CN105608430A

CN105608430A - 人脸聚类方法及装置

Info

Publication number: CN105608430A
Application number: CN201510970887.1A
Authority: CN
Inventors: 陈志军; 李明浩; 侯文迪
Original assignee: Xiaomi Inc
Current assignee: Beijing Xiaomi Technology Co Ltd; Xiaomi Inc
Priority date: 2015-12-22
Filing date: 2015-12-22
Publication date: 2016-05-25
Anticipated expiration: 2035-12-22
Also published as: CN105608430B

Abstract

本公开揭示了一种人脸聚类方法及装置，属于人脸识别领域。该人脸聚类方法包括：获取第一照片类和第二照片类；对第一照片类中的人脸照片进行聚类得到至少一个照片子类；将至少一个照片子类中的一个照片子类确定为正确人脸子类；计算正确人脸子类与第二照片类之间的距离；若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类；解决了若第二照片类中存在与第一照片类中错误人脸相对应的其他人脸照片，则有可能错误地将第一照片类与第二照片类聚类至同一个照片类的问题；达到了在聚类时避免出现一个照片类因为存在少数错误人脸照片时，引入更多错误人脸照片的聚类错误，提高聚类的准确度的效果。

Description

人脸聚类方法及装置

技术领域

本公开涉及人脸识别领域，特别涉及一种人脸聚类方法及装置。

背景技术

人脸聚类方法是一种基于人脸特征将相似人脸进行聚类的方法。在照片管理程序中，可以通过人脸聚类方法将对应于不同人脸的照片进行聚类，从而形成不同的相册。

相关技术中的一种人脸聚类方法，包括：第一，将每一张人脸照片初始化为一个照片类；第二，根据每张人脸照片的特征向量，计算任意两个照片类之间的距离；第三，若两个照片类之间的距离小于阈值，则将两个照片类聚类至同一个照片类；迭代上述第二步骤和第三步骤。但是在聚类过程中，若照片类A中存在几张错误人脸照片，照片类B中存在多张与该错误人脸照片对应的其它人脸照片，则在不断迭代过程中，有可能错误地将照片类A和照片类B聚类至同一个照片类中。

发明内容

为了解决在人脸聚类时，照片类B中存在与照片类A中错误人脸相对应的其他人脸照片时，有可能会错误地将照片类A与照片类B聚类至同一个照片类中的问题，本公开提供一种人脸聚类方法及装置。该技术方案如下：

根据本公开实施例的第一方面，提供一种人脸聚类方法，该方法包括：

获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片；

对第一照片类中的人脸照片进行聚类，得到至少一个照片子类；

将至少一个照片子类中的一个照片子类确定为正确人脸子类；

计算正确人脸子类与第二照片类之间的距离；

若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类。

可选的，对第一照片类中的人脸照片进行聚类，得到至少一个照片子类，包括：

将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支；每个单连通分支中的任意两个特征点之间存在至少一条路径；

对于每个单连通分支，将单连通分支中的特征点所对应的人脸照片确定为一个照片子类。

将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个双连通分支；每个双连通分支中的任意两个特征点之间存在至少两条路径；

对于每个双连通分支，将双连通分支中的特征点所对应的人脸照片确定为一个照片子类。

将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支，根据任意两个特征点之间的距离计算出至少一个双连通分支；

计算单连通分支和双连通分支的并集，得到至少一个合并连通分支；

对于每个合并连通分支，将合并连通分支中的特征点所对应的人脸照片确定为一个照片子类。

可选的，根据任意两个特征点之间的距离计算出至少一个单连通分支，根据任意两个特征点之间的距离计算出至少一个双连通分支，包括：

根据任意两个特征点之间的距离是否小于第一预定值计算出至少一个单连通分支，根据任意两个特征点之间的距离是否小于第二预定值计算出至少一个双连通分支；

其中，第一预定值小于第二预定值。

将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离是否小于第一预定值，计算出至少两个单连通分支；

对于单连通分支中任意确定的第一单连通分支和第二单连通分支，计算属于第一单连通分支中的特征点与属于第二单连通分支中的特征点之间的距离是否小于第二预定值；

若存在至少两个距离小于第二预定值，则将第一单连通分支和第二单连通分支合并，得到合并连通分支；

对于每个合并连通分支，将合并连通分支中的特征点所对应的人脸照片确定为一个照片子类；

其中，第一预定值小于第二预定值。

可选的，将至少一个照片子类中的一个照片子类确定为正确人脸子类，包括：

计算每个照片子类中的人脸照片的数量；

将数量最大的照片子类确定为正确人脸子类。

根据本公开实施例的第二方面，提供一种人脸聚类装置，该装置包括：

类获取模块，被被配置为获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片；

第一聚类模块，被配置为对第一照片类中的人脸照片进行聚类，得到至少一个照片子类；

确定模块，被配置为将至少一个照片子类中的一个照片子类确定为正确人脸子类；

距离计算模块，被配置为计算正确人脸子类与第二照片类之间的距离；

第二聚类模块，被配置为若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类。

可选的，第一聚类模块，包括：

单连通计算子模块，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支；每个单连通分支中的任意两个特征点之间存在至少一条路径；

第一子类确定子模块，被配置为对于每个单连通分支，将单连通分支中的特征点所对应的人脸照片确定为一个照片子类。

可选的，第一聚类模块，包括：

双连通计算子模块，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个双连通分支；每个双连通分支中的任意两个特征点之间存在至少两条路径；

第二子类确定子模块，被配置为对于每个双连通分支，将双连通分支中的特征点所对应的人脸照片确定为一个照片子类。

可选的，第一聚类模块，包括：

第一分支计算子模块，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支，根据任意两个特征点之间的距离计算出至少一个双连通分支；

第一计算子模块，被配置为计算单连通分支和双连通分支的并集，得到至少一个合并连通分支

照片子类确定子模块，被配置为对于每个合并连通分支，将合并连通分支中的特征点所对应的人脸照片确定为一个照片子类。

可选的，第一分支计算子模块，被配置为根据任意两个特征点之间的距离是否小于第一预定值计算出至少一个单连通分支，根据任意两个特征点之间的距离是否小于第二预定值计算出至少一个双连通分支；

其中，第一预定值小于第二预定值。

可选的，第一聚类模块，包括：

第二分支计算子模块，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离是否小于第一预定值，计算出至少两个单连通分支；

比较子模块，被配置为对于单连通分支中任意确定的第一单连通分支和第二单连通分支，计算属于第一单连通分支中的特征点与属于第二单连通分支中的特征点之间的距离是否小于第二预定值；

第二计算子模块，被配置为当存在至少两个距离小于第二预定值时，将第一单连通分支和第二单连通分支合并，得到合并连通分支；

照片子类确定子模块，被配置为对于每个合并连通分支，将合并连通分支中的特征点所对应的人脸照片确定为一个照片子类；

其中，第一预定值小于第二预定值。

可选的，确定模块，包括：

数量计算子模块，被配置为计算每个照片子类中的人脸照片的数量；

确定子模块，被配置为将数量最大的照片子类确定为正确人脸子类。

根据本公开实施例的第三方面，提供一种人脸聚类装置，该装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

计算正确人脸子类与第二照片类之间的距离；

本公开的实施例提供的技术方案可以包括以下有益效果：

通过获取第一照片类和第二照片类，对第一照片类中人脸照片进行聚类，得到至少一个照片子类，将至少一个照片子类中的一个照片子类确定为正确人脸子类，计算正确人脸子类与第二照片类之间的距离，若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类；解决了在人脸聚类时，若第二照片类中存在与第一照片类中错误人脸相对应的其他人脸照片，则有可能错误地将第一照片类与第二照片类聚类至同一个照片类的问题；达到了在聚类时避免出现一个照片类因为存在少数错误人脸照片时，引入更多错误人脸照片的聚类错误，提高人脸聚类的准确度的效果。

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，并于说明书一起用于解释本公开的原理。

图1A是一示例性的无向图；

图1B是另一示例性无向图；

图1C是另一示例性无向图；

图2是根据一示例性实施例示出的一种人脸聚类方法的方法流程图；

图3A是根据另一示例性实施例示出的一种人脸聚类方法的方法流程图；

图3B是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；

图3C是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；

图3D是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；

图3E是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；

图4A是根据另一示例性实施例示出的一种人脸聚类方法的方法流程图；

图4B是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；

图4C是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；

图5A是根据另一示例性实施例示出的一种人脸聚类方法的方法流程图；

图5B是根据另一示例性实施例示出的一种人脸聚类方法的实施示意图；

图6是根据另一示例性实施例示出的一种人脸聚类方法的方法流程图；

图7是根据一示例性实施例示出的一种人脸聚类装置的框图；

图8是根据另一示例性实施例示出的一种人脸聚类装置的框图；

图9是根据另一示例性实施例示出的一种人脸聚类装置的框图；

图10是根据另一示例性实施例示出的一种人脸聚类装置的框图；

图11是根据另一示例性实施例示出的一种人脸聚类装置的框图；

图12是根据一示例性实施例示出的一种人脸聚类装置的框图。

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。

在对人脸照片进行聚类时，可以采用全量聚类或者增量聚类的方法进行聚类。

全量聚类的过程如下：

第一步、对所有需要聚类的人脸照片进行初始化处理，获取人脸照片中的m个人脸信息，将获取到的m个人脸信息作为m个照片类；

第二步、计算m个照片类中任意两个照片类之间的距离；

第三步、将距离小于预定阈值的两个照片类合并成一个照片类；

第四步、重新执行第二步，直到所有照片类之间的距离都大于预定阈值，也即照片类的数量不再发生变化。

举例来说，假设手机中存储有人脸照片，获取人脸照片中的30个人脸信息，将30个人脸信息作为30个照片类，计算30个照片类中任意两个照片类之间的距离，将距离小于预定阈值的照片类聚类至同一个照片类中，当照片类的数量有变化时，再重新计算照片类之间的距离，将照片类聚类至同一个类中，直到照片类的数量不再变化，得到4个照片类，也即得到4个相册，每个相册对应于一个人脸。

除第一次人脸聚类以外的人脸聚类，一般采用增量聚类的方法，增量聚类的过程如下：

第一步、获取上一次聚类的结果，将新增的p个人脸信息作为p个照片类，若上一次聚类后得到k个照片类，则共有k+p个照片类；

第二步、计算k+p个照片类中任意两个照片类之间的距离；

在需要进行人脸聚类的人脸照片完成初始化处理后，对得到的所有的照片类进行一次人脸聚类，得到聚类后的若干个照片类，经过一次聚类后，照片类的数量小于初始化处理得到的照片类的数量，部分照片类中包含至少两张人脸照片；不断对聚类得到的照片类进行再次聚类，直到照片类的数量不再发生变化，即得到对应于不同人脸的相册。

为方便理解下述人脸聚类方法，对部分名词、概念进行如下解释：

一个图G是一个二元组(V(G)，E(G))，简记为(V，E)，其中V(G)是一个有限的非空集合，其元素称为结点，E(G)是一个以不同结点的无序对为元素，并且不含重复元素的集合，其元素称为边。结点u和结点v构成的无序对用uv或vu表示。在图的图形表示中，每个结点用小圆点表示，每条边分别以结点v和u为端点的连线表示，无向图是边上没有方向指示的图。图1A示意性地示出了一个无向图。

无向图G(V，E)中的非空序列p＝v₀e₁v₁e₂v₂...e_kv_k，则称为G的一条由结点v₀到v_k的路径，其中v₀，v₁，v₂，...，v_k是G的结点，e₁，e₂，...，e_k是G的边，并且对所有的1≤i≤k，边e_i与结点v_i-1和v_i都关联。

在一个图G中，若结点u和结点v之间有路径，则称结点u和结点v在G中是连通的。在一个图中，任一两点都是连通的，则该图是连通图。

不连通的连通图可以拆分为若干连通的连通图，在拆分时，将能连通的点或边都放在一个连通子图中，使这个连通子图足够大，以至于再多包含一个点或边，该连通子图都变成不连通的，则该连通子图称为极大连通子图。

无向图G中的一个极大连通子图称为无向图G的一个连通分支；连通图只有一个连通分支，非连通图至少有两个连通分支。

如图1A所示，图1B是一个无向图G1，G1中共有7个结点，结点1、结点2、结点3相连，结点4、结点5、结点6、结点7、结点8相连，结点与结点之间的连线即为边，图中结点1、结点2、结点3之间有路径相连，因此，结点1、结点2是连通的，同理，结点1、结点2、结点3之间任意两个结点都是连通的，结点4、结点5、结点6、结点7之间任意两个结点也都是连通的；G1是一个不连通的图，G1中有两个极大连通子图，即结点1、结点2、结点3构成一个极大连通子图，结点4、结点5、结点6、结点7构成一个极大连通子图，也即G1中有两个连通分支。

在无向连通图中，如果删除该图中的任意一个结点都不能改变图的连通性，则称该图为双连通无向图。一个无向图是双连通的，当且仅当该无向图没有割点。如果一个连通图不是双连通的，则认为该连通图是单连通的。

在一个无向连通图中，去掉一个点或一个边后，该无向连通图变为不连通，则该点称为割点，该边称为割边。如图1C所示，图1C是一个无向连通图G3，若去掉G3中的结点1后，G3变为不连通，则称结点1为割点，若去掉结点1和结点2之间的边m后，G3变为不连通，则称边m为割边。

在无向图G的所有子图G’中，如果G’是双连通的，则称G’为双连通子图。如果一个双连通子图G’不是任何一个双连通子图的真子集，则称G’是极大双连通子图。双连通分支是无向连通图的一个极大双连通子图；双连通分支中，每两个结点之间至少有两条不同的路径可以相互到达。仍以图1C为例，G3’是G3的一个双连通子图，且G3’不是任何一个双连通子图的真子集，可知G3’是G3的双连通分支。

请参照图2，其示出了本公开一个示例性实施例提供的人脸聚类方法的流程图。该人脸聚类方法可由智能手机、平板电脑、个人电脑等电子设备执行。如图2所示，该人脸聚类方法可以包括以下步骤：

在步骤201中，获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片。

在步骤202中，对第一照片类中的人脸照片进行聚类，得到至少一个照片子类。

在步骤203中，将至少一个照片子类中的一个照片子类确定为正确人脸子类。

在步骤204中，计算正确人脸子类与第二照片类之间的距离。

在步骤205中，若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类。

综上所述，本公开实施例所提供的人脸聚类方法，通过获取第一照片类和第二照片类，对第一照片类中人脸照片进行聚类，得到至少一个照片子类，将至少一个照片子类中的一个照片子类确定为正确人脸子类，计算正确人脸子类与第二照片类之间的距离，若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类；解决了在人脸聚类时，若第二照片类中存在与第一照片类中错误人脸相对应的其他人脸照片，则有可能错误地将第一照片类与第二照片类聚类至同一个照片类的问题；达到了在聚类时避免出现一个照片类因为存在少数错误人脸照片时，引入更多错误人脸照片的聚类错误，提高人脸聚类的准确度的效果。

请参照图3A，其示出了本公开另一个示例性实施例提供的人脸聚类方法的流程图。该人脸聚类方法可由智能手机、平板电脑、个人电脑等电子设备执行。如图3A所示，该人脸聚类方法可以包括以下步骤：

在步骤301中，获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片。

第一照片类和第二照片类是初始化后经过至少一次聚类得到的若干个照片类中的任意两个照片类，第一照片类中包括聚类得到的至少两张人脸照片。

如图3B所示，从经过至少一次人脸聚类得到的若干个照片类中，获取两个照片类，第一照片类21中包括聚类得到的七张人脸照片25、26、27、28、29、30、31，第二照片类22中包括聚类得到的三张人脸照片，图3B中采用卡通人脸照片来示意性地表示人脸照片。

在步骤302中，将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支。

每个单连通分支中的任意两个特征点之间存在至少一条路径。

可选的，通过预定算法计算出任意两个特征点之间的距离，并在距离小于第一预定值的两个特征点之间建立连线，每个特征点之间的距离都与第一预定值比较后，所有特征点，及特征点与特征点之间的连线构成一个无向图；对于一个无向图采用深度优先搜索算法或者广度优先搜索算法求出无向图中的至少一个单连通分支。

深度优先搜索算法求单连通分支的步骤是：访问无向图中的任意一个结点v，依次从结点v的未被访问的邻接点出发访问其他邻接点，直到图中所有和结点v有路径想通的结点都被访问到，若有其他结点为被访问到，则另选一个未被访问到的结点做起始点，重复上述访问过程，直到无向图中的所有结点都被访问过，每一次的访问路径即为一个单连通分支。

可选的，第一预定值是经验值，或根据实际需要预先设定的值。

计算任意两个特征点之间的距离相当于计算任意两张人脸照片的相似度，距离越小代表两个类中人脸照片的相似度越大，距离越大代表两个类中人脸照片的相似度越小。

可选的，若计算得到一个单连通分支，则表示第一照片类中的人脸照片都对应于同一个人脸；若计算得到两个以上单连通分支，则表示第一照片类中的人脸照片对应于至少两个人脸。

如图3C所示，将图3B中第一照片类21中的七张人脸照片确定为七个特征点：25、26、27、28、29、30、31，根据七个特征点中任意两个特征点之间的距离与第一预定值之间的关系，建立如图2B所示的连线，采用深度优先搜索算法计算得到单连通分支20、单连通分支23和单连通分支24，单连通分支20由特征点27、特征点28及特征点27与特征点28之间的连线构成，单连通分支23由特征点25、特征点26、特征点28及任意两个特征点之间的连线构成，单连通分支24由特征点30、特征点31即特征点30与特征点31之间的连线构成。

在步骤303中，对于每个单连通分支，将单连通分支中的特征点所对应的人脸照片确定为一个照片子类。

由于同一个单连通分支中的特征点能够代表同一个人脸，因此，同一个单连通分支中的特征点所对应的人脸照片属于同一个照片子类，有多少个单连通分支，就有多少个照片子类。

以图3C为例，由图3C可知第一照片类中有三个照片子类，单连通分支20中特征点27对应的人脸照片、特征点29对应的人脸照片属于同一个照片子类，单连通分支23中特征点25对应的人脸照片、特征点26对应的人脸照片、特征点27对应的人脸照片、特征点28对应的人脸照片、特征点29对应的人脸照片属于同一个照片子类，单连通分支24中特征点30对应的人脸照片和特征点31对应的人脸照片属于同一个照片子类，也即是图2B中的第一照片类中的七张照片被分为照片子类20、照片子类23和照片子类24，如图3D所示。

在步骤304中，计算每个照片子类中的人脸照片的数量。

计算每个照片子类中的人脸照片的数量，即计算每个单连通分支中包含有多少特征点。

仍以图3C为例，图中两个单连通分支中的特征点数量分别为2、3和2，也即照片子类20、照片子类23和照片子类24中包含的人脸照片的数量分别为2、3和2。

在步骤305中，将数量最大的照片子类确定为正确人脸子类。

可选的，包含的人脸照片的数量最大的照片子类中的人脸照片的特征能够最大程度地代表第一照片类中的大部分人脸照片的特征，因此将数量最大的照片子类确定为正确人脸子类。

如图3D所示，照片子类23中人脸照片的数量最大，因此将照片子类23作为正确人脸子类。

在步骤306中，计算正确人脸子类与第二照片类之间的距离。

可选的，用正确人脸子类代表第一照片类，计算与第二照片类之间的距离。

可选的，两个类之间的距离代表两个类中人脸照片的差异程度，距离越小代表两个类中人脸照片的相似度越大，距离越大代表两个类中人脸照片的相似度越小。

在步骤307中，若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类。

可选的，阈值是根据实际需求预先设定的值，或者是经验值。

当正确人脸子类与第二照片类之间的距离小于阈值时，表示正确人脸子类中的人脸照片与第二照片类中的人脸照片相似程度大，可将正确人脸子类中的人脸照片和第二照片类中的人脸照片作为对应于同一个人脸的照片，由于正确人脸子类是第一照片类中的照片子类，因此将第一照片类与第二照片类聚类至同一个照片类中；当任意两个特征点之间的距离大于阈值时，表示正确人脸子类中的人脸照片与第二照片类中的人脸照片相似程度不大，认为正确人脸子类中的人脸照片和第二照片类中的人脸照片不是对应于同一个人脸的照片，因此不将第一照片类与第二照片类聚类至同一个照片类中。

以图3E为例，计算正确人脸子类23与第二照片类22之间的距离，并将距离与阈值比较，得到正确人脸子类23与第二照片类22之间的距离d小于阈值，表示正确人脸子类中人脸照片与第二照片类中的人脸照片相似程度较大，认为是对应于同一个人脸的人脸照片，因此，将第一照片类21和第二照片类22聚类至同一个照片类31。

综上所述，本公开实施例所提供的人脸聚类方法，通过获取第一照片类和第二照片类，对第一照片类中人脸照片进行聚类，得到至少一个照片子类，将至少一个照片子类中的一个照片子类确定为正确人脸子类，计算正确人脸子类与第二照片类之间的距离，若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类；解决了在人脸聚类时，若第二照片类中存在与第一照片类中错误人脸相对应的其他人脸照片，则有可能错误地将第一照片类与第二照片类聚类至同一个照片类的问题；达到了在聚类时避免出现一个照片类因为少数错误人脸照片时，引入更多错误人脸照片的聚类错误，提高人脸聚类的准确度的效果。

此外，本公开实施例所提供的人脸聚类方法，还通过将第一照片类中的人脸照片确定为特征点，利用求单连通分支的方法，确定出第一照片类中的正确人脸子类，将第一照片类中对应于不同人脸的照片区别开，有利于聚类的准确度的提高。

在基于图3A所示实施例的可选实施例中，还可以用求双连通分支来代替求单连通分支，也即步骤302至步骤303被替代实现为步骤401至步骤402，如图4A所示：

在步骤401中，将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个双连通分支。

每个双连通分支中任意两个特征点之间存在至少两条路径。

可选的，计算任意两个特征点之间的距离相当于计算任意两张人脸照片的相似度，距离越小代表两个类中人脸照片的相似度越大，距离越大代表两个类中人脸照片的相似度越小。

可选的，通过预定算法计算出任意两个特征点之间的距离，并在距离小于第一预定值的两个特征点之间建立连线，每个特征点之间的距离都与第二预定值比较后，所有特征点，及特征点与特征点之间的连线构成一个无向图；对于一个无向图采用深度优先搜索算法或者广度优先搜索算法求出无向图中的至少一个单连通分支；对于求出的任意一个单连通分支，求出每个单连通分支中的所有割点或者割边，将每个单连通分支中的割点或者割边去掉后，一个单连通分支被划分为多个连通分支，将划分得到的连通分支作为多个双连通分支，一个单连通分支被划分为几个双连通分支，则该单连通分支就有几个双连通分支。

以图3B中的第一照片类21为例，将第一照片类21中的七张人脸照片转化为特征点25、特征点26、特征点27、特征点28、特征点29、特征点30、特征点31，对根据第二预定值在七个特征点之间建立连线，得到一个无向图，如图4B所示；根据预定的算法求出图中的割点即特征点26、特征点31，由此得到一个由特征点25、特征点27、特征点28、特征点29及其之间的连线构成的双连通分支33，如图4C所示。

可选的，第二预定值是根据实际需求预先设定的值，或者是经验值。

当任意两个特征点之间的距离小于第二预定值时，将该任意两个特征点连线，表示这两个特征点代表的人脸照片相似度很大，可以将这两张人脸照片作为对应于同一个人脸的人脸照片；当任意两个特征点之间的距离大于第二预定值时，表示这两个特征点代表的人脸照片相似度很小，认为这两张人脸照片不是对应于同一个人脸的人脸照片。

可选的，若计算得到一个双连通分支，则表示第一照片类中的人脸照片都对应于同一个人脸；若计算得到两个以上双连通分支，则表示第一照片类中的人脸照片对应于至少两个人脸。

在步骤402中，对于每个双连通分支，将双连通分支中的特征点所对应的人脸照片确定为一个照片子类。

由于同一个双连通分支中的特征点能够代表同一个人脸，因此，同一个双连通分支中的特征点所对应的人脸照片属于同一个照片子类，有多少个双连通分支，就有多少个照片子类。

以图4C为例，由于以图3B中第一照片类21确定的无向图中，有一个双连通分支，也即第一照片类21中有一个照片子类，也即是、特征点25对应的人脸照片、特征点27对应的人脸照片、特征点28对应的人脸照片和特征点29对应的人脸照片属于同一个照片子类。

此外，本公开实施例所提供的人脸聚类方法，还通过将第一照片类中的人脸照片确定为特征点，利用求双连通分支的方法，确定出第一照片类中的正确人脸子类，将第一照片类中对应于不同人脸的照片区别开，有利于聚类的准确度的提高。

在基于图3A所示实施例的可选实施例中，还可以用求单连通分支和双连通分支的并集来代替求单连通分支，也即步骤302至步骤303被替代实现为步骤501至步骤503，如图5A所示：

在步骤501中，将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支，根据任意两个特征点之间的距离计算出至少一个双连通分支。

将第一照片类中的每张人脸照片确定为一个特征点之后，根据任意两个特征点之间的距离是否小于第一预定值计算出至少一个单连通分支，根据任意两个特征点之间的距离是否小于第二预定值计算出至少两个双连通分支，其中，第一预定值小于第二预定值。

可选的，第一预定值和第二预定值是经验值，或者根据实际需要预先设置的值。

如何根据两个特征点之间的距离是否小于第一预定值的计算出至少一个单连通分支，已经在如图3A所示的实施例中详细阐述，这里不再赘述；同样地，如何根据两个特征点之间的距离是否小于第二预定值计算出至少一个双连通分支，已经在如图4A所示的实施例中详细阐述，这里也不再赘述。

举例来说，如图3C所示，对图3B中的第一照片类21计算得到单连通分支时，得到由特征点25、特征点26、特征点28及其特征点之间的连线构成的单连通分支23，由特征点27、特征点29及其特征点之间的连线构成的单连通分支20，由特征点30、特征点31及其特征点之间的连线构成的单连通分支24；如图4C所示，对图3B中的第一照片类21计算得到双连通分支时，得到由特征点25、特征点27、特征点28、特征点29及其之间的连线构成的双连通分支33。

在步骤502中，计算单连通分支和双连通分支的并集，得到至少一个合并连通分支。

由于计算单连通分支时的第一预定值小于计算双连通分支时的第二预定值，计算单连通分支比计算双连通分支要严格，部分特征点之间可能是在同一个双连通分支中，但不在同一个单连通分支中，因此，单独使用计算单连通分支的方法来确定正确人脸子类，或者单独使用双连通分支的方法来确定正确人脸子类，都会有较大的误差。比如：第一照片类中的某两张照片对应于同一个人脸照片，在计算双连通分支时，该两张人脸照片对应的特征点之间有连线，在计算单连通分支时，该两张人脸照片对应的特征点之间没有连线，如果只使用计算单连通分支的方法来确定正确人脸子类，上述两张人脸照片中的一张照片就不属于正确人脸子类，在后续聚类过程中，有些是正确人脸的人脸照片也无法聚到同一个照片子类中，影响聚类的准确率。

该步骤可以由如下方式实现：

对于任意两个单连通分支，当一个单连通分支中的至少两个特征点与另一个单连通分支中的至少两个特征点属于同一个双连通分支时，将两个单连通分支合并，得到一个合并连通分支。

可选的，对于同一个无向图，计算出所有的单连通分支和双连通分支，对于单连通分支中任意确定的第一单连通分支和第二单连通分支，当属于第一单连通分支的特征点与属于第二单连通分支中的特征点在同一个双连通分支中有至少两个连线时，在第一单连通分支和第二单连通分支中对应的特征点之间建立连线，得到至少一个合并连通分支。

当一个单连通分支中的特征点与另一个单连通分支中的特征点属于同一个双连通分支时，表明两个分别属于不同单连通分支的特征点之间具有相似性，该两个特征点对应的人脸照片是很可能是对应于同一个人脸的人脸照片，也即该两个特征点所属的照片子类中的人脸照片都对应于同一个人脸，因此将两个单连通分支合并。

以图3C和图4C为例，可知图3B中的单连通分支23中的特征点25和单连通分支20中的特征点27在双连通分支33中有连线，单连通分支23中的特征点28和单连通分20中的特征点29在双连通分支33有连线，则在单连通分支23中的特征点25和单连通分支20的特征点27之间建立连线，在单连通分支23的特征点28和单连通分支20的特征点29之间建立连线，得到一个合并连通分支44，如图5B所示。

在步骤503中，对于每个所述合并连通分支，将所述合并连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

由于同一个合并连通分支中的特征点能够代表同一个人脸，因此，同一个单连通分支中的特征点所对应的人脸照片属于同一个照片子类，有多少个合并连通分支，就有多少个照片子类。

以图5B为例，特征点25对应的人脸照片、特征点26对应的人脸照片、特征点27对应的人脸照片、特征点28对应的人脸照片、特征点29对应的人脸照片属于同一个照片子类。

此外，本公开实施例所提供的人脸聚类方法，还通过将第一照片类中的人脸照片确定为特征点，利用求单连通分支和双联通分支的并集的方法，确定出第一照片类中的正确人脸子类，在将第一照片类中对应于不同人脸的照片区别开的同时，避免遗漏原本对应于同一个人脸的其他人脸照片，有利于聚类的准确度的提高。

在基于图3A所示实施例的可选实施例中，还可以用求单连通分支的并集来代替求单连通分支，也即步骤302至步骤303被替代实现为步骤601至步骤602，如图6所示；

在步骤601中，将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少两个单连通分支，计算单连通分支的并集，得到至少一个合并连通分支。

该步骤可以由如下步骤实现：

一、将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离是否小于第一预定值，计算出至少两个单连通分支。

如何根据两个特征点之间的距离与第一预定值的关系计算出单连通分支，已经在如图3A所示的实施例中详细阐述，这里不再赘述。

二、对于单连通分支中任意确定的第一单连通分支和第二单连通分支，计算属于第一单连通分支中的特征点与属于第二单连通分支中的特征点之间的距离是否小于第二预定值。

可选的，第一预定值和第二预定值是经验值，或者是根据实际需要预先设定值的值，第一预定值小于第二预定值。

可选的，对于同一个无向图，计算出所有的单连通分支，对于计算出的所有单连通分支中的任意确定的第一单连通分支和第二单连通分支，计算属于第一单连通分支中的特征点与第二单连通分支中的特征点之间的距离，比较计算出的距离是否小于第二预定值。

第三、若存在至少两个距离小于第二预定值，则将第一单连通分支和第二单连通分支合并，得到合并连通分支。

可选的，至少两个小于第二预定值的距离中的特征点，在第一单连通分支和第二单连通分支中数量分布情况有三种：属于第一单连通分支中的特征点的数量大于第二单连通分支中的特征点的数量；或者，属于第一单连通分支中的特征点的数量等于第二单连通分支中的特征点的数量；或者，属于第一单连通分支中的特征点的数量小于第二单连通分支中的特征点的数量。

可选的，以选定的两个单连通分支为例，若存在至少有两对特征点，每对特征点中的两个特征点分别属于不同的单连通分支，每对特征点之间的距离小于第二预定值，则在每对特征点之间建立连线，也即是将特征点分别所属的两个单连通分支合并，得到一个合并连通分支。

如图3C所示，计算出单连通分支20、单连通分支23、单连通分支24，在任意两个单连通分支之间计算特征点与特征点之间的距离，得到单连通20中的特征点27与单连通分支23中的特征点25之间的距离小于第二预定值，单连通20中的特征点29与单连通分支23中的特征点28之间的距离小于第二预定值，则在特征点25与特征点27之间建立连线，在特征点28与特征点27之间建立连线，得到合并连通分支44，如图5B所示。

在步骤602中，对于每个合并连通分支，将合并连通分支中的特征点所对应的人脸照片确定为一个照片子类。

该步骤已在如图5A所示的实施例中详细阐述，这里不再赘述。

此外，本公开实施例所提供的人脸聚类方法，与如图5A所示的实施例相比，在求出单连通分支后，直接比较单连通分支间是否存在至少两对特征点之间的距离小于第二预定值，来将单连通分支合并为合并连通分支，省略了求取双连通分支的步骤，简化了求取合并连通分支的步骤，使得计算更加简便，提高了人脸聚类的效率。

需要说明的是，上述人脸聚类方法可重复执行，也即在每完成一次人脸聚类，照片类中包含的人脸照片出现变动时，就可执行上述人脸聚类方法，确定出正确人脸子类，利用正确人脸子类参与后续人脸聚类，最终得到聚类结果是分别属于不同人脸的若干个照片类。

在一个示例性的例子中，采用全量聚类的方法对n张人脸照片进行初始化，得到n个照片类，计算n个照片类中任意两个照片类之间的距离，对该n个照片类进行再次聚类后得到m个照片类，某些照片类中包含至少两张人脸照片；获取第一照片类和第二照片类，第一照片类中包含至少两张人脸照片，采用计算单连通分支，或者双连通分支，或者合并连通分支的方法对第一照片类中的人脸照片进行处理，得到三个照片子类，将包含人脸照片数量最大的照片子类作为正确人脸子类A，将得到的正确人脸子类A与第二照片类之间距离与阈值比较，小于阈值，将第一照片类与第二照片类聚类至同一个照片类，当m个照片类都完成本次聚类后，得到k个照片类，在次取出第一照片类和第二照片类，确定出第一照片类中的正确人脸子类，并使用正确人脸子类完成聚类；如此迭代计算直到n张人脸照片被聚类成若干个照片类，每个照片类都不能与任意一个照片类聚类至同一个照片类。形成的若干个照片类即为分别对应不同人脸的若干个相册。

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。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

请参考图7，其示出了本发明一个实施例提供的人脸聚类装置的结构方框图。该人脸聚类装置可以通过软件、硬件或者两者的结合实现成为上述可提供人脸聚类方法的电子设备的全部或者一部分。如图7所示，该装置包括：

类获取模块710，被被配置为获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片；

第一聚类模块720，被配置为对第一照片类中的人脸照片进行聚类，得到至少一个照片子类；

确定模块730，被配置为将至少一个照片子类中的一个照片子类确定为正确人脸子类；

距离计算模块740，被配置为计算正确人脸子类与第二照片类之间的距离；

第二聚类模块750，被配置为若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类。

综上所述，本公开实施例所提供的人脸聚类装置，通过获取第一照片类和第二照片类，对第一照片类中人脸照片进行聚类，得到至少一个照片子类，将至少一个照片子类中的一个照片子类确定为正确人脸子类，计算正确人脸子类与第二照片类之间的距离，若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类；解决了在人脸聚类时，若第二照片类中存在与第一照片类中错误人脸相对应的其他人脸照片，则有可能错误地将第一照片类与第二照片类聚类至同一个照片类的问题；达到了在聚类时避免出现一个照片类因为存在少数错误人脸照片时，引入更多错误人脸照片的聚类错误，提高人脸聚类的准确度的效果。

请参考图8，其示出了本发明一个实施例提供的人脸聚类装置的结构方框图。该人脸聚类装置可以通过软件、硬件或者两者的结合实现成为上述可提供人脸聚类方法的电子设备的全部或者一部分。如图8所示，该装置包括：

类获取模块810，被被配置为获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片。

第一聚类模块820，被配置为对第一照片类中的人脸照片进行聚类，得到至少一个照片子类。

确定模块830，被配置为将至少一个照片子类中的一个照片子类确定为正确人脸子类。

距离计算模块840，被配置为计算正确人脸子类与第二照片类之间的距离。

第二聚类模块850，被配置为当距离小于阈值时，将第一照片类和第二照片类聚类至同一个照片类。

可选的，所述第一聚类模块820，包括：

单连通计算子模块821，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支；每个单连通分支中的任意两个特征点之间存在至少一条路径。

第一子类确定子模块822，被配置为对于每个所述单连通分支，将所述单连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

可选的，确定模块830，包括：

数量计算子模块831，被配置为计算每个照片子类中的人脸照片的数量。

确定子模块832，被配置为将数量最大的照片子类确定为正确人脸子类。

此外，本公开实施例所提供的人脸聚类装置，还通过将第一照片类中的人脸照片确定为特征点，利用求单连通分支的方法，确定出第一照片类中的正确人脸子类，将第一照片类中对应于不同人脸的照片区别开，有利于聚类的准确度的提高。

请参考图9，其示出了本发明一个实施例提供的人脸聚类装置的结构方框图。该人脸聚类装置可以通过软件、硬件或者两者的结合实现成为上述可提供人脸聚类方法的电子设备的全部或者一部分。如图9所示，该装置包括：

类获取模块910，被被配置为获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片。

第一聚类模块920，被配置为对第一照片类中的人脸照片进行聚类，得到至少一个照片子类；。

确定模块930，被配置为将至少一个照片子类中的一个照片子类确定为正确人脸子类。

距离计算模块940，被配置为计算正确人脸子类与第二照片类之间的距离。

第二聚类模块950，被配置为当距离小于阈值时，将第一照片类和第二照片类聚类至同一个照片类。

可选的，第一聚类模块920，包括：

双连通计算子模块921，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个双连通分支；每个双连通分支中的任意两个特征点之间存在至少两条路径。

第二子类确定子模块922，被配置为对于每个双连通分支，将双连通分支中的特征点所对应的人脸照片确定为一个照片子类。

可选的，确定模块930，包括：

数量计算子模块931，被配置为计算每个照片子类中的人脸照片的数量。

确定子模块932，被配置为将数量最大的照片子类确定为正确人脸子类。

此外，本公开实施例所提供的人脸聚类装置，还通过将第一照片类中的人脸照片确定为特征点，利用求双连通分支的方法，确定出第一照片类中的正确人脸子类，将第一照片类中对应于不同人脸的照片区别开，有利于聚类的准确度的提高。

请参考图10，其示出了本发明一个实施例提供的人脸聚类装置的结构方框图。该人脸聚类装置可以通过软件、硬件或者两者的结合实现成为上述可提供人脸聚类方法的电子设备的全部或者一部分。如图10所示，该装置包括：

类获取模块1010，被被配置为获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片。

第一聚类模块1020，被配置为对第一照片类中的人脸照片进行聚类，得到至少一个照片子类。

确定模块1030，被配置为将至少一个照片子类中的一个照片子类确定为正确人脸子类；

距离计算模块1040，被配置为计算正确人脸子类与第二照片类之间的距离。

第二聚类模块1050，被配置为若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类。

可选的，第一聚类模块1020，包括：

第一分支计算子模块1021，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离计算出至少一个单连通分支，根据任意两个特征点之间的距离计算出至少一个双连通分支。

第一计算子模块1022，被配置为计算单连通分支和双连通分支的并集，得到至少一个合并连通分支。

照片子类确定子模块1023，被配置为对于每个合并连通分支，将合并连通分支中的特征点所对应的人脸照片确定为一个照片子类。

可选的第一分支计算子模块1021，被配置为根据任意两个特征点之间的距离与第一预定值的关系计算出至少一个单连通分支，根据任意两个特征点之间的距离与第二预定值的关系计算出至少一个双连通分支；

其中，第一预定值小于第二预定值。

可选的，确定模块1030，包括：

数量计算子模块1031，被配置为计算每个照片子类中的人脸照片的数量。

确定子模块1032，被配置为将数量最大的照片子类确定为正确人脸子类。

此外，本公开实施例所提供的人脸聚类装置，还通过将第一照片类中的人脸照片确定为特征点，利用求单连通分支和双联通分支的并集的方法，确定出第一照片类中的正确人脸子类，在将第一照片类中对应于不同人脸的照片区别开的同时，避免遗漏原本对应于同一个人脸的其他人脸照片，有利于聚类的准确度的提高。

请参考图11，其示出了本发明一个实施例提供的人脸聚类装置的结构方框图。该人脸聚类装置可以通过软件、硬件或者两者的结合实现成为上述可提供人脸聚类方法的电子设备的全部或者一部分。如图11所示，该装置包括：

类获取模块1110，被被配置为获取第一照片类和第二照片类，第一照片类包括聚类得到的至少两张人脸照片。

第一聚类模块1120，被配置为对第一照片类中的人脸照片进行聚类，得到至少一个照片子类。

确定模块1130，被配置为将至少一个照片子类中的一个照片子类确定为正确人脸子类；

距离计算模块1140，被配置为计算正确人脸子类与第二照片类之间的距离。

第二聚类模块1150，被配置为若距离小于阈值，则将第一照片类和第二照片类聚类至同一个照片类。

可选的，第一聚类模块1120，包括：

第二分支计算子模块1121，被配置为将第一照片类中的每张人脸照片确定为一个特征点，根据任意两个特征点之间的距离是否小于第一预定值，计算出至少两个单连通分支。

比较子模块1122，被配置为对于单连通分支中任意确定的第一单连通分支和第二单连通分支，计算属于第一单连通分支中的特征点与属于第二单连通分支中的特征点之间的距离是否小于第二预定值。

第二计算子模块1123，被配置为当存在至少两个距离小于第二预定值时，将第一单连通分支和第二单连通分支合并，得到合并连通分支。

照片子类确定子模块1124，被配置为对于每个合并连通分支，将合并连通分支中的特征点所对应的人脸照片确定为一个照片子类。

可选的，确定模块1130，包括：

数量计算子模块1131，被配置为计算每个照片子类中的人脸照片的数量。

确定子模块1132，被配置为将数量最大的照片子类确定为正确人脸子类。

此外，本公开实施例所提供的人脸聚类装置，在求出单连通分支后，直接比较单连通分支间是否存在至少两对特征点之间的距离小于第二预定值，来将单连通分支合并为合并连通分支，省略了求取双连通分支的步骤，简化了求取合并连通分支的步骤，使得计算更加简便，提高了人脸聚类的效率。

本公开一示例性实施例提供了一种人脸聚类装置，能够实现本公开提供的人脸聚类方法，该人脸聚类装置包括：处理器、用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

计算正确人脸子类与第二照片类之间的距离；

图12是根据一示例性实施例示出的一种人脸装置的框图。例如，装置1200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12，装置1200可以包括以下一个或多个组件：处理组件1202，存储器1204，电源组件1206，多媒体组件1208，音频组件1210，输入/输出(I/O)接口1212，传感器组件1214，以及通信组件1216，图像识别组件1219。

处理组件1202通常控制装置1200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1202可以包括一个或多个处理器1218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1202可以包括一个或多个模块，便于处理组件1202和其他组件之间的交互。例如，处理组件1202可以包括多媒体模块，以方便多媒体组件1208和处理组件1202之间的交互。

存储器1204被配置为存储各种类型的数据以支持在装置1200的操作。这些数据的示例包括用于在装置1200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1204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1206为装置1200的各种组件提供电力。电源组件1206可以包括电源管理系统，一个或多个电源，及其他与为装置1200生成、管理和分配电力相关联的组件。

多媒体组件1208包括在装置1200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。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1208包括一个前置摄像头和/或后置摄像头。当装置1200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1210被配置为输出和/或输入音频信号。例如，音频组件1210包括一个麦克风(MIC)，当装置1200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1204或经由通信组件1216发送。在一些实施例中，音频组件1210还包括一个扬声器，用于输出音频信号。

I/O接口1212为处理组件1202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1214包括一个或多个传感器，用于为装置1200提供各个方面的状态评估。例如，传感器组件1214可以检测到装置1200的打开/关闭状态，组件的相对定位，例如组件为装置1200的显示器和小键盘，传感器组件1214还可以检测装置1200或装置1200一个组件的位置改变，用户与装置1200接触的存在或不存在，装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214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1214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1214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1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络，如Wi-Fi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1216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，通信组件1216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1200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，用于执行上述字体添加方法。

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1204，上述指令可由装置1200的处理器1218执行以完成上述字体添加方法。例如，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发明后，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

1.一种人脸聚类方法，其特征在于，所述方法包括：

获取第一照片类和第二照片类，所述第一照片类包括聚类得到的至少两张人脸照片；

对所述第一照片类中的所述人脸照片进行聚类，得到至少一个照片子类；

将所述至少一个照片子类中的一个照片子类确定为正确人脸子类；

计算所述正确人脸子类与所述第二照片类之间的距离；

在所述距离小于阈值时，将所述第一照片类和所述第二照片类聚类至同一个照片类。

2.根据权利要求1所述的方法，其特征在于，所述对所述第一照片类中的所述人脸照片进行聚类，得到至少一个照片子类，包括：

将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离计算出至少一个单连通分支；每个所述单连通分支中的任意两个所述特征点之间存在至少一条路径；

对于每个所述单连通分支，将所述单连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

3.根据权利要求1所述的方法，其特征在于，所述对所述第一照片类中的所述人脸照片进行聚类，得到至少一个照片子类，包括：

将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离计算出至少一个双连通分支；每个所述双连通分支中的任意两个所述特征点之间存在至少两条路径；

对于每个所述双连通分支，将所述双连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

4.根据权利要求1所述的方法，其特征在于，所述对所述第一照片类中的所述人脸照片进行聚类，得到至少一个照片子类，包括：

将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离计算出至少一个单连通分支，根据任意两个所述特征点之间的距离计算出至少一个双连通分支；

计算所述单连通分支和所述双连通分支的并集，得到至少一个合并连通分支；

对于每个所述合并连通分支，将所述合并连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

5.根据权利要求4所述的方法，其特征在于，所述根据任意两个所述特征点之间的距离计算出至少一个单连通分支，根据任意两个所述特征点之间的距离计算出至少一个双连通分支，包括：

根据任意两个所述特征点之间的距离是否小于第一预定值计算出至少一个单连通分支，根据任意两个所述特征点之间的距离是否小于第二预定值计算出至少一个双连通分支；

其中，所述第一预定值小于所述第二预定值。

6.根据权利要求1所述的方法，其特征在于，所述对所述第一照片类中的所述人脸照片进行聚类，得到至少一个照片子类，包括：

将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离是否小于第一预定值，计算出至少两个单连通分支；

对于所述单连通分支中任意确定的第一单连通分支和第二单连通分支，计算属于所述第一单连通分支中的所述特征点与属于所述第二单连通分支中的所述特征点之间的距离是否小于第二预定值；

在存在至少两个所述距离小于所述第二预定值时，将所述第一单连通分支和所述第二单连通分支合并，得到合并连通分支；

对于每个所述合并连通分支，将所述合并连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类；

其中，所述第一预定值小于所述第二预定值。

7.根据权利要求1至6任一所述的方法，其特征在于，所述将所述至少一个照片子类中的一个照片子类确定为正确人脸子类，包括：

计算每个所述照片子类中的人脸照片的数量；

将数量最大的所述照片子类确定为正确人脸子类。

8.一种人脸聚类装置，其特征在于，所述装置包括：

类获取模块，被被配置为获取第一照片类和第二照片类，所述第一照片类包括聚类得到的至少两张人脸照片；

第一聚类模块，被配置为对所述第一照片类中的所述人脸照片进行聚类，得到至少一个照片子类；

确定模块，被配置为将所述至少一个照片子类中的一个照片子类确定为正确人脸子类；

距离计算模块，被配置为计算所述正确人脸子类与所述第二照片类之间的距离；

第二聚类模块，被配置为当所述距离小于阈值时，将所述第一照片类和所述第二照片类聚类至同一个照片类。

9.根据权利要求8所述的装置，其特征在于，所述第一聚类模块，包括：

单连通计算子模块，被配置为将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离计算出至少一个单连通分支；每个所述单连通分支中的任意两个所述特征点之间存在至少一条路径；

第一子类确定子模块，被配置为对于每个所述单连通分支，将所述单连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

10.根据权利要求8所述的装置，其特征在于，所述第一聚类模块，包括：

双连通计算子模块，被配置为将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离计算出至少一个双连通分支；每个所述双连通分支中的任意两个所述特征点之间存在至少两条路径；

第二子类确定子模块，被配置为对于每个所述双连通分支，将所述双连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

11.根据权利要求8所述的装置，其特征在于，所述第一聚类模块，包括：

第一分支计算子模块，被配置为将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离计算出至少一个单连通分支，根据任意两个所述特征点之间的距离计算出至少一个双连通分支；

第一计算子模块，被配置为计算所述单连通分支和所述双连通分支的并集，得到至少一个合并连通分支

照片子类确定子模块，被配置为对于每个所述合并连通分支，将所述合并连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类。

12.根据权利要求11所述的装置，其特征在于，所述第一分支计算子模块，被配置为根据任意两个所述特征点之间的距离是否小于第一预定值计算出至少一个单连通分支，根据任意两个所述特征点之间的距离是否小于第二预定值计算出至少一个双连通分支；

其中，所述第一预定值小于所述第二预定值。

13.根据权利要求8所述的装置，其特征在于，所述第一聚类模块，包括：

第二分支计算子模块，被配置为将所述第一照片类中的每张所述人脸照片确定为一个特征点，根据任意两个所述特征点之间的距离是否小于第一预定值，计算出至少两个单连通分支；

比较子模块，被配置为对于所述单连通分支中任意确定的第一单连通分支和第二单连通分支，计算属于所述第一单连通分支中的所述特征点与属于所述第二单连通分支中的所述特征点之间的距离是否小于第二预定值；

第二计算子模块，被配置为当存在至少两个所述距离小于所述第二预定值时，将所述第一单连通分支和所述第二单连通分支合并，得到合并连通分支；

照片子类确定子模块，被配置为对于每个所述合并连通分支，将所述合并连通分支中的所述特征点所对应的所述人脸照片确定为一个所述照片子类；

其中，所述第一预定值小于所述第二预定值。

14.根据权利要求8至13任一所述的装置，其特征在于，所述确定模块，包括：

数量计算子模块，被配置为计算每个所述照片子类中的人脸照片的数量；

确定子模块，被配置为将数量最大的所述照片子类确定为正确人脸子类。

15.一种人脸聚类装置，其特征在于，所述装置包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

计算所述正确人脸子类与所述第二照片类之间的距离；