CN110084267B - 人像聚类方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种人像聚类方法，包括：根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。解决了现有的人像聚类方法准确性欠佳的技术问题。取得了提高人像聚类准确性的有益效果。

Description

人像聚类方法、装置、电子设备及可读存储介质

技术领域

本发明涉及图像处理技术领域，具体涉及一种人像聚类方法、装置、电子设备及可读存储介质。

背景技术

把包含同一个人的人像的图像自动分在一组的过程，被称为人像聚类。现有的聚类方法大多是通过提取人像图像中的人像特征，进而根据人像特征进行人像聚类。

但是，由于使用信息提取模型提取的人像特征是一维或者多维的数字，这些数字一般是不可解释的，这样不可解释的人像特征严重依赖于模型参数，而模型参数是通过深度学习大量样本得到，当样本数量不足的时候，模型的准确性就会下降，而且现有的模型提取的人像特征是从人像图像中提取的特征信息，而不包含除图像以外的其他信息，那么针对两个不同人像图像，如果通过模型提取出的人像特征相同或相似，而模型无法提取得到的其他信息存在不同，此时如果单纯基于模型提取的人像特征进行人像聚类，这就会导致聚类结果错误。由此可见，相关技术中的人像聚类方法准确性欠佳。

发明内容

本发明提供一种人像聚类方法、装置、电子设备及可读存储介质，以部分或全部解决现有技术中人像聚类过程相关的上述问题。

依据本发明第一方面，提供了一种人像聚类方法，包括：

根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；

获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；

其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。

根据本发明的第二方面，提供了一种人像聚类装置，包括：

初始聚类模块，用于根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；

二次聚类模块，用于获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；

其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。

根据本发明的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述的人像聚类方法。

根据本发明的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述的人像聚类方法。

根据本发明的人像聚类方法，可以根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。由此解决了现有的人像聚类方法准确性欠佳的技术问题。取得了提高人像聚类准确性的有益效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明实施例的一种人像聚类方法的步骤流程图之一；

图2示出了根据本发明实施例的一种人像聚类方法的步骤流程图之二；

图3示出了根据本发明实施例的一种人像聚类方法的步骤流程图之三；

图4示出了根据本发明实施例的一种人像聚类方法的步骤流程图之四；

图5示出了根据本发明实施例的一种人像聚类装置的结构示意图之一；

图6示出了根据本发明实施例的一种人像聚类装置的结构示意图之二；以及

图7示出了根据本发明实施例的一种人像聚类装置的结构示意图之三。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1，示出了本发明实施例中一种人像聚类方法的步骤流程图。

步骤110，根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合。

在本发明实施例中，可以通过任何可用方式获取人像图像中的人像特征，对此本发明实施例不加以限定。例如，可以通过预先训练的神经网络模型、模糊数学模型、ResNet(Residual Neural Network，残差神经网络)模型等等获取各个人像图像中的人像特征。其中的人像图像可以包括但不限于人像图片、人像视频帧等包含人像在内的图像。

人像特征可以包括人像图像中展示的人像的特征信息，如人脸轮廓、眼睛、鼻子、耳朵、嘴巴、双肩、四肢、身形等特征信息。具体的人像特征所包含的内容可以根据需求进行预先设置，对此本发明实施例不加以限定。

在获取得到各个人像图像的人像特征之后，则可以基于各个人像图像的人像特征进行人像聚类，进而得到至少一个初始人像图像集合。具体的可以采用任何可用人像聚类方法基于人像特征进行人像聚类，对此本发明实施例不加以限定。

例如，假设针对n张人像图像进行人像聚类，依次提取每个人像图像的人像特征，可以提取得到n个人像特征，每个人像特征对应一个一维或多维的特征向量，计算n个人像特征之间的欧氏距离作为第一距离，然后使用K-Mean(K均值)或者CRF(conditionalrandom field algorithm，条件随机场算法)算法、均值漂移聚类等聚类方法根据欧氏距离进行聚类,从而把n张人像图像划分为至少一个初始人像图像集合。

其中的欧氏距离也可以替换为其他距离，例如余弦距离、汉明距离、曼哈顿(Manhattan)距离，等等。具体的可以根据需求进行预先设置，对此本发明实施例不加以限定。

步骤120，获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。

如前述，在实际应用中，提取的人像特征没有包含年龄、性别等方面的信息。那么单纯基于人像特征分类得到的初始人像图像集合仍然可能存在分错的情况。

因此，在本发明实施例中，为了进一步提高人像聚类结果的准确性，针对初始人像图像集合中包含的各个人像图像进行二次聚类，以尽可能地保证同一图像集合中只包含一个用户的人像图像。具体地，可以获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；其中，所述二次聚类信息可以包括但不限于年龄信息、性别信息中的至少一种。另外，二次聚类信息还可以包括身高信息、体重信息等等其他可用信息，对此本发明实施例不加以限定。

其中，可以通过任何可用的聚类方式基于二次聚类信息进行二次人像聚类，具体的可以根据需求进行预先设置，对此本发明实施例不加以限定。

而且，在本发明实施例中，可以通过任何可用方式获取各个人像图像的二次聚类信息，对此本发明实施例也不加以限定。例如，可以通过预先训练的ResNet等深度学习模型，获取各个人像图像的二次聚类信息。

参照图2，所述步骤120，进一步可以包括：

子步骤A121，根据预设的信息提取模型，获取所述人像图像的二次聚类信息；其中，所述信息提取模型为根据多张已知二次聚类信息的训练人像图像训练得到。

子步骤A122，获取所述二次聚类信息之间的第一距离；

子步骤A123，根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合。

在本发明实施例中，进行二次聚类时，可以基于二次聚类信息进行一次二次聚类，也可以分别基于每种二次聚类信息进行一次二次聚类。此时，可以根据预先训练的信息提取模型，获取每个所述人像图像的二次聚类信息，进而获取每两个人像图像的二次聚类信息之间的第一距离，从而根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合。

其中，信息提取模型相应为根据多张已知二次聚类信息的训练人像图像，进行训练后得到的任意一种深度学习模型，具体的可以根据需求进行预先设置。而且在本发明实施例中，可以采用任何一种距离计算方式获取任意两个二次聚类信息之间的第一距离，具体也可以根据需求进行预先设定，同样地也可以通过任何一种聚类方式基于第一距离进行二次聚类，具体也可以根据需求进行预先设定，对此本发明实施例均不加以限定。

可选地，在本发明实施例中，在所述二次聚类信息包括年龄信息和性别信息的情况下，所述子步骤A122进一步可以包括：

子步骤A1221，根据每个所述人像图像的年龄信息和性别信息，构建所述人像图像的聚类信息向量；

子步骤A1222，获取所述人像图像的聚类信息向量之间的第一距离。

在本发明实施例中，如果二次聚类信息同时包括了年龄信息、性别信息等等多种聚类信息，那么为了方便获取每两个人像图像的二次聚类信息之间的第一距离，可以根据每个所述人像图像的年龄信息和性别信息，构建所述人像图像的聚类信息向量，进而获取每两个聚类信息向量之间的第一距离作为相应两个二次聚类信息之间的第一距离。

例如，假设对于第i和j个人像图像的年龄信息分别记为Age_i和Age_j，性别信息分别记为Pmale_i和Pmale_j，那么针对第i个人像图像，则可以构建得到聚类信息向量为(Age_i，Pmale_i)，针对第j个人像图像，则可以构建得到聚类信息向量为(Age_j，Pmale_j)。其中在聚类信息向量中，各种二次聚类信息之间的前后关系可以根据需求进行预先设置，对此本发明实施例不加以限定。

那么，假设其中的第一距离为前述的欧氏距离，那么则可以根据欧氏距离公式得到第i和j个人像图像的二次聚类信息之间的第一距离为：

可选地，在本发明实施例中，所述子步骤A123进一步可以包括：

子步骤A1231，根据每个所述初始人像图像集合对应的第一距离，构建所述初始人像图像集合的距离集合；

子步骤A1232，根据所述距离集合，针对所述初始人像图像集合的人像图像进行二次聚类，得到目标人像图像集合。

在本发明实施例中，是针对每个初始人像图像集合中的人像图像进行二次聚类，因此对于每个初始人像图像集合进行二次聚类时，所参照的是该初始人像图像集合中每两个人像图像的二次聚类信息之间的第一距离，也即该初始人像图像集合对应的第一距离，而无需考虑其他初始人像图像集合对应的第一距离。

因此，在进行二次人像聚类时，可以根据每个所述初始人像图像集合对应的第一距离，构建所述初始人像图像集合的距离集合，进而根据所述距离集合，针对所述初始人像图像集合的人像图像进行二次聚类，得到目标人像图像集合。

其中，距离集合的具体存在形式可以根据需求进行预先设置，对此本发明实施例不加以限定。例如，可以设置距离集合的存在形式为邻接矩阵，等等。那么针对包含m个人像图像的初始人像图像集合，则可以用m*m维的的邻接矩阵来表示其对应的距离集合。

参照图3，在所述二次聚类信息包括年龄信息和性别信息的情况下，所述步骤120进一步可以包括：

子步骤B121，根据预设的年龄信息提取模型，获取所述人像图像的年龄信息；

子步骤B122，获取所述年龄信息之间的第二距离；

子步骤B123，根据所述第二距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合；

子步骤B124，根据预设的性别信息提取模型，获取所述人像图像的性别信息；

子步骤B125，获取所述性别信息之间的第三距离；

子步骤B126，根据所述第三距离，针对每个所述第一人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。

参照图4，在所述二次聚类信息包括年龄信息和性别信息的情况下，所述步骤120进一步可以包括：

子步骤C121，根据预设的性别信息提取模型，获取所述人像图像的性别信息；

子步骤C122，获取所述性别信息之间的第三距离；

子步骤C123，根据所述第三距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合；

子步骤C124，根据预设的年龄信息提取模型，获取所述人像图像的年龄信息；

子步骤C125，获取所述年龄信息之间的第二距离；

子步骤C126，根据所述第二距离，针对每个所述第一人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。

而如果二次聚类信息中同时包括了年龄信息和性别信息，那么则可以分别依次基于年龄信息和性别信息针对各个初始人像图像集合进行二次聚类。具体的可以先基于年龄信息针对各个初始人像图像集合进行二次聚类，得到至少一个第一人像图像集合，进而再基于性别信息针对每个第一人像图像集合进行二次聚类；或者，也可以先基于性别信息针对各个初始人像图像集合进行二次聚类，得到至少一个第一人像图像集合，进而再基于年龄信息针对每个第一人像图像集合进行二次聚类。具体的可以根据需求进行预先设置，对此本发明实施例不加以限定。

以下针对第一种情况进行详细介绍，第二种情况则可以参考第一种情况，在此不加以赘述。

首先，可以根据预设的年龄信息提取模型，获取各个初始人像图像集合中每个人像图像的年龄信息。在本发明实施例中，可以设置年龄信息表示为人像图像中包含人像的年龄值，可以用一个浮点数表示这个年龄值。当然也可以将年龄信息表示为年龄区间值，具体的可以根据需求进行预先设置，对此本发明实施例不加以限定。

进而，获取所述年龄信息之间的第二距离，以根据所述第二距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合。

其中，同样可以通过任何可用距离获取方法获取每两个年龄信息之间的第二距离，对此本发明实施例不加以限定。例如，如果采用欧式距离，假设针对任意的第i和j个人像图像的年龄信息，记为Age_i和Age_j，那么则可以用下面的公式计算年龄信息之间的欧氏距离d1作为第二距离，

当然，为了方便进行二次聚类，此时也可以采用前述的邻接矩阵来表示每个初始人像图像集合的距离集合，记为Dage1。从而可以针对每个初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合。

例如，可以通过前述的使用K-Means或者CRF算法根据每个初始人像图像集合的距离集合Dage1对相应的初始人像图像集合中的人像图像进行二次聚类，把相应每个初始人像图像集合分为一个或者多个不同的子集合，也即得到至少一个第一人像图像集合，每个第一人像图像集合对应不同的人，从而把每个初始人像图像集合中不同年龄段的人分开。

而为了进一步避免得到的每个第一人像图像集合中包含对应多个不同人物的人像图像，在本发明实施例中，还可以进一步根据性别信息针对每个第一人像图像集合进行再次二次聚类，那么则可以先根据预设的性别信息提取模型，获取每个所述人像图像的性别信息，进而获取所述性别信息之间的第三距离，从而得到每个第一人像图像集合中包含的各个人像图像的性别信息之间的第三距离，从而根据所述第三距离，针对每个所述第一人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。

其中，性别信息可以表示为一个概率值，例如用一个浮点数表示这个值,具体可以设置性别信息为男性的概率值(Probablity)，记为Pmale。针对任意的第i和j个人像图像的Pmale值,记为Pmale_i和Pmale_j。当然，在本发明实施例中，也可以设置性别信息为女性的概率值等等，对此本发明实施例不加以限定。而且，在本发明实施例中，同样可以通过任何可用的距离获取方式获取每两个性别信息之间的第三距离，对此本发明实施例不加以限定。例如，如果采用欧式距离，那么则可以用下面的公式计算两个性别信息之间的欧氏距离d2作为第三距离，

当然，为了方便根据第三距离进行二次聚类，此时也可以采用前述的邻接矩阵来表示每个第一人像图像集合的距离集合，记为Dage2。从而可以针对每个第一人像图像集合中的人像图像进行二次聚类，得到至少一个目标人像图像集合。

例如，可以通过前述的使用K-Means或者CRF算法根据每个第一人像图像集合的距离集合Dage2对相应的第一人像图像集合中的人像图像进行二次聚类，把相应每个第一人像图像集合分为一个或者多个不同的子集合，也即得到至少一个目标人像图像集合，每个目标人像图像集合对应不同的人，从而把每个第一人像图像集合中不同性别的人分开。

其中，第二距离和第三距离的具体获取方式可以有所不同，当然也可以相同，而且根据年龄信息进行二次聚类的聚类方式以及根据性别信息进行二次聚类的聚类方式也可以相同，或者不同，具体的都可以根据需求进行预先设置，对此本发明实施例不加以限定。

可选地，在本发明实施例中，在所述子步骤B121之前，还可以包括：

子步骤B127，根据预设的第一训练样本训练所述年龄信息提取模型；其中，所述第一训练样本中包括多张已知年龄信息的训练人像图像。

可选地，在本发明实施例中，在所述子步骤B124之前，还可以包括：

子步骤B128，根据预设的第二训练样本训练所述性别信息提取模型；其中，所述第二训练样本中包括多张已知性别信息的训练人像图像。

在本发明实施例中，在首次或者是每次使用相应的模型时，都需要训练相应模型，以使其能够满足需求，因此在本发明实施例中，可以在使用年龄信息提取模型之前，预先对年龄信息提取模型进行训练，具体的可以根据预设的第一训练样本训练所述年龄信息提取模型，而且在第一训练样本中包括多张已知年龄信息的训练人像图像。同样地，可以在使用性别信息提取模型之前，预先对性别信息提取模型进行训练，具体的可以根据预设的第二训练样本训练所述性别信息提取模型，而且在第二训练样本中包括多张已知性别信息的训练人像图像。

而且，在年龄信息提取模型和性别信息提取模型使用之后，还可以进一步对年龄信息提取模型和性别信息提取模型进行优化训练，对此本发明实施例不加以限定。

根据本发明实施例的人像聚类方法，可以根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。由此解决了现有的人像聚类方法准确性欠佳的技术问题。取得了提高人像聚类准确性的有益效果。

而且，在本发明实施例中，在所述二次聚类信息包括年龄信息或者性别信息的情况下，还可以根据预设的信息提取模型，获取所述人像图像的二次聚类信息；获取所述二次聚类信息之间的第一距离；根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合。并且，根据每个所述初始人像图像集合对应的第一距离，构建所述初始人像图像集合的距离集合；根据所述距离集合，针对所述初始人像图像集合的人像图像进行二次聚类，得到目标人像图像集合。从而可以进一步提高人像聚类的准确性。

另外，在本发明实施例中，在所述二次聚类信息包括年龄信息和性别信息的情况下，还可以根据预设的年龄信息提取模型，获取所述人像图像的年龄信息；获取所述年龄信息之间的第二距离；根据所述第二距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合；根据预设的性别信息提取模型，获取所述人像图像的性别信息；获取所述性别信息之间的第三距离；根据所述第三距离，针对每个所述第一人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。以及，根据预设的第一训练样本训练所述年龄信息提取模型；其中，所述第一训练样本中包括多张已知年龄信息的训练人像图像；根据预设的第二训练样本训练所述性别信息提取模型；其中，所述第二训练样本中包括多张已知性别信息的训练人像图像。同样可以进一步提高人像聚类的准确性。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图5，示出了本发明实施例中一种人像聚类装置的结构示意图。

初始聚类模块210，用于根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合。

二次聚类模块220，用于获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。

参照图6，所述二次聚类模块220，进一步可以包括：

聚类信息提取子模块A221，用于根据预设的信息提取模型，获取所述人像图像的二次聚类信息；其中，所述信息提取模型为根据多张已知二次聚类信息的训练人像图像训练得到。

第一距离获取子模块A222，用于获取所述二次聚类信息之间的第一距离；

二次聚类子模块A223，用于根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合。

可选地，在本发明实施例中，在所述二次聚类信息包括年龄信息和性别信息的情况下，所述第一距离获取子模块A222，进一步可以包括：

聚类信息向量构建单元，用于根据每个所述人像图像的年龄信息和性别信息，构建所述人像图像的聚类信息向量；

第一距离获取单元，用于获取所述人像图像的聚类信息向量之间的第一距离。

可选地，在本发明实施例中，所述二次聚类子模块A223，进一步可以包括：

距离集合构建单元，用于根据每个所述初始人像图像集合对应的第一距离，构建所述初始人像图像集合的距离集合；

二次聚类单元，用于根据所述距离集合，针对所述初始人像图像集合的人像图像进行二次聚类，得到目标人像图像集合。

参照图7，在所述二次聚类信息包括年龄信息和性别信息的情况下，所述二次聚类模块220，进一步可以包括：

年龄信息获取子模块B221，用于根据预设的年龄信息提取模型，获取所述人像图像的年龄信息；

第二距离获取子模块B222，用于获取所述年龄信息之间的第二距离；

第一二次聚类子模块B223，用于根据所述第二距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合；

性别信息获取子模块B224，用于根据预设的性别信息提取模型，获取所述人像图像的性别信息；

第三距离获取子模块B225，用于获取所述性别信息之间的第三距离；

第二二次聚类子模块B226，用于根据所述第三距离，针对每个所述第一人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。

可选地，在本发明实施例中，所述二次聚类模块220，还可以包括：

第一模型训练子模块，用于根据预设的第一训练样本训练所述年龄信息提取模型；其中，所述第一训练样本中包括多张已知年龄信息的训练人像图像；

第二模型训练子模块，用于根据预设的第二训练样本训练所述性别信息提取模型；其中，所述第二训练样本中包括多张已知性别信息的训练人像图像。

根据本发明实施例的人像聚类方法，可以根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；其中，所述二次聚类信息包括年龄信息、性别信息中的至少一种。由此解决了现有的人像聚类方法准确性欠佳的技术问题。取得了提高人像聚类准确性的有益效果。

而且，在本发明实施例中，在所述二次聚类信息包括年龄信息或者性别信息的情况下，还可以根据预设的信息提取模型，获取所述人像图像的二次聚类信息；获取所述二次聚类信息之间的第一距离；根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合。并且，根据每个所述初始人像图像集合对应的第一距离，构建所述初始人像图像集合的距离集合；根据所述距离集合，针对所述初始人像图像集合的人像图像进行二次聚类，得到目标人像图像集合。从而可以进一步提高人像聚类的准确性。

另外，在本发明实施例中，在所述二次聚类信息包括年龄信息和性别信息的情况下，还可以根据预设的年龄信息提取模型，获取所述人像图像的年龄信息；获取所述年龄信息之间的第二距离；根据所述第二距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合；根据预设的性别信息提取模型，获取所述人像图像的性别信息；获取所述性别信息之间的第三距离；根据所述第三距离，针对每个所述第一人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。以及，根据预设的第一训练样本训练所述年龄信息提取模型；其中，所述第一训练样本中包括多张已知年龄信息的训练人像图像；根据预设的第二训练样本训练所述性别信息提取模型；其中，所述第二训练样本中包括多张已知性别信息的训练人像图像。同样可以进一步提高人像聚类的准确性。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本发明实施例中还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现前述的任意一种人像聚类方法。

在本发明实施例中还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前述的任意一种人像聚类方法的步骤。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的人像聚类设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种人像聚类方法，其特征在于，包括：

根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；所述人像特征包括但不限于双肩、四肢、身形中的至少一者；

通过预先训练的深度学习模型，获取所述人像图像的二次聚类信息，并基于所述二次聚类信息之间的第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；所述二次聚类信息包括年龄信息、性别信息中的至少一种，所述性别信息表示为一个概率值，所述年龄信息表示为年龄值或年龄区间值；

其中，基于所述二次聚类信息之间的第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，包括：基于所述二次聚类信息的聚类信息向量之间的第一距离，构建该初始人像图像集合的邻接矩阵，并根据所述邻接矩阵进行一次二次聚类；

或者，依次基于每种二次聚类信息的聚类信息向量之间的第一距离，构建该初始人像图像集合的邻接矩阵，并根据所述邻接矩阵进行一次二次聚类，其中，后一次二次聚类是在前一次二次聚类的结果上进行，所述目标人像图像集合是最后一次二次聚类得到的聚类集合，以将每个初始人像图像集合中不同年龄段和不同性别的人分开，使同一所述目标人像图像集合中包含同一个用户的人像图像。

2.根据权利要求1所述的方法，其特征在于，所述获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合的步骤，包括：

根据预设的信息提取模型，获取所述人像图像的二次聚类信息；

获取所述二次聚类信息之间的第一距离；

根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合；

其中，所述信息提取模型为根据多张已知二次聚类信息的训练人像图像训练得到。

3.根据权利要求2所述的方法，其特征在于，在所述二次聚类信息包括年龄信息和性别信息的情况下，所述获取所述二次聚类信息之间的第一距离的步骤，包括：

根据每个所述人像图像的年龄信息和性别信息，构建所述人像图像的聚类信息向量；

获取所述人像图像的聚类信息向量之间的第一距离。

4.根据权利要求2所述的方法，其特征在于，所述根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合的步骤，包括：

根据每个所述初始人像图像集合对应的第一距离，构建所述初始人像图像集合的距离集合；

根据所述距离集合，针对所述初始人像图像集合的人像图像进行二次聚类，得到所述目标人像图像集合。

5.根据权利要求1所述的方法，其特征在于，在所述二次聚类信息包括年龄信息和性别信息的情况下，所述获取所述人像图像的二次聚类信息，并基于所述二次聚类信息针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合的步骤，包括：

根据预设的年龄信息提取模型，获取所述人像图像的年龄信息；

获取所述年龄信息之间的第二距离；

根据所述第二距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到至少一个第一人像图像集合；

根据预设的性别信息提取模型，获取所述人像图像的性别信息；

获取所述性别信息之间的第三距离；

根据所述第三距离，针对每个所述第一人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。

6.根据权利要求5所述的方法，其特征在于，在所述根据预设的年龄信息提取模型，获取所述人像图像的年龄信息的步骤之前，还包括：

根据预设的第一训练样本训练所述年龄信息提取模型；

其中，所述第一训练样本中包括多张已知年龄信息的训练人像图像；

在所述根据预设的性别信息提取模型，获取所述人像图像的性别信息的步骤之前，还包括：

根据预设的第二训练样本训练所述性别信息提取模型；

其中，所述第二训练样本中包括多张已知性别信息的训练人像图像。

7.一种人像聚类装置，其特征在于，包括：

初始聚类模块，用于根据多个人像图像中的人像特征，对所述人像图像进行初始人像聚类，得到至少一个初始人像图像集合；所述人像特征包括但不限于双肩、四肢、身形中的至少一者；

二次聚类模块，用于通过预先训练的深度学习模型，获取所述人像图像的二次聚类信息，并基于所述二次聚类信息之间的第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到目标人像图像集合；所述二次聚类信息包括年龄信息、性别信息中的至少一种，所述性别信息表示为一个概率值，所述年龄信息表示为年龄值或年龄区间值；

其中，基于所述二次聚类信息之间的第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，包括：基于所述二次聚类信息的聚类信息向量之间的第一距离，构建该初始人像图像集合的邻接矩阵，并根据所述邻接矩阵进行一次二次聚类；

或者，依次基于每种二次聚类信息的聚类信息向量之间的第一距离，构建该初始人像图像集合的邻接矩阵，并根据所述邻接矩阵进行一次二次聚类，其中，后一次二次聚类是在前一次二次聚类的结果上进行，所述目标人像图像集合是最后一次二次聚类得到的聚类集合；以将每个初始人像图像集合中不同年龄段和不同性别的人分开，使同一所述目标人像图像集合中包含同一个用户的人像图像。

8.根据权利要求7所述的装置，其特征在于，所述二次聚类模块，包括：

聚类信息提取子模块，用于根据预设的信息提取模型，获取所述人像图像的二次聚类信息；

第一距离获取子模块，用于获取所述二次聚类信息之间的第一距离；

二次聚类子模块，用于根据所述第一距离，针对每个所述初始人像图像集合中的人像图像进行二次聚类，得到所述目标人像图像集合。

9.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中的任一项所述的人像聚类方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-6中的任一项所述的人像聚类方法。

Images