述新的聚类人脸图像集合的聚类中心向量。

4.根据权利要求1所述的方法，其特征在于，在所述确定目标存储区中是否存在至少一个聚类人脸图像集合之后，所述方法还包括：

响应于确定目标存储区中不存在至少一个聚类人脸图像集合，基于所述待聚类人脸图像建立新的聚类人脸图像集合，以及将所述特征向量确定为所述新的聚类人脸图像集合的聚类中心向量。

5.根据权利要求1-4之一所述的方法，其特征在于，所述确定所述待聚类人脸图像的特征向量，包括：

将所述待聚类人脸图像输入预先训练的深度学习模型，得到所述待聚类人脸图像的特征向量。

6.一种人脸图像聚类装置，其特征在于，所述装置包括：

第一获取模块，用于获取待聚类人脸图像，以及确定所述待聚类人脸图像的特征向量；

确定模块，用于确定目标存储区中是否存在至少一个聚类人脸图像集合；

第二获取模块，用于响应于确定存在，获取所述至少一个聚类人脸图像集合分别对应的聚类中心向量；

聚类模块，用于对于所述至少一个聚类人脸图像集合中的每个聚类人脸图像集合，确定该聚类人脸图像集合对应的聚类中心向量与所述特征向量的相似度；响应于确定所得到的相似度大于等于预设的相似度阈值，将所述待聚类人脸图像添加入该聚类人脸图像集合，得到更新后聚类人脸图像集合。

7.根据权利要求6所述的装置，其特征在于，所述聚类模块包括：

更新单元，用于基于所述更新后聚类人脸图像集合包括的图像的特征向量，更新所述更新后聚类人脸图像集合的聚类中心向量。

8.根据权利要求6所述的装置，其特征在于，所述聚类模块包括：

建立单元，用于响应于确定所得到的相似度小于所述相似度阈值，基于所述待聚类人脸图像建立新的聚类人脸图像集合，以及将所述特征向量确定为所述新的聚类人脸图像集合的聚类中心向量。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

建立模块，用于响应于确定目标存储区中不存在至少一个聚类人脸图像集合，基于所述待聚类人脸图像建立新的聚类人脸图像集合，以及将所述特征向量确定为所述新的聚类人脸图像集合的聚类中心向量。

10.根据权利要求6-9之一所述的装置，其特征在于，所述第一获取模块进一步用于：

将所述待聚类人脸图像输入预先训练的深度学习模型，得到所述待聚类人脸图像的特征向量。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。