CN105608425A - 对照片进行分类存储的方法及装置 - Google Patents

Abstract

本公开是关于一种对照片进行分类存储的方法及装置。方法包括：通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；将所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；当所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到照片需要存储的人脸子相册。本公开技术方案通过稀疏矩阵的方式将相似度值均落入到模糊区间的照片划分到已聚类的人脸子相册中，提高人脸相册的召回率。

Description

对照片进行分类存储的方法及装置

技术领域

本公开涉及图像识别技术领域，尤其涉及一种对照片进行分类存储的方法及装置。

背景技术

在以人脸为单位对用户相册进行分类的过程中，首先需要获取用户手机上传的全部照片，对全部照片进行人脸检测提取出人脸特征，将提取的人脸特征依次与已分类的人脸进行相似性度量，将具有相似性特征的照片划分到同一个人脸相册中。由于人脸特征会因为光照、表情等因素产生一定的差异，因此会导致采用人脸特征识别的方式不能将照片正确聚类到同一个人脸的相册中，从而影响相册的召回率。

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对照片进行分类存储的方法及装置，用以提高人脸相册的召回率。

根据本公开实施例的第一方面，提供一种对照片进行分类存储的方法，包括：

通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；

将所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；

当所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；

根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。

在一实施例中，所述方法还可包括：

将设定数量的有标签人脸样本输入至卷积神经网络，对所述卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；

在确定所述卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练所述卷积神经网络，得到已训练的卷积神经网络。

在一实施例中，所述方法还可包括：

通过所述已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到所述至少一个第二人脸特征；

将所述至少一个第二人脸特征对应的照片以人脸特征为单位聚类为所述至少一个人脸子相册。

在一实施例中，所述根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，可包括：

通过稀疏矩阵求解算法计算所述稀疏矩阵与所述第一人脸特征的乘积在达到最佳稀疏时的一维向量，所述一维向量的长度由所述至少一个第二人脸特征的数量确定；

将所述至少一个第二人脸特征降维到与所述一维向量的长度相同的维度，得到至少一个第三人脸特征；

计算所述一维向量与所述至少一个第三人脸特征之间的距离值，得到至少一个距离值；

根据所述至少一个距离值确定所述照片需要存储的人脸子相册。

在一实施例中，所述根据所述至少一个第二人脸特征确定一个稀疏矩阵，可包括：

确定所述至少一个第二人脸特征对应的一维向量的长度以及所述至少一个第二人脸特征的数量；

将所述至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由所述长度与所述数量确定的一个稀疏矩阵。

在一实施例中，所述通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征，可包括：

检测待分类存储的照片中关于人脸的特征点；

根据所述人脸的特征点从所述照片上确定所述人脸的区域；

将所述人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，所述人脸图像的分辨率与所述卷积神经网络的输入层的维数相同；

通过所述已训练的卷积神经网络提取所述人脸图像中的第一人脸特征。

在一实施例中，所述方法还可包括：

当所述至少一个相似度值中有大于所述预设阈值的相似度值时，将所述照片聚类到大于所述预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。

根据本公开实施例的第二方面，提供一种对照片进行分类存储的装置，包括：

第一提取模块，被配置为通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；

第一计算模块，被配置为将所述第一提取模块提取到的所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；

第一确定模块，被配置为当所述第一计算模块计算得到的所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；

第二确定模块，被配置为根据所述第一人脸特征和所述第一确定模块确定的所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。

在一实施例中，所述装置还可包括：

训练模块，被配置为将设定数量的有标签人脸样本输入至卷积神经网络，对所述卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；

第三确定模块，被配置为在确定所述卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练所述卷积神经网络，确定通过所述训练模块得到已训练的卷积神经网络。

在一实施例中，所述装置还可包括：

第二提取模块，被配置为通过所述已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到所述至少一个第二人脸特征；

照片聚类模块，被配置为将所述第二提取模块提取到的所述至少一个第二人脸特征对应的照片以人脸特征为单位聚类为所述至少一个人脸子相册。

在一实施例中，所述第二确定模块可包括：

第一计算子模块，被配置为通过稀疏矩阵求解算法计算所述稀疏矩阵与所述第一人脸特征的乘积在达到最佳稀疏时的一维向量，所述一维向量的长度由所述至少一个第二人脸特征的数量确定；

降维子模块，被配置为将所述至少一个第二人脸特征降维到与所述第一计算子模块计算得到的所述一维向量的长度相同的维度，得到至少一个第三人脸特征；

第二计算子模块，被配置为计算所述第一计算子模块计算得到的所述一维向量与所述降维子模块降维后的所述至少一个第三人脸特征之间的距离值，得到至少一个距离值；

第一确定子模块，被配置为根据所述第二计算子模块计算得到的所述至少一个距离值确定所述照片需要存储的人脸子相册。

在一实施例中，所述第一确定模块可包括：

第二确定子模块，被配置为确定所述至少一个第二人脸特征对应的一维向量的长度以及所述至少一个第二人脸特征的数量；

排列子模块，被配置为将所述至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由所述第二确定子模块确定的所述长度与所述数量确定的一个稀疏矩阵。

在一实施例中，所述第一提取模块可包括：

检测子模块，被配置为检测待分类存储的照片中关于人脸的特征点；

第三确定子模块，被配置为根据所述检测子模块检测到的所述人脸的特征点从所述照片上确定所述人脸的区域；

变换子模块，被配置为将所述第三确定子模块确定的所述人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，所述人脸图像的分辨率与所述卷积神经网络的输入层的维数相同；

特征提取子模块，被配置为通过所述已训练的卷积神经网络提取所述人脸图像中的第一人脸特征。

在一实施例中，所述装置还可包括：

存储模块，被配置为当所述第一计算模块计算得到的所述至少一个相似度值中有大于所述预设阈值的相似度值时，将所述照片聚类到大于所述预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。

根据本公开实施例的第三方面，提供一种对照片进行分类存储的装置，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：

通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；

将所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；

当所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；

根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。

本公开的实施例提供的技术方案可以包括以下有益效果：对于至少一个相似度值均小于预设阈值的照片而言，由于至少一个相似度值落在了一个模糊区间，相关技术的人脸识别方法不能够将该照片分类到人脸子相册中，本实施例通过第一人脸特征和稀疏矩阵从至少一个人脸子相册中确定照片需要存储的人脸子相册，实现了通过稀疏矩阵的方式将相似度值均落入到模糊区间的照片划分到已聚类的人脸子相册中，从而提高了人脸相册的召回率。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1A是根据一示例性实施例示出的对照片进行分类存储的方法的流程图。

图1B是根据一示例性实施例示出的用户相册与人脸子相册的示意图。

图2A是根据一示例性实施例一示出的如何对卷积神经网络进行训练的示意图。

图2B是根据一示例性实施例一示出的卷积神经网络的结构示意图。

图3是根据一示例性实施例二示出的对照片进行分类存储的方法的流程图。

图4是根据一示例性实施例三示出的对照片进行分类存储的方法的流程图。

图5是根据一示例性实施例四示出的对照片进行分类存储的方法的流程图。

图6是根据一示例性实施例示出的一种对照片进行分类存储的装置的框图。

图7是根据一示例性实施例示出的另一种对照片进行分类存储的装置的框图。

图8是根据一示例性实施例示出的再一种对照片进行分类存储的装置的框图。

图9是根据一示例性实施例示出的一种适用于对照片进行分类存储的装置的框图。

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发明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、本发明的一些方面相一致的装置和方法的例子。

图1A是根据一示例性实施例示出的对照片进行分类存储的方法的流程图，图1B是根据一示例性实施例示出的用户相册与人脸子相册的示意图；该对照片进行分类存储的方法可以应用在服务器上，服务器对用户上传到服务器上的云相册通过本公开对照片进行分类存储，也可以应用安装有相册应用程序的电子设备(例如：智能手机和平板电脑)上，电子设备通过本公开对摄像模块拍摄的照片进行分类存储，如图1A所示，该对照片进行分类存储的方法包括以下步骤S101-S104：

在步骤S101中，通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征。

在一实施例中，照片可以通过电子设备上的拍照模块采集并存储在电子设备上，电子设备通过执行本公开所述实施例对照片进行分类存储；在另一实施例中，照片还可以通过电子设备上传至服务器后存储在服务器上，服务器通过执行本公开所述实施例对照片进行分类存储。在一实施例中，卷积神经网络(ConvolutionalNeuralNetworks，简称为CNN)可以包括：输入层、多个卷积层、多个全连接层和输出层，将第一指纹图像输入到已训练的卷积神经网络的输入层，已训练的卷积神经网络通过多个卷积层的卷积以及多个全连接层的特征连接后，在输出层输出第一指纹图像的第一指纹特征。

在步骤S102中，将第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，其中，至少一个第二人脸特征与至少一个人脸子相册一一对应。

在一实施例中，可以对用户相册中的人脸照片通过已训练的CNN提取得到至少一个第二人脸特征，如图1B所示，示出了用户相册10中包含了用户A-用户H各自的人脸子相册，其中，用户A11表示存储包含用户A的人脸照片的人脸子相册，用户B12表示存储包含有用户B的人脸的照片的人脸子相册，用户C13表示存储包含用户C的人脸照片的人脸子相册，用户D14表示存储包含有用户D的人脸的照片的人脸子相册，等等，由此可以将同一个用户相册中的照片以人脸为单位进行存储。在一实施例中，可以通过计算第一人脸特征与至少一个第二人脸特征之间的欧式距离或者余弦距离得到至少一个相似度值。

在步骤S103中，确定至少一个相似度值是否均小于预设阈值，当至少一个相似度值均小于预设阈值时，执行步骤S104，当至少一个相似度值中有大于预设阈值的相似度值时，执行步骤S106。

在一实施例中，可以通过对样本数据库中大量的人脸样本进行训练得到一个合适的预设阈值，预设阈值可以为用户能够接受的识别错误率，例如，如果样本数据库中有类内样本10万对，类间样本100万对，为了保持千分之一的识别错误率，可以对每一对通过余弦距离计算，得到一个0-1之间的值，其中，类内样本的余弦距离的值有10万个，类间样本的余弦距离的值100万个，也即，得到了110万个余弦距离的值，通过该110万个余弦距离的值并结合识别错误率来确定一个合适的预设阈值即可。

在步骤S104中，根据至少一个第二人脸特征确定一个稀疏矩阵。

在一实施例中，可以从至少一个第二人脸特征中选取一些第二人脸特征依次排列得到一个稀疏矩阵，例如，用户相册10中共有用户A至用户H的8个面孔，各自对应了一个人脸子相册，每个人脸子相册中有100张人脸照片，则可以有8*100＝800个的第二人脸特征，如果训练后的卷积神经网络输出的特征为4096维的人脸特征，则可以得到800*4096维的稀疏矩阵。

在步骤S105中，根据第一人脸特征和稀疏矩阵从至少一个人脸子相册中确定照片需要存储的人脸子相册，将照片存储到照片需要存储的人脸子相册。

步骤S105是如何根据第一人脸特征和稀疏矩阵从至少一个人脸子相册中确定照片需要存储的人脸子相册的，通过下述图4所示实施例详细介绍，在此先不详述。

在步骤S106中，当至少一个相似度值中有大于预设阈值的相似度值的相似度值时，将照片聚类到大于预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。

作为一个示例性场景，例如，用户相册10为用户A在其终端设备或者服务器侧的云相册上创建的电子相册，在用户相册10中包含了用户A的人脸子相册至用户H的人脸子相册，已提取出的参考人脸特征包括了用户A至用户H的人脸特征，如果待分类存储的照片上为用户A的人脸，则从待分类存储的照片上的人脸特征为本公开中的第一人脸特征，用户相册10中的已分类存储的用户A至用户H各自对应人脸子相册中的照片上的人脸特征为本公开中的至少一个第二人脸特征。

本实施例中，对于至少一个相似度值均小于预设阈值的照片而言，由于至少一个相似度值落在了一个模糊区间，相关技术的人脸识别方法不能够将该照片分类到人脸子相册中，本实施例通过第一人脸特征和稀疏矩阵从至少一个人脸子相册中确定照片需要存储的人脸子相册，实现了通过稀疏矩阵的方式将相似度值均落入到模糊区间的照片划分到已聚类的人脸子相册中，从而提高了人脸相册的召回率。

在一实施例中，方法还可包括：

将设定数量的有标签人脸样本输入至卷积神经网络，对卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；在确定卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练卷积神经网络，得到已训练的卷积神经网络。

在一实施例中，方法还可包括：

通过已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到至少一个第二人脸特征；将至少一个第二人脸特征对应的照片以人脸特征为单位聚类为至少一个人脸子相册。

在一实施例中，根据第一人脸特征和稀疏矩阵从至少一个人脸子相册中确定照片需要存储的人脸子相册，可包括：

通过稀疏矩阵求解算法计算稀疏矩阵与第一人脸特征的乘积在达到最佳稀疏时的一维向量，一维向量的长度由至少一个第二人脸特征的数量确定；

将至少一个第二人脸特征降维到与一维向量的长度相同的维度，得到至少一个第三人脸特征；

计算一维向量与至少一个第三人脸特征之间的距离值，得到至少一个距离值；

根据至少一个距离值确定照片需要存储的人脸子相册。

在一实施例中，根据至少一个第二人脸特征确定一个稀疏矩阵，可包括：

确定至少一个第二人脸特征对应的一维向量的长度以及至少一个第二人脸特征的数量；

将至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由长度与数量确定的一个稀疏矩阵。

在一实施例中，通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征，可包括：

检测待分类存储的照片中关于人脸的特征点；

根据人脸的特征点从照片上确定人脸的区域；

将人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，人脸图像的分辨率与卷积神经网络的输入层的维数相同；

通过已训练的卷积神经网络提取人脸图像中的第一人脸特征。

在一实施例中，方法还可包括：

当至少一个相似度值中有大于预设阈值的相似度值时，将照片聚类到大于预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。

具体如何实现对照片进行分类存储的，请参考后续实施例。

至此，本公开实施例提供的上述方法，可以通过稀疏矩阵的方式将相似度值均落入到模糊区间的照片划分到已聚类的人脸子相册中，提高人脸相册的召回率。

下面以具体实施例来说明本公开实施例提供的技术方案。

图2A是根据一示例性实施例一示出的如何对卷积神经网络进行训练的示意图，图2B是根据一示例性实施例一示出的卷积神经网络的结构示意图；本实施例利用本公开实施例提供的上述方法，以如何通过有标签人脸样本对卷积神经网络进行训练为例进行示例性说明，如图2A所示，包括如下步骤：

在步骤S201中，将设定数量的有标签人脸样本输入至卷积神经网络，对卷积神经网络的至少一个卷积层和至少一个全连接层进行训练。

在步骤S202中，确定卷积神经网络中各节点之间的连接是否达到最佳权重参数，在各节点之间的连接达到最佳权重参数时，执行步骤S202，在各节点之间的连接未达到最佳权重参数时，继续执行步骤S201。

在步骤S203中，控制停止训练卷积神经网络，得到已训练的卷积神经网络。

在对卷积神经网络进行训练之前，需要准备设定数量(可以达到万级以上)的人脸样本(例如，50000张的人脸样本)。对这些海量的人脸样本进行标号(label)，例如，用户E的所有人脸样本的标号都为1，用户F的所有人脸样本的标号都为2，等等，可以准备1000个用户的50000张的人脸图像，每个用户的人脸样本为50张，海量的人脸样本的数量可以达到50000张，通过这50000张的人脸样本对CNN进行训练。

CNN的结构可以参照图2B的示意，如图2B所示，在该卷积神经网络中，包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层以及输出层。上述的50000张人脸样本作为训练样本输入到该卷积神经网络中进行训练，并根据卷积神经网络输出的分类结果，不断对该卷积神经网络各基层上节点之间的连接的权重参数进行调整。在不断的调整过程中，该卷积神经网络在基于输入的训练样本进行训练后，输出的分类结果与用户标定的分类结果相比，准确度将会逐渐提高。与此同时，用户可以预先设置一个准确度阈值，在不断的调整过程中，如果该卷积神经网络输出的分类结果与用户标定的分类结果相比，准确度达到预先设置的准确度阈值后，此时该卷积神经网络中各基层节点之间连接的权重参数均为最佳权重参数，此时可以认为该卷积神经网络已经训练完毕。

本实施例中，通过对卷积神经网络进行训练，通过分类器对卷积神经网络的有标签人脸样本进行分类标定，当有标签人脸样本的数量达到一定级别时，可以使训练后的卷积神经网络能够识别出照片中有利于人脸识别的特征，确保人脸识别的准确率。

图3是根据一示例性实施例二示出的对照片进行分类存储的方法的流程图；本实施例利用本公开实施例提供的上述方法，以如何得到至少一个第二人脸特征为例并结合图1B和图2B进行示例性说明，如图3所示，包括如下步骤：

在步骤S301中，通过已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到至少一个第二人脸特征。

在步骤S302中，将至少一个第二人脸特征对应的照片以人脸特征为单位聚类为至少一个人脸子相册。

在一实施例中，可以通过图2B所示的已训练的卷积神经网络提取用户相册10中的全部照片的人脸特征，并对全部照片按照人脸特征进行划分，例如，按照人脸特征将用户A11的照片存储到用户A11对应的的人脸子相册中，将用户A12的照片存储到用户A12对应的的人脸子相册中，等等，从而在用户相册10中有用多个人脸子相册。

本实施例在具有上述实施例有益技术效果的基础上，通过将用户相册中的照片以人脸为单位进行存储，方便用户整理其用户相册中的所有照片，提高用户使用相册的体验。

图4是根据一示例性实施例三示出的对照片进行分类存储的方法的流程图；本实施例利用本公开实施例提供的上述方法，以如何通过稀疏矩阵与第一人脸特征从至少一个第二人脸特征中识别出与第一人脸特征相同的人脸为例进行示例性说明，如图4所示，包括如下步骤：

在步骤S401中，通过稀疏矩阵求解算法计算稀疏矩阵与第一人脸特征的乘积在达到最佳稀疏时的一维向量，一维向量的长度由至少一个第二人脸特征的数量确定。

在一实施例中，可以通过稀疏矩阵的L1范数来确定稀疏矩阵与第一人脸特征的乘积达到最佳稀疏时的一维向量，例如，通过上述步骤S101得到的第一人脸特征为长度维4096的一维向量x，选取用户相册中的1000张人脸的4096维的第二人脸特征组成一个字典，该字典即为本公开中的稀疏矩阵，利用相关技术中的稀疏矩阵求解算法y＝Ax，可以通过L1范数最小化的方法确定y达到最佳稀疏，此时得到一维向量y。例如，A为1000*4096的矩阵，x为4096的一维向量，因此y为长度为1000的一维向量。

在步骤S402中，将至少一个第二人脸特征降维到与一维向量的长度相同的维度，得到至少一个第三人脸特征。

在一实施例中，可以通过稀疏矩阵的方法将至少一个第二人脸特征降维到与一维向量的长度相同的维度，也可以采用主成分分析(PrincipalComponentAnalysis，简称为PCA)或者正则化(ZCA)的方法对至少一个第二人脸特征降维到与一维向量的长度相同的维度，本实施例至少一个第二人脸特征的降维方法不做限制，例如，通过上述图2B得到的用户A至用户H的人脸的第二人脸特征为长度为4096的一维向量，通过降维将4096的一维向量降维到1000的一维向量，该长度1000的一维向量即为本公开中的第三人脸特征，第三人脸特征的个数与第二人脸特征的个数相同。

在步骤S403中，计算一维向量与至少一个第三人脸特征之间的距离值，得到至少一个距离值。

在一实施例中，距离值既可以为欧式距离，也可以为余弦距离，本公开对此不做限制。

在步骤S404中，根据至少一个距离值确定照片需要存储的人脸子相册。

在一实施例中，可以通过预设的约束策略确定从至少一个距离值中确定照片需要存储的人脸子相册，例如，至少一个距离值的个数为1000个，其中有10个距离值均超过一设定的阈值，则判定将照片存储到该10个距离值对应的人脸子相册中，本公开对距离值的约束策略不做限制，只要能够根据距离确定出照片需要存储的人脸子相册中即可。

本实施例中，通过将至少一个第二人脸特征降维到与一维向量的长度相同的维度，得到至少一个第三人脸特征，从而实现了将高维的人脸特征投影到低维的矢量空间，从而达到了抽取分类信息和压缩特征空间维数的效果，由于降维后可以确保至少一个第三人脸特征在新的子空间有最大的类间距离和最小的类内距离，在一定程度上可提高人脸识别的准确度。

图5是根据一示例性实施例四示出的对照片进行分类存储的方法的流程图；本实施例利用本公开实施例提供的上述方法，以如何得到第一人脸特征为例进行示例性说明，如图5所示，包括如下步骤：

在步骤S501中，检测待分类存储的照片中关于人脸的特征点。

在步骤S502中，根据人脸的特征点从照片上确定人脸的区域。

在一实施例中，可以通过相关技术中的人脸检测技术得到人脸的特征点，根据特征点从照片上确定人脸的区域图像，例如，照片的分辨率为1000*1000，特征点为人脸上的双眼位置，则可以以双眼位置以及人脸的边沿确定人脸的区域图像在照片上的位置以及大小，例如，人脸的区域为100*100。

在步骤S503中，将人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，人脸图像的分辨率与卷积神经网络的输入层的维数相同。

在一实施例中，可以建立包含有海量的人脸样本的样本库，每一个人脸样本的分辨率经过缩放后与卷积神经网络的输入层的维数相同，对样本库中的每一人脸样本进行人脸检测，检测出人脸的双眼中心点、鼻子、嘴等四个特征点，通过海量的人脸样本上的双眼中心点、鼻子、嘴的特征点得到一个预设参考特征点。

在一实施例中，由于输入至CNN的区域图像的大小与CNN的输入层的维数可能不相同，因此还可以将检测到的区域图像进行仿射变换，从而确保不同大小的第一区域经过仿射变换后与卷积神经网络的输入层的维数相同，例如，从照片上截取的区域图像的大小为100×100，通过仿射变换将其变换后得到的大小为224×224，从而可以使区域图像与CNN的输入层的维数相同，确保区域图像信息能够准确地输入到如图2B所示的卷积神经网络的输入层。

在步骤S504中，通过已训练的卷积神经网络提取人脸图像中的第一人脸特征。

本实施例中，通过仿射变换将人脸的区域图像根据预设参考特征点进行仿射变换得到能够支持卷积神经网络的输入层，确保人脸的区域图像能够准确地输入到训练后的卷积神经网络的输入层；由于已训练的卷积神经网络是通过海量的有标签人脸样本训练得到的，从而可以使已训练的卷积神经网络提取出的第一人脸特征能够准确的表示照片中的人脸，大大提高后期人脸识别的准确率。

图6是根据一示例性实施例示出的一种对照片进行分类存储的装置的框图，如图6所示，对照片进行分类存储的装置包括：

第一提取模块61，被配置为通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；

第一计算模块62，被配置为将第一提取模块61提取到的第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，至少一个第二人脸特征与至少一个人脸子相册一一对应；

第一确定模块63，被配置为当第一计算模块62计算得到的至少一个相似度值均小于预设阈值时，根据至少一个第二人脸特征确定一个稀疏矩阵；

第二确定模块64，被配置为根据第一人脸特征和第一确定模块63确定的稀疏矩阵从至少一个人脸子相册中确定照片需要存储的人脸子相册，将照片存储到照片需要存储的人脸子相册。

图7是根据一示例性实施例示出的另一种对照片进行分类存储的装置的框图，如图7所示，在上述图6所示实施例的基础上，在一实施例中，装置还可包括：

训练模块65，被配置为将设定数量的有标签人脸样本输入至卷积神经网络，对卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；

第三确定模块66，被配置为在确定卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练卷积神经网络，确定通过训练模块65得到已训练的卷积神经网络，第一提取模块61可通过训练模块65已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征。

在一实施例中，装置还可包括：

第二提取模块67，被配置为通过已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到至少一个第二人脸特征；

照片聚类模块68，被配置为将第二提取模块67提取到的至少一个第二人脸特征对应的照片以人脸特征为单位聚类为至少一个人脸子相册，第二确定模块64根据第一人脸特征和第一确定模块63确定的稀疏矩阵从照片聚类模块68聚类得到的至少一个人脸子相册中确定照片需要存储的人脸子相册，将照片存储到照片需要存储的人脸子相册。

在一实施例中，第二确定模块64可包括：

第一计算子模块641，被配置为通过稀疏矩阵求解算法计算稀疏矩阵与第一人脸特征的乘积在达到最佳稀疏时的一维向量，一维向量的长度由至少一个第二人脸特征的数量确定；

降维子模块642，被配置为将至少一个第二人脸特征降维到与第一计算子模块计算得到的一维向量的长度相同的维度，得到至少一个第三人脸特征；

第二计算子模块643，被配置为计算第一计算子模块641计算得到的一维向量与降维子模块642降维后的至少一个第三人脸特征之间的距离值，得到至少一个距离值；

第一确定子模块644，被配置为根据第二计算子模块643计算得到的至少一个距离值确定照片需要存储的人脸子相册。

图8是根据一示例性实施例示出的再一种对照片进行分类存储的装置的框图，如图8所示，在上述图6和/或图7所示是实力的基础上，在一实施例中，第一确定模块63可包括：

第二确定子模块631，被配置为确定至少一个第二人脸特征对应的一维向量的长度以及至少一个第二人脸特征的数量；

排列子模块632，被配置为将至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由第二确定子模块631确定的长度与数量确定的一个稀疏矩阵。

在一实施例中，第一提取模块61可包括：

检测子模块611，被配置为检测待分类存储的照片中关于人脸的特征点；

第三确定子模块612，被配置为根据检测子模块611检测到的人脸的特征点从照片上确定人脸的区域；

变换子模块613，被配置为将第三确定子模块612确定的人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，人脸图像的分辨率与卷积神经网络的输入层的维数相同；

特征提取子模块614，被配置为通过已训练的卷积神经网络提取变换子模块613变换后的人脸图像中的第一人脸特征。

在一实施例中，装置还可包括：

存储模块69，被配置为当第一计算模块62计算得到的至少一个相似度值均大于预设阈值时，将照片聚类到大于预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。

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9是根据一示例性实施例示出的一种适用于对照片进行分类存储的装置的框图。例如，装置900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。

参照图9，装置900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。

处理组件902通常控制装置900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。处理元件902可以包括一个或多个处理器920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902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理部件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在装置900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904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。

电力组件906为装置900的各种组件提供电力。电力组件906可以包括电源管理系统，一个或多个电源，及其他与为装置900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述装置900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。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述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908包括一个前置摄像头和/或后置摄像头。当设备900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系统或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当装置900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904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和外围接口模块之间提供接口，上述外围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914包括一个或多个传感器，用于为装置900提供各个方面的状态评估。例如，传感器组件914可以检测到设备900的打开/关闭状态，组件的相对定位，例如所述组件为装置900的显示器和小键盘，传感器组件914还可以检测装置900或装置900一个组件的位置改变，用户与装置900接触的存在或不存在，装置900方位或加速/减速和装置900的温度变化。传感器组件914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914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914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916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900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，通信部件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件916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900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904，上述指令可由装置900的处理器920执行以完成上述方法。例如，所述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。

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 (15)

1.一种对照片进行分类存储的方法，其特征在于，所述方法包括：

通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；

将所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；

当所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；

根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将设定数量的有标签人脸样本输入至卷积神经网络，对所述卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；

在确定所述卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练所述卷积神经网络，得到已训练的卷积神经网络。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过所述已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到所述至少一个第二人脸特征；

将所述至少一个第二人脸特征对应的照片以人脸特征为单位聚类为所述至少一个人脸子相册。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，包括：

通过稀疏矩阵求解算法计算所述稀疏矩阵与所述第一人脸特征的乘积在达到最佳稀疏时的一维向量，所述一维向量的长度由所述至少一个第二人脸特征的数量确定；

将所述至少一个第二人脸特征降维到与所述一维向量的长度相同的维度，得到至少一个第三人脸特征；

计算所述一维向量与所述至少一个第三人脸特征之间的距离值，得到至少一个距离值；

根据所述至少一个距离值确定所述照片需要存储的人脸子相册。

5.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个第二人脸特征确定一个稀疏矩阵，包括：

确定所述至少一个第二人脸特征对应的一维向量的长度以及所述至少一个第二人脸特征的数量；

将所述至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由所述长度与所述数量确定的一个稀疏矩阵。

6.根据权利要求1所述的方法，其特征在于，所述通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征，包括：

检测待分类存储的照片中关于人脸的特征点；

根据所述人脸的特征点从所述照片上确定所述人脸的区域；

将所述人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，所述人脸图像的分辨率与所述卷积神经网络的输入层的维数相同；

通过所述已训练的卷积神经网络提取所述人脸图像中的第一人脸特征。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述至少一个相似度值中有大于所述预设阈值的相似度值时，将所述照片聚类到大于所述预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。

8.一种对照片进行分类存储的装置，其特征在于，所述装置包括：

第一提取模块，被配置为通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；

第一计算模块，被配置为将所述第一提取模块提取到的所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；

第一确定模块，被配置为当所述第一计算模块计算得到的所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；

第二确定模块，被配置为根据所述第一人脸特征和所述第一确定模块确定的所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

训练模块，被配置为将设定数量的有标签人脸样本输入至卷积神经网络，对所述卷积神经网络的至少一个卷积层和至少一个全连接层层进行训练；

第三确定模块，被配置为在确定所述卷积神经网络中各节点之间的连接的最佳权重参数时，停止训练所述卷积神经网络，确定通过所述训练模块得到已训练的卷积神经网络。

10.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第二提取模块，被配置为通过所述已训练的卷积神经网络对用户相册中的全部照片进行特征提取，得到所述至少一个第二人脸特征；

照片聚类模块，被配置为将所述第二提取模块提取到的所述至少一个第二人脸特征对应的照片以人脸特征为单位聚类为所述至少一个人脸子相册。

11.根据权利要求8所述的装置，其特征在于，所述第二确定模块包括：

第一计算子模块，被配置为通过稀疏矩阵求解算法计算所述稀疏矩阵与所述第一人脸特征的乘积在达到最佳稀疏时的一维向量，所述一维向量的长度由所述至少一个第二人脸特征的数量确定；

降维子模块，被配置为将所述至少一个第二人脸特征降维到与所述第一计算子模块计算得到的所述一维向量的长度相同的维度，得到至少一个第三人脸特征；

第二计算子模块，被配置为计算所述第一计算子模块计算得到的所述一维向量与所述降维子模块降维后的所述至少一个第三人脸特征之间的距离值，得到至少一个距离值；

第一确定子模块，被配置为根据所述第二计算子模块计算得到的所述至少一个距离值确定所述照片需要存储的人脸子相册。

12.根据权利要求8所述的装置，其特征在于，所述第一确定模块包括：

第二确定子模块，被配置为确定所述至少一个第二人脸特征对应的一维向量的长度以及所述至少一个第二人脸特征的数量；

排列子模块，被配置为将所述至少一个第二人脸特征中的每一个第二人脸特征顺次排列，得到由所述第二确定子模块确定的所述长度与所述数量确定的一个稀疏矩阵。

13.根据权利要求8所述的装置，其特征在于，所述第一提取模块包括：

检测子模块，被配置为检测待分类存储的照片中关于人脸的特征点；

第三确定子模块，被配置为根据所述检测子模块检测到的所述人脸的特征点从所述照片上确定所述人脸的区域；

变换子模块，被配置为将所述第三确定子模块确定的所述人脸的区域中的图像内容根据预设参考特征点进行仿射变换得到人脸图像，所述人脸图像的分辨率与所述卷积神经网络的输入层的维数相同；

特征提取子模块，被配置为通过所述已训练的卷积神经网络提取所述人脸图像中的第一人脸特征。

14.根据权利要求8所述的装置，其特征在于，所述装置还包括：

存储模块，被配置为当所述第一计算模块计算得到的所述至少一个相似度值中有大于所述预设阈值的相似度值时，将所述照片聚类到大于所述预设阈值的相似度值对应的第二人脸特征对应的人脸子相册中。

15.一种对照片进行分类存储的装置，其特征在于，所述装置包括：

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：

通过已训练的卷积神经网络提取待分类存储的照片中的第一人脸特征；

将所述第一人脸特征与已聚类得到的至少一个第二人脸特征进行相似度计算，得到至少一个相似度值，所述至少一个第二人脸特征与至少一个人脸子相册一一对应；

当所述至少一个相似度值均小于预设阈值时，根据所述至少一个第二人脸特征确定一个稀疏矩阵；

根据所述第一人脸特征和所述稀疏矩阵从所述至少一个人脸子相册中确定所述照片需要存储的人脸子相册，将所述照片存储到所述照片需要存储的人脸子相册。