CN108280477B - 用于聚类图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于聚类图像的方法和装置。该方法的一具体实施方式包括：获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；根据所获取的特征向量，对多个用户图像进行聚类；基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，评价指标数据用于指示聚类结果的准确率；响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。该实施方式提高了图像聚类的准确度。

Description

用于聚类图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，尤其涉及用于聚类图像的方法和装置。

背景技术

聚类是指根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大。

目前，对于图像的聚类通常采用的方式为无监督的聚类，即在聚类时中不会评价聚类结果，以对聚类操作进行动态调优。

发明内容

本申请实施例提出了用于聚类图像的方法和装置。

第一方面，本申请实施例提供了一种用于聚类图像的方法，该方法包括：获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；根据所获取的特征向量，对多个用户图像进行聚类；基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，评价指标数据用于指示聚类结果的准确率；响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

在一些实施例中，基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，包括：获取类的中心点特征向量和预设数目个类的轮廓点特征向量，中心点特征向量用于表征类中心，轮廓点特征向量用于表征聚类边界；根据中心点特征向量和轮廓点特征向量建立协方差矩阵；确定协方差矩阵的特征向量；将协方差矩阵的特征向量输入预先训练的聚类结果评价模型得到类的评价指标数据。

在一些实施例中，类的中心点特征向量的坐标为属于该类的图像的特征向量的坐标的平均值。

在一些实施例中，每个类的轮廓点特征向量经由以下步骤确定：将该类中的特征向量确定为备选特征向量；将所确定的备选特征向量中与类的中心点特征向量距离最远的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合；重复执行以下步骤，直到轮廓点特征向量集合中轮廓点特征向量的数目达到预设数目：将与类的中心点特征向量的距离和与轮廓点特征向量集合中的各轮廓点特征向量的距离之和最大的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合。

在一些实施例中，聚类结果评价模型是基于预先构造的具有不同准确率的类进行训练得到的。

第二方面，本申请实施例提供了一种用于聚类图像的装置，该装置包括：获取单元，用于获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；第一聚类单元，用于根据所获取的特征向量，对多个用户图像进行聚类；第一确定单元，用于基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，评价指标数据用于指示聚类结果的准确率；第二聚类单元，用于响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

在一些实施例中，第一确定单元，包括：获取子单元，用于获取类的中心点特征向量和预设数目个类的轮廓点特征向量，中心点特征向量用于表征类中心，轮廓点特征向量用于表征聚类边界；建立子单元，用于根据中心点特征向量和轮廓点特征向量建立协方差矩阵；确定子单元，用于确定协方差矩阵的特征向量；输入子单元，用于将协方差矩阵的特征向量输入预先训练的聚类结果评价模型得到类的评价指标数据。

在一些实施例中，类的中心点特征向量的坐标为属于该类的图像的特征向量的坐标的平均值。

在一些实施例中，装置还包括第二确定单元，第二确定单元，用于：将该类中的特征向量确定为备选特征向量；将所确定的备选特征向量中与类的中心点特征向量距离最远的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合；重复执行以下步骤，直到轮廓点特征向量集合中轮廓点特征向量的数目达到预设数目：将与类的中心点特征向量的距离和与轮廓点特征向量集合中的各轮廓点特征向量的距离之和最大的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合。

在一些实施例中，聚类结果评价模型是基于预先构造的具有不同准确率的类进行训练得到的。

第三方面，本申请实施例提供了一种设备，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，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请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，其特征在于，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于聚类图像的方法和装置，通过获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量，并根据所获取的特征向量，对多个用户图像进行聚类，而后基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，最后响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类，提高了图像聚类的准确度。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于聚类图像的方法的一个实施例的流程图；

图3是根据本申请的用于聚类图像的方法的应用场景的一个示意图；

图4是根据本申请的用于聚类图像的方法的又一个实施例的流程图；

图5是根据本申请的用于聚类图像的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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，本申请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申请。

图1示出了可以应用本申请的用于聚类图像的方法或用于聚类图像的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104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。

用户110可以使用终端设备101、102、103通过网络104与服务器105、106交互，以接收或发送数据等。终端设备101、102、103上可以安装有各种应用，例如图像处理类应用、安防类应用、支付类应用、社交类应用、网页浏览器应用、搜索引擎类应用、手机助手类应用等。

终端设备101、102、103可以是包括或连接有用于拍摄待聚类的多个用户图像的摄像头，或存储有待聚类的多个用户图像的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。终端设备101、102、103可以响应于接收到图像聚类指令，对本地存储的待聚类的多个用户图像进行特征提取、聚类等处理。用户也可以通过终端设备101、102、103向服务器上传待聚类的多个用户图像等数据。

服务器105、106可以是提供各种服务的服务器，例如，对终端设备101、102、103上传的图像进行图像聚类的服务器。在终端设备101、102、103上传待聚类的多个用户图像之后，服务器105可以对上传的图像进行特征提取、聚类等处理，并将处理结果返回给终端设备101、102、103。

需要说明的是，本申请实施例所提供的用于聚类图像的方法可以由终端设备101、102、103或服务器105、106执行，相应地，用于聚类图像的装置可以设置于终端设备101、102、103或服务器105、106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、网络和服务器。

继续参考图2，示出了根据本申请的用于聚类图像的方法的一个实施例的流程200。该用于聚类图像的方法，包括以下步骤：

步骤201，获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量。

在本实施例中，用于聚类图像的方法运行于其上的电子设备(例如图1所示的电子设备)可以首先获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量。

可以采用多种特征提取方法对用户图像进行特征提取。可以采用边缘检测、角点检测、尺度不变特征变换(Scale Invariant Feature Transform，SIFT)、主成分分析等算法提取出图像的特征。也可以通过卷积神经网络获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量。可以预先通过大量的包含用户人脸的图像对卷积神经网络网络进行训练，使得训练后的卷积神经网络可以确定出具有区分度的人脸特征的特征向量。在通过卷积神经网络获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量时，可以将多个用户图像分别输入到卷积神经网络，将卷积神经网络的全连接层输出的特征向量，确定为用于指示人脸特征的特征向量。

可选地，多个用户图像中的每个用户图像采用相同的特征提取方法进行特征提取，这样一来，可以使得提取出的各幅图像的特征向量具有相同的维数。

步骤202，根据所获取的特征向量，对多个用户图像进行聚类。

在本实施例中，上述电子设备可以根据步骤201中所获取的特征向量，对多个用户图像进行聚类。可以首先采用预设聚类算法根据图像中的人脸对象的特征，对图像进行聚类，得到聚类结果。聚类结果中每个类包括的用户图像可以关联同一个用户的标识，可以将关联同一个用户的标识的图像视为属于同一个用户的图像。

可选的，预设聚类算法可以为DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)算法、K-means聚类算法、层次聚类算法等。其中，K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。层次聚类算法可根据层次分解的顺序是自底向上的还是自上向下的，划分为凝聚的层次聚类算法和分裂的层次聚类算法。

作为示例，采用最小距离的凝聚的层次聚类算法时，可以首先将每个待聚类对象看作一类，计算两两之间的最小距离；其次，将距离最小的两个类合并成一个新类，并重新计算新类与所有类之间的距离，直到所有类之间的距离小于预先设置的距离阈值。其中，距离与相似度成反比，距离越小相似度越大。

步骤203，基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据。

在本实施例中，上述电子设备可以基于预先训练的聚类结果评价模型确定步骤202中得到的聚类结果中各类的评价指标数据。聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，评价指标数据用于指示聚类结果的准确率，即聚类结果的好坏。评价指标数据可以包括纯净度(purity)。纯净度可以是正确聚类的图像数占总图像数的比例。评价指标数据还可以包括记录的特征向量的内平方和(Within Sum ofSquares，WSS)和外平方和(Between Sum of Squares，BSS)。WSS和BSS分别度量相同聚类内部记录之间的不相似度和不同聚类间记录的不相似度，WSS越小，BSS越大，聚类结果越好。

作为示例，上述聚类结果评价模型可以是技术人员基于对大量的聚类结果和评价指标数据的统计而预先制定的、存储有聚类结果与评价指标数据的对应关系的对应关系表；或者，也可以是技术人员基于对大量数据的统计预先设置并存储至上述电子设备中的用于计算评价指标数据的计算公式。

此外，上述聚类结果评价模型也可以是基于神经网络构建的模型。可以基于聚类结果中某个类所包括的图像的特征向量构建矩阵，作为神经网络的输入。以神经网络为卷积神经网络为例，卷积神经网络可以包括至少一个卷积层，还可以包括至少一个降采样层。各卷积层包括卷积核，可以利用卷积核对输入的矩阵进行卷积运算，去除冗余的信息，而后基于卷积层输出的信息得到最终的评价指标数据。基于聚类结果中某个类所包括的图像的特征向量构建矩阵，可以是随机或按照一定规则选取该类包括的部分图像的特征向量，沿矩阵行方向、或列方向、或依照预先设定的组合方式依次组合形成的。

在一些可选的实现方式中，上述聚类结果评价模型可以采用有监督的机器学习方法训练得出。作为示例，采用有监督的机器学习方法时，可以基于预先构造的具有不同准确率的类进行训练得到的。准确率可以通过具体的数值定量地表示，也可以通过“准确”、“不准确”，以及“良好”、“差”等字符标签定性地表示。

步骤204，响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

在本实施例中，上述电子设备可以响应于步骤203中确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。预设范围可以根据对聚类纯净度、准确率等聚类评价指标的要求进行设置。对于不同的聚类算法，聚类参数的类型也存在差异，例如，对于K-means聚类算法，可以更新K值，对于层次聚类算法，可以更新预先设置的距离阈值。

上述更新聚类参数以基于更新后的聚类参数对用户图像进行聚类，可以是更新聚类参数以基于更新后的聚类参数对步骤201中获取的多个用户图像进行聚类，也可是更新聚类参数，以基于更新后的聚类参数对，评价指标数据的值超出预设范围的类中的图像进行聚类。

可选的，基于更新后的聚类参数对用户图像进行聚类后，还可以再次基于预先训练的聚类结果评价模型确定更新后的聚类结果中各类的评价指标数据，响应于确定出的评价指标数据的值超出预设范围，再次更新聚类参数以基于再次更新后的聚类参数对用户图像进行聚类，直到评价指标数据的值在预设范围内。此外，还可以生成表征聚类结果的信息，将生成的信息发送至用户图像来源的设备，或其他请求获取聚类结果的设备，接收到表征聚类结果的信息的设备可以根据接收到的信息分类显示用户图像，以提高用户获取信息的效率。

本申请的上述实施例提供的方法通过获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量，并根据所获取的特征向量，对多个用户图像进行聚类，而后基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，最后响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类，提高了图像聚类的准确度。

继续参见图3，图3是根据本实施例的用于聚类图像的方法的应用场景的一个示意图。在图3的应用场景中，电子设备在对多个图像301进行聚类，得到聚类结果302，包括类1，类2，类3，…，类m。而后，电子设备对聚类结果302中各类进行聚类结果评价，预设范围是评价信息为“准确”。聚类结果评价模型生成的类1，类3，…，类m的聚类结果评价信息为“准确”，类2的聚类结果评价信息为“不准确”。类2的聚类结果评价信息超出了预设范围，上述电子设备更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

进一步参考图4，其示出了用于聚类图像的方法的又一个实施例的流程400。该用于聚类图像的方法的流程400，包括以下步骤：

步骤401，获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量。

在本实施例中，用于聚类图像的方法运行于其上的电子设备(例如图1所示的电子设备)可以首先获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量。

步骤402，根据所获取的特征向量，对多个用户图像进行聚类。

在本实施例中，上述电子设备可以根据步骤401中所获取的特征向量，对多个用户图像进行聚类。

步骤403，获取类的中心点特征向量和预设数目个类的轮廓点特征向量。

在本实施例中，上述电子设备可以获取类的中心点特征向量和预设数目个类的轮廓点特征向量。中心点特征向量用于表征类中心，所述轮廓点特征向量用于表征聚类边界。

可以通过散点图的形式理解中心点特征向量和轮廓点特征向量，散点图中各个点可以代表各个用户图像的特征，用户图像的特征向量为散点图中各个点的位置向量。散点图中任意两点之间的距离，可以用于表征两点所对应的两幅用户图像的人脸特征之间的相似度。中心点可以是类中各个图像对应的点的中心，或近似的中心。轮廓点可以是散点图中类的轮廓上的点。

上述类的中心点特征向量的坐标可以为属于该类的图像的特征向量的坐标的平均值。可以计算类中所有图像的特征向量的坐标的平均值作为类的中心点特征向量的坐标，也可以计算类中部分图像的特征向量的坐标的平均值作为类的中心点特征向量的坐标，部分图像的特征向量可以随机选取。

在一些可选的实现方式中，每个类的轮廓点特征向量可以经由以下步骤确定：将该类中的特征向量确定为备选特征向量；将所确定的备选特征向量中与类的中心点特征向量距离最远的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合；重复执行以下步骤，直到轮廓点特征向量集合中轮廓点特征向量的数目达到预设数目：将与类的中心点特征向量的距离和与轮廓点特征向量集合中的各轮廓点特征向量的距离之和最大的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合。

同样也可以先确定类的轮廓点，即在散点图中首先以中心点为中心，延预先设置的方向获取距中心点最远的点，将获取到的点作为轮廓点，轮廓点特征向量即为中心点指向轮廓点的向量。

步骤404，根据中心点特征向量和轮廓点特征向量建立协方差矩阵。

在本实施例中，上述电子设备可以根据步骤403获取的中心点特征向量和轮廓点特征向量建立协方差矩阵。上述电子设备可以首先沿矩阵行方向、或列方向、或按照预先设定的组合方式依次组合中心点特征向量和轮廓点特征向量，之后计算组合得到的矩阵的协方差矩阵。

步骤405，确定协方差矩阵的特征向量。

在本实施例中，上述电子设备可以确定步骤404中建立的协方差矩阵的特征向量。

步骤406，将协方差矩阵的特征向量输入预先训练的聚类结果评价模型得到类的评价指标数据。

在本实施例中，上述电子设备可以将步骤405中确定的协方差矩阵的特征向量输入预先训练的聚类结果评价模型得到类的评价指标数据。

上述聚类结果评价模型可以是按照如下方式训练得出的：

首先，获取多个样本图像的聚类结果，和各样本图像类的聚类结果评价信息的标记结果。可以在已有的网络图像库、监控图像库等图像数据库中挑选一些图片作为样本图像。上述样本图像类的聚类结果评价信息可以是人工标记好的，可以采用数字或符号标签来表示，例如聚类准确的样本图像类的聚类结果评价信息的标记结果可以用标签“1”来表示，聚类不准确的样本图像类的聚类结果的评价信息的标记结果可以用标签“0”来表示。这样，在训练完成之后，聚类结果评价模型可以输出相应的标签“1”或“0”来指示聚类结果。

而后，可以对各样本图像类进行特征提取，基于提取出的特征生成各样本图像的类的协方差矩阵，并计算协方差矩阵的特征向量。

最后，可以采用深度学习方法，将协方差矩阵的特征向量作为聚类结果评价模型对应的神经网络的输入，基于样本图像类的聚类结果评价信息的标记结果和预设的损失函数训练得到聚类结果评价模型。

步骤407，响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

在本实施例中，上述电子设备可以响应于步骤203中确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

在本实施例中，步骤401、步骤402、步骤407的操作与步骤201、步骤202、步骤204的操作基本相同，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于聚类图像的方法的流程400中根据中心点特征向量和轮廓点特征向量建立协方差矩阵，将协方差矩阵的特征向量作为聚类结果评价模型的输入。由于协方差矩阵的分布可以体现出类中的各幅图像之间的相似度，所以，本实施例描述的方案可以在模型输入相对较小的数据的情况下，得到类的评价指标数据，提高了图像聚类的效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于聚类图像的装置的一个实施例，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，本实施例的用于聚类图像的装置500包括：获取单元501、第一聚类单元502、第一确定单元503、第二聚类单元504。其中，获取单元501，用于获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；第一聚类单元502，用于根据所获取的特征向量，对多个用户图像进行聚类；第一确定单元503，用于基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，评价指标数据用于指示聚类结果的准确率；第二聚类单元504，用于响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

在本实施例中，用于聚类图像的装置500的获取单元501、第一聚类单元502、第一确定单元503、第二聚类单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选实现方式中，第一确定单元503，包括：获取子单元(图中未示出)，用于获取类的中心点特征向量和预设数目个类的轮廓点特征向量，中心点特征向量用于表征类中心，轮廓点特征向量用于表征聚类边界；建立子单元(图中未示出)，用于根据中心点特征向量和轮廓点特征向量建立协方差矩阵；确定子单元(图中未示出)，用于确定协方差矩阵的特征向量；输入子单元(图中未示出)，用于将协方差矩阵的特征向量输入预先训练的聚类结果评价模型得到类的评价指标数据。

在本实施例的一些可选实现方式中，类的中心点特征向量的坐标为属于该类的图像的特征向量的坐标的平均值。

在本实施例的一些可选实现方式中，装置还包括第二确定单元(图中未示出)，第二确定单元(图中未示出)，用于：将该类中的特征向量确定为备选特征向量；将所确定的备选特征向量中与类的中心点特征向量距离最远的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合；重复执行以下步骤，直到轮廓点特征向量集合中轮廓点特征向量的数目达到预设数目：将与类的中心点特征向量的距离和与轮廓点特征向量集合中的各轮廓点特征向量的距离之和最大的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合。

在本实施例的一些可选实现方式中，聚类结果评价模型是基于预先构造的具有不同准确率的类进行训练得到的。

本申请的上述实施例提供的装置，通过获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；根据所获取的特征向量，对多个用户图像进行聚类；基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，评价指标数据用于指示聚类结果的准确率；响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类，提高了图像聚类的准确度。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统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，还存储有系统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；包括诸如阴极射线管(CRT)、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，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读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、或半导体的系统、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。在本申请中，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系统、装置或者器件使用或者与其结合使用。而在本申请中，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介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读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申请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，图示了按照本申请各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一聚类单元、第一确定单元和第二聚类单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“用于获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读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装置执行时，使得该装置：获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；根据所获取的特征向量，对多个用户图像进行聚类；基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，评价指标数据用于指示聚类结果的准确率；响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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 (10)

1.一种用于聚类图像的方法，包括：

获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；

根据所获取的特征向量，对所述多个用户图像进行聚类；

基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，所述聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，所述评价指标数据用于指示聚类结果的准确率，所述聚类结果评价模型是基于预先构造的具有不同准确率的类进行训练得到的；

响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

2.根据权利要求1所述的方法，其中，所述基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，包括：

获取类的中心点特征向量和预设数目个类的轮廓点特征向量，所述中心点特征向量用于表征类中心，所述轮廓点特征向量用于表征聚类边界；

根据中心点特征向量和轮廓点特征向量建立协方差矩阵；

确定所述协方差矩阵的特征向量；

将所述协方差矩阵的特征向量输入预先训练的聚类结果评价模型得到类的评价指标数据。

3.根据权利要求2所述的方法，其中，类的中心点特征向量的坐标为属于该类的图像的特征向量的坐标的平均值。

4.根据权利要求2所述的方法，其中，每个类的轮廓点特征向量经由以下步骤确定：

将该类中的特征向量确定为备选特征向量；

将所确定的备选特征向量中与类的中心点特征向量距离最远的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合；

重复执行以下步骤，直到所述轮廓点特征向量集合中轮廓点特征向量的数目达到预设数目：将与类的中心点特征向量的距离和与所述轮廓点特征向量集合中的各轮廓点特征向量的距离之和最大的备选特征向量确定为轮廓点特征向量，并加入所述轮廓点特征向量集合。

5.一种用于聚类图像的装置，包括：

获取单元，用于获取多个用户图像中，每个用户图像的用于指示人脸特征的特征向量；

第一聚类单元，用于根据所获取的特征向量，对所述多个用户图像进行聚类；

第一确定单元，用于基于预先训练的聚类结果评价模型确定聚类结果中各类的评价指标数据，所述聚类结果评价模型用于表征聚类结果中，各个类与评价指标数据的对应关系，所述评价指标数据用于指示聚类结果的准确率，所述聚类结果评价模型是基于预先构造的具有不同准确率的类进行训练得到的；

第二聚类单元，用于响应于确定出的评价指标数据的值超出预设范围，更新聚类参数以基于更新后的聚类参数对用户图像进行聚类。

6.根据权利要求5所述的装置，其中，所述第一确定单元，包括：

获取子单元，用于获取类的中心点特征向量和预设数目个类的轮廓点特征向量，所述中心点特征向量用于表征类中心，所述轮廓点特征向量用于表征聚类边界；

建立子单元，用于根据中心点特征向量和轮廓点特征向量建立协方差矩阵；

确定子单元，用于确定所述协方差矩阵的特征向量；

输入子单元，用于将所述协方差矩阵的特征向量输入预先训练的聚类结果评价模型得到类的评价指标数据。

7.根据权利要求6所述的装置，其中，类的中心点特征向量的坐标为属于该类的图像的特征向量的坐标的平均值。

8.根据权利要求6所述的装置，其中，所述装置还包括第二确定单元，所述第二确定单元，用于：

将该类中的特征向量确定为备选特征向量；

将所确定的备选特征向量中与类的中心点特征向量距离最远的备选特征向量确定为轮廓点特征向量，并加入轮廓点特征向量集合；

重复执行以下步骤，直到所述轮廓点特征向量集合中轮廓点特征向量的数目达到预设数目：将与类的中心点特征向量的距离和与所述轮廓点特征向量集合中的各轮廓点特征向量的距离之和最大的备选特征向量确定为轮廓点特征向量，并加入所述轮廓点特征向量集合。

9.一种电子设备，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时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images