CN110414429A - 人脸聚类方法、装置、设备和存储介质 - Google Patents
人脸聚类方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110414429A CN110414429A CN201910686533.2A CN201910686533A CN110414429A CN 110414429 A CN110414429 A CN 110414429A CN 201910686533 A CN201910686533 A CN 201910686533A CN 110414429 A CN110414429 A CN 110414429A
- Authority
- CN
- China
- Prior art keywords
- face
- similar
- cluster
- similarity
- transmitting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种人脸聚类方法、装置、设备和存储介质,该方法包括获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸;依据所述成对相似人脸之间的传递关系生成传递相似人脸;确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并;根据合并结果确定人脸聚类分组。本方案提高了人脸聚类的效率以及准确度。
Description
技术领域
本申请实施例涉及人脸识别技术领域,尤其涉及一种人脸聚类方法、装置、设备和存储介质。
背景技术
本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
人脸聚类指将人脸根据身份进行分组,通常人脸聚类通过将集合内所有的人脸两两之间做人脸比对,再根据比对得到的相似度值将属于同一个身份的人划分到一个分组中实现聚类。
人脸聚类计算通常包括两个步骤,人脸特征提取以及对提取的特征利用聚类算法进行聚类。关于人脸特征提取,传统的特征提取方法通常是人为定义一些人脸的关键点,然后从图片中提取出这些关键点的值作为人脸的特征,关于聚类算法,常见的有K-means和DBSCAN或者其它聚类算法。其中,人为定义人脸特征点的方式工作量大且引入了大量人的先验经验,通用的聚类算法在做一般数值型的聚类任务时往往会取得比较好的效果,但在人脸聚类这个特定的业务场景下效果较差,适用度较低。
发明内容
本发明实施例提供了一种人脸聚类方法、装置、设备和存储介质,提高了人脸聚类的效率以及准确度。
第一方面,本发明实施例提供了一种人脸聚类方法,该方法包括:
获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸;
依据所述成对相似人脸之间的传递关系生成传递相似人脸;
确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并;
根据合并结果确定人脸聚类分组。
第二方面,本发明实施例还提供了一种人脸聚类装置,该装置包括:
第一确定模块,用于获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸;
第二确定模块,用于依据所述成对相似人脸之间的传递关系生成传递相似人脸;
簇合并模块,用于确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并;
分组确定模块,用于根据合并结果确定人脸聚类分组。
第三方面,本发明实施例还提供了一种设备,该设备包括:
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本发明实施例所述的人脸聚类方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例所述的人脸聚类方法。
本发明实施例中,通过获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸,依据所述成对相似人脸之间的传递关系生成传递相似人脸,确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并,根据合并结果确定人脸聚类分组,以往算法在决定合并时往往根据某个阈值来决定是否放到一起,而本算法每个步骤都是在寻找最相似的合并,所以聚类出的结果一般簇内是同一个人的准确性要高于常规算法,同时算法是自底向上进行,簇的聚集程度可以灵活控制。
附图说明
图1为本发明实施例提供的一种人脸聚类方法的流程图;
图1a为本发明实施例提供的一种传递关系示意图;
图2为本发明实施例提供的另一种人脸聚类方法的流程图;
图3为本发明实施例提供的另一种人脸聚类方法的流程图;
图4为本发明实施例提供的另一种人脸聚类方法的流程图;
图5为本发明实施例提供的一种人脸聚类装置的结构框图;
图6为本发明实施例提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例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本发明实施例,而非对本发明实施例的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
图1为本发明实施例提供的一种人脸聚类方法的流程图,本实施例可适用于人脸聚类,该方法可以由设备如服务器来执行,具体包括如下步骤:
步骤S101、获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸。
在一个实施例中,通过人脸相似度矩阵的形式表征不同人脸图像之间的相似度情况,示例性的,人脸相似度矩阵记为A[i,j],i和j为大于1的正整数,相似度矩阵A[i,j]中第i行和第j列对应的数值为第i张人脸和第j张人脸的相似度值。
在一个实施例中,通过计算待聚类的每张人脸图像之间的相似度生成人脸相似度矩阵,具体的,计算两张人脸图像的相似度包括:对每张图片进行特征提取,如通过深度学习模型进行人脸图像特征提取计算每张人脸图像两两之间的相似度值组成人脸相似度矩阵,可选的,相似度的取值范围为[0,1]。
在一个实施例中,在获取人脸相似度矩阵后,依据人脸相似度矩阵确定成对相似人脸。具体的,将人脸相似度矩阵的对角线元素数值设为0,将相似度矩阵的第i行和对应的最大值所在的第j列确定为成对相似人脸。其中,将人脸相似度矩阵的对角线元素数值设为0可以排除将自身确定为最相似人脸。示例性的,以下述4*4的人脸相似度矩阵为例:
在第1行中存在最大值的列为第3列,在第2行中存在最大值的列为第3列,在第3行中存在最大值的列为第1列,在第4行中存在最大值的列为第1列。相应的,得到的成对相似人脸为(1,3),(2,3),(3,1)和(4,1)。
步骤S102、依据所述成对相似人脸之间的传递关系生成传递相似人脸。
在一个实施例中,该传递关系可以是成对相似人脸间存在首尾相连或相同人脸编号的连通关系,如一个成对相似人脸中的第二元素和另一成对相似人脸中的第一元素相同。具体的,将成对相似人脸中具备连通关系的成对相似人脸进行组合得到待筛选传递相似人脸,示例性的,以成对相似人脸为(1,2),(2,3),(3,2),(4,5)和(6,1)为例,如图1a所示,图1a为本发明实施例提供的一种传递关系示意图,其中1,2,3,6之间是具备传递关系的,而4,5不具备和其他成对相似人脸的传递关系,故生成的待筛选传递相似人脸为(1,2,3,6)。在确定待筛选传递相似人脸之后,确定待筛选传递相似人脸中不具备连通关系的人脸之间的人脸相似度,判断所述人脸相似度是否满足第二相似条件,将满足第二相似条件的待筛选传递相似人脸确定为传递相似人脸。具体的,该满足第二相似条件可以是人脸相似度大于第二预设值,示例性的该第二预设值可以是0.7,如图1a所示,待筛选传递相似人脸(1,2,3,6)由成对相似人脸(1,2),(2,3),(3,2),(6,1)合成,(2,3)和(3,2)等价只考虑其中一个即可,剩下三个成对相似人脸(1,2),(2,3),(6,1),先考虑(1,2)和(2,3),不具备连通关系的人脸组合为(1,3),再考虑(1,2)和(6,1),不具备连通关系的人脸组合为(6,2),因为(2,3)和(6,1)没有公共节点在此不考虑其是否具备连通关系,最终得出不具备连通关系的人脸组合为(1,3)和(6,2)。人脸图像1和人脸图像3的相似度记为A(1,3),人脸图像6和人脸图像2的相似度记为A(6,2),如果A(1,3)和A(6,2)的值均大于第二预设值,则由待筛选传递相似人脸得到的最终的传递相似人脸为(1,2,3,6)和(4,5);如果A(6,2)大于第二预设值,A(1,3)不大于第二预设值,则意味着(1,2)和(2,3)之间不能传递,因为存在(1,3)并不相似,此时将(2,3)更改为(3,3),最终得到的传递相似人脸为(1,2,6),(3,3)和(4,5)。
步骤S103、确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇。
在一个实施例中,以得到的传递相似人脸为(1,2,6),(3,3)和(4,5)为例,将(1,2,6),(3,3)和(4,5)分别作为一个簇,计算簇间相似度。具体的,依据下述公式进行计算:
其中,A_next(i,j)为一矩阵,该矩阵中第i行和第j列对应的值为第i个簇和第j个簇的簇间相似度,计算公式中,ci表示第i个簇,|ci|表示ci内的元素个数,cj表示第j个簇,|cj|表示cj内的元素个数,A(k,l)表示第i簇和第j簇中人脸元素的相似度,示例性的,设c1=(1,2,6),c2=(3,3),
以上述公式为例,分别求解两两簇间的相似度得到矩阵A_next。在得到矩阵A_next后,将A_next矩阵的对角线元素全部设置成0,依据矩阵A_next确定每个传递相似人脸的相似簇。簇间相似度通过矩阵A_next进行表示,其中,传递相似人脸ci的相似簇为矩阵A_next第i行中对应的第j列为最大值的簇cj,将每个确定出的传递相似人脸和对应的相似簇进行记录。
步骤S104、将满足预设条件的相似簇进行合并,根据合并结果确定人脸聚类分组。
在一个实施例中,在得到每个传递相似人脸的相似簇后,将满足预设条件的相似簇进行合并,根据合并结果反向解析得到合并分组中的每个人脸编号,将对应人脸编号的人脸确定为人脸聚类分组。具体的,假定传递相似人脸中为a个簇,计算得到每个簇的相似簇后可得到a个相似对(m,n),确定此a个相似对(m,n)的最大值,如果该最大值大于预设最大值(如0.7),则进行相似簇的合并。示例性的,以得到的传递相似人脸为(1,2,6),(3,3)和(4,5)为例,分别记为c1、c2和c3,将c1、c2和c3分别作为一个簇,计算簇间相似度得到3个相似对(c1,c2),(c1,c3)和(c2,c3),如计算得到的相似对的相似值依次为0.5,0.4和0.8,则将c2和c3进行合并,c1和c2、c1和c3不进行合并,将c1、c2和c3用原始定义的簇进行替换得到合并后的聚类结果为:(1,2,6)和(3,4,5),即人脸图像1、人脸图像2和人脸图像6为一个聚类分组,人脸图像3、人脸图像4和人脸图像5为一个聚类分组。
由上述方案可知,通过获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸,依据所述成对相似人脸之间的传递关系生成传递相似人脸,确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并,根据合并结果确定人脸聚类分组,本算法每个步骤都是在寻找最相似的合并,所以聚类出的结果一般簇内是同个人的准确性要高于常规算法,同时算法是自底向上进行,簇的聚集程度可以灵活控制。
图2为本发明实施例提供的另一种人脸聚类方法的流程图,给出了一种具体的确定成对相似人脸的方法。如图2所示,技术方案具体如下:
步骤S201、计算待聚类人脸中每两张人脸的相似度,生成人脸相似度矩阵A[i,j]。
步骤S202、获取人脸相似度矩阵,将所述人脸相似度矩阵的对角线元素数值设为0。
步骤S203、将所述相似度矩阵的第i行和对应的最大值所在的第j列确定为待确定相似人脸。
在一个实施例中,参见步骤S101的解释部分,将原本直接确定出的成对相似人脸替换为待确定相似人脸,即确定出的待确定相似人脸为(1,3),(2,3),(3,1)和(4,1)。
步骤S204、将满足第一相似条件的待确定相似人脸确定为成对相似人脸。
在一个实施例中,在确定出待确定相似人脸后,对待确定相似人脸中每个相似对判断其是否满足第一相似条件,如果是则进行保留,如果不是则进行更改。可选的,其中一种方式可以是:求出4个(1,3),(2,3),(3,1)和(4,1)相似值的均值q和标准差w,设定阈值z=q-2*w,当相似对值大于该阈值时,相似对保持不变,当相似对值小于或等于该阈值时,相似对变更为同一元素,如相似对(2,3)的值小于阈值,则更改为(2,2),即修改为仅和自己相似,其不存在相似的人脸图像。可选的,另一种方式还可以是采取公式阈值z=q-k*w,k的取值可以是0,1,2,3;还可以是另一阈值z=max-k*w,其中,k取值可以是4,5,6,7或8,max为4个相似对相似值中的最大值。
步骤S205、依据所述成对相似人脸之间的传递关系生成传递相似人脸。
步骤S206、确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇。
步骤S207、将满足预设条件的相似簇进行合并,根据合并结果确定人脸聚类分组。
由上述方案可知,依据所述人脸相似度矩阵确定待确定相似人脸,将满足第一相似条件的待确定相似人脸确定为成对相似人脸,简化了后续确定传递相似人脸的运算量,同时保证了确定出的成对相似人脸的精度,提高了聚类效果。
图3为本发明实施例提供的另一种人脸聚类方法的流程图,给出了一种具体的确定传递相似人脸的方法。如图3所示,技术方案具体如下:
步骤S301、获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸。
步骤S302、将所述成对相似人脸中具备连通关系的成对相似人脸进行组合得到待筛选传递相似人脸。
步骤S303、确定所述待筛选传递相似人脸中不具备连通关系的人脸之间的人脸相似度。
步骤S304、判断所述人脸相似度是否满足第二相似条件,将不满足所述第二相似条件的待筛选传递相似人脸拆解为多个传递相似人脸。
示例性的,以得到待筛选传递相似人脸为(1,2,3,6)和(4,5)为例,假设在待筛选传递相似人脸(1,2,3,6)中(1,3)和(2,6)是不连通的(如图1a所示),则分别计算(1,3)和(2,6)的相似值,如果相似值均大于第二预设值,则由待筛选传递相似人脸得到的最终的传递相似人脸为(1,2,3,6)和(4,5),如果A(6,2)大于第二预设值,(1,3)不大于第二预设值,则判定(1,3)其不满足第二相似条件,将不满足所述第二相似条件的待筛选传递相似人脸拆解为多个传递相似人脸,即将(1,3)从(1,2,3,6)中拆分出来得到(1,2,6),(1,3)和(4,5),在拆分完毕后,将不满足第二预设条件的相似组合中的人脸序号修改为同一个序号,如将(1,3)修改为(3,3),最终得到传递相似人脸为(1,2,6),(3,3)和(4,5)。
步骤S305、确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇。
步骤S306、将满足预设条件的相似簇进行合并,根据合并结果确定人脸聚类分组。
由上述方案可知,将不满足所述第二相似条件的待筛选传递相似人脸拆解为多个传递相似人脸,简化了后续确定每个传递相似人脸的相似簇,根据合并结果确定人脸聚类分组的运算量,保证了人脸聚类精度。
图4为本发明实施例提供的另一种人脸聚类方法的流程图,给出了一种具体的进行相似簇的合并的过程。如图4所示,技术方案具体如下:
步骤S401、获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸。
步骤S402、依据所述成对相似人脸之间的传递关系生成传递相似人脸。
步骤S403、依据相似度矩阵计算公式计算所述传递相似人脸之间的簇间相似度,将相似度矩阵的对角线元素数值设为0。
步骤S404、依据所述相似度矩阵确定每个传递相似人脸的相似簇。
步骤S405、确定所述矩阵A_next中元素最大值,如果所述元素最大值大于预设最大值,则进行相似簇的合并,并重新确定成对相似人脸,如果所述元素最大值不大于所述预设最大值,则结束合并流程。
在一个实施例中,在进行相似簇的合并后执行步骤S402重新确定成对相似人脸直到不能合并为止,即如果所述元素最大值不大于所述预设最大值,则结束合并流程。可选的,该预设最大值的取值范围为0.5-0.8,可根据具体聚类需要进行调节,即将预设最大值增大可得到更少的簇使得簇内人脸图像为同一个人的概率提高。
步骤S406、根据合并结果确定人脸聚类分组。
由上述方案可知,本聚类算法的优势在聚类准确性上,以往算法在决定合并时往往是根据某个阈值来决定是否放到一起,而本算法每个步骤都是在寻找最相似的合并,因为在每轮合并中都是找最相似的合并,所以聚类出的结果一般簇内是同一个人的准确性要高于常规算法,同时本算法是一种自底向上进行的算法,其核心思想类似于层次聚类,簇的聚集程度可以灵活控制。
图5为本发明实施例提供的一种人脸聚类装置的结构框图,该装置用于执行上述实施例提供的人脸聚类方法,具备执行方法相应的功能模块和有益效果。如图5所示,该装置具体包括:第一确定模块101、第二确定模块102、簇合并模块103和分组确定模块104,其中,
第一确定模块101,用于获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸;
第二确定模块102,用于依据所述成对相似人脸之间的传递关系生成传递相似人脸;
簇合并模块103,用于确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并;
分组确定模块104,用于根据合并结果确定人脸聚类分组。
由上述方案可知,通过获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸,依据所述成对相似人脸之间的传递关系生成传递相似人脸,确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并,根据合并结果确定人脸聚类分组,以往算法在决定合并时往往根据某个阈值来决定是否放到一起,而本算法每个步骤都是在寻找最相似的合并,所以聚类出的结果一般簇内是同一个人的准确性要高于常规算法,同时算法是自底向上进行,簇的聚集程度可以灵活控制。
在一个可能的实施例中,所述第一确定模块101还用于:
在获取人脸相似度矩阵之前,计算待聚类人脸中每两张人脸的相似度,生成人脸相似度矩阵A[i,j],其中,i和j为大于1的正整数,所述人脸相似度矩阵中元素的取值范围包括[0,1];
将所述人脸相似度矩阵的对角线元素数值设为0;
将所述相似度矩阵的第i行和对应的最大值所在的第j列确定为成对相似人脸。
在一个可能的实施例中,所述第一确定模块101还用于:
在确定成对相似人脸之后,进一步判断所述成对相似人脸是否满足第一相似条件,所述第一相似条件包括所述成对相似人脸的相似值;
将满足所述第一相似条件的成对相似人脸确定为最终的成对相似人脸。
在一个可能的实施例中,所述第二确定模块102具体用于:
将所述成对相似人脸中具备连通关系的成对相似人脸进行组合得到待筛选传递相似人脸;
确定所述待筛选传递相似人脸中不具备连通关系的人脸之间的人脸相似度;
判断所述人脸相似度是否满足第二相似条件;
将满足所述第二相似条件的待筛选传递相似人脸确定为传递相似人脸。
在一个可能的实施例中,所述第二确定模块102具体用于:将不满足所述第二相似条件的待筛选传递相似人脸拆解为多个传递相似人脸。
在一个可能的实施例中,所述簇合并模块103具体用于:
依据公式
计算所述传递相似人脸之间的簇间相似度,其中,ci表示第i个簇,|ci|表示ci内的元素个数;
将矩阵A_next的对角线元素数值设为0;
依据所述矩阵A_next确定每个传递相似人脸的相似簇;
确定所述矩阵A_next中元素最大值,如果所述元素最大值大于预设最大值,则进行相似簇的合并,并重新确定成对相似人脸,如果所述元素最大值不大于所述预设最大值,则结束合并流程。
在一个可能的实施例中,所述分组确定模块104具体用于:
根据合并结果反向解析得到合并分组中的每个人脸编号;
将对应人脸编号的人脸确定为人脸聚类分组。
图6为本发明实施例提供的一种设备的结构示意图,如图6所示,该设备包括处理器201、存储器202、输入装置203和输出装置204;设备中处理器201的数量可以是一个或多个,图6中以一个处理器201为例;设备中的处理器201、存储器202、输入装置203和输出装置204可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器202作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的人脸聚类方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的人脸聚类方法。
存储器202可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器202可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种人脸聚类方法,该方法包括:
获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸;
依据所述成对相似人脸之间的传递关系生成传递相似人脸;
确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并;
根据合并结果确定人脸聚类分组。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明实施例可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明实施例各个实施例所述的方法。
值得注意的是,上述人脸聚类装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
注意,上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明实施例不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明实施例的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明实施例构思的情况下,还可以包括更多其他等效实施例,而本发明实施例的范围由所附的权利要求范围决定。
Claims (10)
1.人脸聚类方法,其特征在于,包括:
获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸;
依据所述成对相似人脸之间的传递关系生成传递相似人脸;
确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并;
根据合并结果确定人脸聚类分组。
2.根据权利要求1所述的方法,其特征在于,在获取人脸相似度矩阵之前,还包括:
计算待聚类人脸中每两张人脸的相似度,生成人脸相似度矩阵A[i,j],其中,i和j为大于1的正整数,所述人脸相似度矩阵中元素的取值范围包括[0,1];
所述依据所述人脸相似度矩阵确定成对相似人脸包括:
将所述人脸相似度矩阵的对角线元素数值设为0;
将所述相似度矩阵的第i行和对应的最大值所在的第j列确定为成对相似人脸。
3.根据权利要求2所述的方法,其特征在于,所述依据所述人脸相似度矩阵确定成对相似人脸具体包括:
依据所述人脸相似度矩阵确定待确定相似人脸;
将满足第一相似条件的待确定相似人脸确定为成对相似人脸。
4.根据权利要求1所述的方法,其特征在于,所述依据所述成对相似人脸之间的传递关系生成传递相似人脸包括:
将所述成对相似人脸中具备连通关系的成对相似人脸进行组合得到待筛选传递相似人脸;
确定所述待筛选传递相似人脸中不具备连通关系的人脸之间的人脸相似度;
判断所述人脸相似度是否满足第二相似条件;
将满足所述第二相似条件的待筛选传递相似人脸确定为传递相似人脸。
5.根据权利要求4所述的方法,其特征在于,将不满足所述第二相似条件的待筛选传递相似人脸拆解为多个传递相似人脸。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并包括:
依据公式
计算所述传递相似人脸之间的簇间相似度,其中,ci表示第i个簇,|ci|表示ci内的元素个数,cj表示第j个簇,|cj|表示cj内的元素个数;
将矩阵A_next的对角线元素数值设为0;
依据所述矩阵A_next确定每个传递相似人脸的相似簇;
确定所述矩阵A_next中元素最大值,如果所述元素最大值大于预设最大值,则进行相似簇的合并,并重新确定成对相似人脸,如果所述元素最大值不大于所述预设最大值,则结束合并流程。
7.根据权利要求1-5中任一项所述的方法,其特征在于,所述根据合并结果确定人脸聚类分组包括:
根据合并结果反向解析得到合并分组中的每个人脸编号;
将对应人脸编号的人脸确定为人脸聚类分组。
8.人脸聚类装置,其特征在于,包括:
第一确定模块,用于获取人脸相似度矩阵,依据所述人脸相似度矩阵确定成对相似人脸;
第二确定模块,用于依据所述成对相似人脸之间的传递关系生成传递相似人脸;
簇合并模块,用于确定所述传递相似人脸之间的簇间相似度,依据所述簇间相似度确定每个传递相似人脸的相似簇,将满足预设条件的相似簇进行合并;
分组确定模块,用于根据合并结果确定人脸聚类分组。
9.一种设备,所述设备包括: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1-7中任一项所述的人脸聚类方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的人脸聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686533.2A CN110414429A (zh) | 2019-07-29 | 2019-07-29 | 人脸聚类方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686533.2A CN110414429A (zh) | 2019-07-29 | 2019-07-29 | 人脸聚类方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414429A true CN110414429A (zh) | 2019-11-05 |
Family
ID=68363603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910686533.2A Pending CN110414429A (zh) | 2019-07-29 | 2019-07-29 | 人脸聚类方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414429A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242040A (zh) * | 2020-01-15 | 2020-06-05 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111310834A (zh) * | 2020-02-19 | 2020-06-19 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN111401300A (zh) * | 2020-04-07 | 2020-07-10 | 浙江大华技术股份有限公司 | 一种人脸聚类归档方法、装置及存储介质 |
CN111414949A (zh) * | 2020-03-13 | 2020-07-14 | 杭州海康威视***技术有限公司 | 图片聚类方法、装置、电子设备及存储介质 |
CN111476105A (zh) * | 2020-03-17 | 2020-07-31 | 深圳力维智联技术有限公司 | 人脸数据清洗方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009143279A1 (en) * | 2008-05-20 | 2009-11-26 | Ooyala, Inc. | Automatic tracking of people and bodies in video |
US8266149B2 (en) * | 2010-12-10 | 2012-09-11 | Yahoo! Inc. | Clustering with similarity-adjusted entropy |
CN104268149A (zh) * | 2014-08-28 | 2015-01-07 | 小米科技有限责任公司 | 聚类方法及装置 |
CN104731789A (zh) * | 2013-12-18 | 2015-06-24 | 北京慧眼智行科技有限公司 | 一种聚类簇获取方法及装置 |
CN106228188A (zh) * | 2016-07-22 | 2016-12-14 | 北京市商汤科技开发有限公司 | 聚类方法、装置及电子设备 |
CN107609466A (zh) * | 2017-07-26 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 人脸聚类方法、装置、设备及存储介质 |
CN104123279B (zh) * | 2013-04-24 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 关键词的聚类方法和装置 |
CN109447147A (zh) * | 2018-10-24 | 2019-03-08 | 西安电子科技大学 | 基于双图稀疏的深度矩阵分解的图像聚类方法 |
CN109800744A (zh) * | 2019-03-18 | 2019-05-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
-
2019
- 2019-07-29 CN CN201910686533.2A patent/CN110414429A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009143279A1 (en) * | 2008-05-20 | 2009-11-26 | Ooyala, Inc. | Automatic tracking of people and bodies in video |
US8266149B2 (en) * | 2010-12-10 | 2012-09-11 | Yahoo! Inc. | Clustering with similarity-adjusted entropy |
CN104123279B (zh) * | 2013-04-24 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 关键词的聚类方法和装置 |
CN104731789A (zh) * | 2013-12-18 | 2015-06-24 | 北京慧眼智行科技有限公司 | 一种聚类簇获取方法及装置 |
CN104268149A (zh) * | 2014-08-28 | 2015-01-07 | 小米科技有限责任公司 | 聚类方法及装置 |
CN106228188A (zh) * | 2016-07-22 | 2016-12-14 | 北京市商汤科技开发有限公司 | 聚类方法、装置及电子设备 |
CN107609466A (zh) * | 2017-07-26 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 人脸聚类方法、装置、设备及存储介质 |
CN109447147A (zh) * | 2018-10-24 | 2019-03-08 | 西安电子科技大学 | 基于双图稀疏的深度矩阵分解的图像聚类方法 |
CN109800744A (zh) * | 2019-03-18 | 2019-05-24 | 深圳市商汤科技有限公司 | 图像聚类方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
陈雷雷: "多子类中心AP聚类算法的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242040A (zh) * | 2020-01-15 | 2020-06-05 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
WO2021143237A1 (zh) * | 2020-01-15 | 2021-07-22 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111242040B (zh) * | 2020-01-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111310834A (zh) * | 2020-02-19 | 2020-06-19 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN111310834B (zh) * | 2020-02-19 | 2024-05-28 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN111414949A (zh) * | 2020-03-13 | 2020-07-14 | 杭州海康威视***技术有限公司 | 图片聚类方法、装置、电子设备及存储介质 |
CN111414949B (zh) * | 2020-03-13 | 2023-06-27 | 杭州海康威视***技术有限公司 | 图片聚类方法、装置、电子设备及存储介质 |
CN111476105A (zh) * | 2020-03-17 | 2020-07-31 | 深圳力维智联技术有限公司 | 人脸数据清洗方法、装置及设备 |
CN111401300A (zh) * | 2020-04-07 | 2020-07-10 | 浙江大华技术股份有限公司 | 一种人脸聚类归档方法、装置及存储介质 |
CN111401300B (zh) * | 2020-04-07 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种人脸聚类归档方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414429A (zh) | 人脸聚类方法、装置、设备和存储介质 | |
KR20220041704A (ko) | 특징 추출에 기반한 다중 모델 훈련 방법 및 시스템, 전자 장치 및 매체 | |
CN112019820B (zh) | 界面生成方法和装置 | |
CN111400504A (zh) | 企业关键人的识别方法和装置 | |
CN112150280B (zh) | 提升匹配效率的联邦学习方法及设备、电子设备和介质 | |
CN111738341B (zh) | 一种分布式大规模人脸聚类方法及装置 | |
CN112328585A (zh) | 一种数据处理的方法和装置 | |
CN111881740B (zh) | 人脸识别方法、装置、电子设备及介质 | |
WO2024104376A1 (zh) | 一种视听辅助的细粒度触觉信号重建方法 | |
CN112732949A (zh) | 一种业务数据的标注方法、装置、计算机设备和存储介质 | |
CN112070608A (zh) | 信息处理方法、装置、介质及电子设备 | |
KR102437560B1 (ko) | 건축 장식재 디자인 업무 시스템 및 방법 | |
CN114328681A (zh) | 一种数据转换方法、装置、电子设备及存储介质 | |
CN113657272A (zh) | 一种基于缺失数据补全的微视频分类方法及*** | |
CN112542172A (zh) | 基于在线会议的沟通辅助方法、装置、设备及介质 | |
CN112270384A (zh) | 一种回环检测方法、装置及电子设备和存储介质 | |
CN112261321B (zh) | 字幕处理方法、装置及电子设备 | |
CN111597453B (zh) | 用户画像方法、装置、计算机设备及计算机可读存储介质 | |
CN104090911A (zh) | 一种信息处理方法和电子设备 | |
CN117519996B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
KR102632607B1 (ko) | 서비스 생성 방법 | |
KR102541600B1 (ko) | 실물 객체 인식 기반 상담 서비스 제공 장치 및 방법 | |
Yin et al. | An adaptively multi-correlations aggregation network for skeleton-based motion recognition | |
CN102624733A (zh) | 组合信息源的组合方法及物联网信息源组合访问方法 | |
CN117557241B (zh) | 基于分布式网络的数据处理方法、装置、设备、介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |