CN116403080A - 一种人脸聚类评价方法、系统、计算机及可读存储介质 - Google Patents

一种人脸聚类评价方法、系统、计算机及可读存储介质 Download PDF

Info

Publication number
CN116403080A
CN116403080A CN202310677574.1A CN202310677574A CN116403080A CN 116403080 A CN116403080 A CN 116403080A CN 202310677574 A CN202310677574 A CN 202310677574A CN 116403080 A CN116403080 A CN 116403080A
Authority
CN
China
Prior art keywords
face
cluster
calculating
similarity
evaluation
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.)
Granted
Application number
CN202310677574.1A
Other languages
English (en)
Other versions
CN116403080B (zh
Inventor
陈硕
唐涛
张磊
许畅
郭小光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Yunyan Shijie Technology Co ltd
Original Assignee
Jiangxi Yunyan Shijie Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Yunyan Shijie Technology Co ltd filed Critical Jiangxi Yunyan Shijie Technology Co ltd
Priority to CN202310677574.1A priority Critical patent/CN116403080B/zh
Publication of CN116403080A publication Critical patent/CN116403080A/zh
Application granted granted Critical
Publication of CN116403080B publication Critical patent/CN116403080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明提供了一种人脸聚类评价方法、系统、计算机及可读存储介质，所述方法包括获取人脸聚类结果，以得到若干聚类簇，聚类簇中包括若干人脸特征；对所述人脸特征进行标准化处理，以得到标准人脸特征；计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，并计算每个所述聚类簇的代表人脸之间的第二相似度，确定第一评价指标；同时计算每个所述聚类簇的中心点，并基于所述中心点确定第二评价指标；最终根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果，本发明通过聚类评分可辅助评估聚类模型的质量同时也可评估聚类模型是否达到了预期效果以便于进一步优化与改进聚类模型。

Description

一种人脸聚类评价方法、系统、计算机及可读存储介质
技术领域
本发明属于人脸聚类评价的技术领域，具体地涉及一种人脸聚类评价方法、系统、计算机及可读存储介质。
背景技术
人脸聚类是计算机视觉领域中的一个重要问题，其目标是将具有相似特征的人脸图像分组，以便进行更准确的人脸识别或人脸分析。
在实际的聚类过程中，由于一些噪声以及干扰因素的影响下，会导致在对人脸进行聚类的过程中，无法确定其精准度进而无法了解聚类过程是否达到了预期的效果，进而影响聚类的效果以及后续处理过程。
发明内容
为了解决上述技术问题，本发明提供了一种人脸聚类评价方法、系统、计算机及可读存储介质，用于解决现有技术中存在的技术问题。
第一方面，该发明提供以下技术方案，一种人脸聚类评价方法，所述方法包括：
获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；
对所述人脸特征进行标准化处理，以得到标准人脸特征；
计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；
计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标；
根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果。
相比现有技术，本申请的有益效果为：本申请首先获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；而后对所述人脸特征进行标准化处理，以得到标准人脸特征；然后计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；之后计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标；最后根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果，本发明通过确定第一评价指标以及第二评价指标，通过上述指标可辅助评估聚类模型的质量同时也可评估聚类模型是否达到了预期效果以便于根据上述指标进一步优化与改进聚类模型，同时通过上述指标以及聚类评价结果可辅助选取聚类的最优参数，以保证后续聚类过程的精准度，且通过上述指标可了解聚类数据的分布情况，可快速了解数据的特征与规律，为进一步的数据处理与分析提供依据与帮助。
较佳的，所述对所述人脸特征进行标准化处理，以得到标准人脸特征的步骤包括：
基于第一预设公式对所述人脸特征
Figure SMS_1
进行标准化处理，以得到标准人脸特征/>
Figure SMS_2
，其中，所述第一预设公式为：
Figure SMS_3
；
式中，
Figure SMS_4
为人脸特征的均值，/>
Figure SMS_5
为人脸特征的标准差。
较佳的，所述计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度的步骤包括：
基于第二预设公式计算两个所述标准人脸特征之间的特征相似度
Figure SMS_6
：
Figure SMS_7
；
式中，
Figure SMS_8
表示求平方根，/>
Figure SMS_9
表示向量/>
Figure SMS_10
的/>
Figure SMS_11
个元素，/>
Figure SMS_12
表示向量/>
Figure SMS_13
的/>
Figure SMS_14
个元素；
基于所述第二预设公式计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度
Figure SMS_15
：
Figure SMS_16
；
式中，
Figure SMS_18
表示标准人脸特征/>
Figure SMS_21
的第/>
Figure SMS_23
个特征值，/>
Figure SMS_19
表示标准人脸特征/>
Figure SMS_22
的第/>
Figure SMS_24
个特征值，/>
Figure SMS_25
表示标准人脸特征/>
Figure SMS_17
与标准人脸特征/>
Figure SMS_20
中数据点的个数。
较佳的，所述在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标的步骤包括：
在每个所述聚类簇中选取一个标准人脸特征作为代表人脸，并计算该聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度；
将每个所述聚类簇对应的第一相似度作为第一评价样本，将每个聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度的最小值作为第二评价样本；
基于所述第一评价样本
Figure SMS_26
与所述第二评价样本/>
Figure SMS_27
计算待定指标/>
Figure SMS_28
：
Figure SMS_29
；
根据所述待定指标
Figure SMS_30
确定第一评价指标/>
Figure SMS_31
：
Figure SMS_32
；
式中，
Figure SMS_33
为标准人脸特征的总数量。
较佳的，所述计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标的步骤包括：
计算每个所述聚类簇的中心点
Figure SMS_34
：
Figure SMS_35
；
式中，
Figure SMS_36
为聚类簇中的样本数量，/>
Figure SMS_37
为聚类簇中的第/>
Figure SMS_38
个样本；
计算所述聚类簇的中心点
Figure SMS_39
之间的距离/>
Figure SMS_40
；
基于所述距离
Figure SMS_41
确定第二评价指标：
Figure SMS_42
；
式中，
Figure SMS_43
为聚类簇的数量，/>
Figure SMS_44
为聚类簇/>
Figure SMS_45
的数据点数，/>
Figure SMS_46
为聚类簇/>
Figure SMS_47
的数据点数，
Figure SMS_48
为所有数据点的总数。
较佳的，所述根据所述第一评价指标与所述第二评价指标确定聚类评分的步骤包括：
根据所述第一评价指标
Figure SMS_49
与所述第二评价指标/>
Figure SMS_50
确定聚类评分/>
Figure SMS_51
：
Figure SMS_52
。
第二方面，该发明提供以下技术方案，一种人脸聚类评价系统，所述系统包括：
获取模块，用于获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；
处理模块，用于对所述人脸特征进行标准化处理，以得到标准人脸特征；
第一计算模块，用于计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；
第二计算模块，用于计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标；
评分模块，用于根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果。
较佳的，所述处理模块具体用于：
基于第一预设公式对所述人脸特征
Figure SMS_53
进行标准化处理，以得到标准人脸特征/>
Figure SMS_54
，其中，所述第一预设公式为：
Figure SMS_55
；
式中，
Figure SMS_56
为人脸特征的均值，/>
Figure SMS_57
为人脸特征的标准差。
第三方面，该发明提供以下技术方案，一种计算机，包括存储器、处理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，所述处理器执行所述计算机程序时实现上述的人脸聚类评价方法。
第四方面，该发明提供以下技术方案，一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的人脸聚类评价方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的人脸聚类评价方法的流程图；
图2为本发明第一实施例提供的人脸聚类评价方法中步骤S31的详细流程图；
图3为本发明第一实施例提供的人脸聚类评价方法中步骤S32的详细流程图；
图4为本发明第一实施例提供的人脸聚类评价方法中步骤S4的详细流程图；
图5为本发明第二实施例提供的人脸聚类评价系统的结构框图；
图6为本发明另一实施例提供的计算机的硬件结构框图。
以下将结合附图对本发明实施例作进一步说明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示，在本发明的第一个实施例中，该发明提供以下技术方案，一种人脸聚类评价方法，所述方法包括：
S1、获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；
具体的，在对人脸数据进行聚类处理之后，会生成若干个聚类簇，且在每个聚类簇中会包含若干个人脸特征，且在每个人脸特征会包含若干个数据点。
S2、对所述人脸特征进行标准化处理，以得到标准人脸特征；
其中，在对人脸特征进行标准化处理之前，需要求出该人脸特征的均值以及标准差，并基于均值以及标准差对人脸特征进行标准化处理。
其中，所述步骤S2包括：
基于第一预设公式对所述人脸特征
Figure SMS_58
进行标准化处理，以得到标准人脸特征/>
Figure SMS_59
，其中，所述第一预设公式为：
Figure SMS_60
；
式中，
Figure SMS_61
为人脸特征的均值，/>
Figure SMS_62
为人脸特征的标准差；
具体的，经过标准化处理之后的标准人脸特征符合标准正态分布N(0，1)，即其均值为0，标准差为1。
S3、计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；
具体的，在本发明所提出的人脸聚类评价方法中，分别采用了第一评价指标与第二评价指标，第一评价指标反映聚类的正确率，第二评价指标反映聚类的精密度。
所述步骤S3具体包括：
步骤S31、计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度；
步骤S32、在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标。
如图2所示，其中，所述步骤S31包括：
S311、基于第二预设公式计算两个所述标准人脸特征之间的特征相似度
Figure SMS_63
：
Figure SMS_64
；
式中，
Figure SMS_65
表示求平方根，/>
Figure SMS_66
表示向量/>
Figure SMS_67
的/>
Figure SMS_68
个元素，/>
Figure SMS_69
表示向量/>
Figure SMS_70
的/>
Figure SMS_71
个元素。
S312、基于所述第二预设公式计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度
Figure SMS_72
：
Figure SMS_73
；
式中，
Figure SMS_76
表示标准人脸特征/>
Figure SMS_79
的第/>
Figure SMS_81
个特征值，/>
Figure SMS_75
表示标准人脸特征/>
Figure SMS_77
的第/>
Figure SMS_80
个特征值，/>
Figure SMS_82
表示标准人脸特征/>
Figure SMS_74
与标准人脸特征/>
Figure SMS_78
中数据点的个数；
其中，第一相似度的取值范围为[0，+∞)，当第一相似度取值越小时，两标准人脸特征越相似，第一相似度取值越大时，两标准人脸特征越不相似。
如图3所示，其中，所述步骤S32包括：
S321、在每个所述聚类簇中选取一个标准人脸特征作为代表人脸，并计算该聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度；
具体的，在该步骤中，计算第二相似度与步骤S312中计算第一相似度的过程相同，均用于计算两人脸特征之间的相似度。
S322、将每个所述聚类簇对应的第一相似度作为第一评价样本，将每个聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度的最小值作为第二评价样本；
具体的，第一评价样本可用于衡量该标准人脸特征与该聚类簇内的人脸特征的紧密度，第二评价样本可用于衡量一个聚类簇内的标准人脸特征与其余聚类簇之间的离散程度。
S323、基于所述第一评价样本
Figure SMS_83
与所述第二评价样本/>
Figure SMS_84
计算待定指标/>
Figure SMS_85
：
Figure SMS_86
；
具体的，当待定指标趋近于1时，则表示该标准人脸特征与对应聚类簇内其余标准人脸特征之间的紧密度高于其他聚类簇的离散度，表示聚类效果好，当待定指标趋近于-1时，则表示该标准人脸特征与对应聚类簇内其余特征之间的紧密度低于其他聚类簇的离散度，表示聚类效果差。
S324、根据所述待定指标
Figure SMS_87
确定第一评价指标/>
Figure SMS_88
：
Figure SMS_89
；
式中，
Figure SMS_90
为标准人脸特征的总数量，第一评价指标/>
Figure SMS_91
的取值范围在-1至1之间，越趋近于1则表示聚类效果越好。
S4、计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标。
如图4所示，其中，所述步骤S4包括：
S41、计算每个所述聚类簇的中心点
Figure SMS_92
：
Figure SMS_93
；
式中，
Figure SMS_94
为聚类簇中的样本数量，/>
Figure SMS_95
为聚类簇中的第/>
Figure SMS_96
个样本；
具体的，在实际的计算过程中，为了避免数值溢出，可以采用累加器的方式计算每个特征的总和，最后再除以数据点数量得到聚类簇的中心点，具体而言，设第h个特征的累加器为
Figure SMS_97
，则类的中心点的第h个分量为：
Figure SMS_98
；
式中，
Figure SMS_99
为指示函数，当/>
Figure SMS_100
时，取值为1否则为0，/>
Figure SMS_101
为/>
Figure SMS_102
中的数据点数量。
S42、计算所述聚类簇的中心点
Figure SMS_103
之间的距离/>
Figure SMS_104
。
S43、基于所述距离
Figure SMS_105
确定第二评价指标：
Figure SMS_106
；
式中，
Figure SMS_107
为聚类簇的数量，/>
Figure SMS_108
为聚类簇/>
Figure SMS_109
的数据点数，/>
Figure SMS_110
为聚类簇/>
Figure SMS_111
的数据点数，
Figure SMS_112
为所有数据点的总数；
具体的，第二评价指标的计算结果越小，则表示聚类簇之间的距离越小，对应的聚类结果的质量越好。
S5、根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果；
具体的，所述步骤S5包括：
根据所述第一评价指标
Figure SMS_113
与所述第二评价指标/>
Figure SMS_114
确定聚类评分/>
Figure SMS_115
：
Figure SMS_116
；
具体的，通过第一评价指标
Figure SMS_117
减去第二评价指标/>
Figure SMS_118
，强调了聚类结果中不同类别的人脸应该尽可能分布在不同的簇中，以提高聚类的准确性，聚类评分的取值范围在[-1，1]之间，越接近1表示聚类结果越好，越接近-1表示聚类结果越差。
本实施例一的好处在于：本申请首先获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；而后对所述人脸特征进行标准化处理，以得到标准人脸特征；然后计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；之后计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标；最后根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果，本发明通过确定第一评价指标以及第二评价指标，通过上述指标可辅助评估聚类模型的质量同时也可评估聚类模型是否达到了预期效果以便于根据上述指标进一步优化与改进聚类模型，同时通过上述指标以及聚类评价结果可辅助选取聚类的最优参数，以保证后续聚类过程的精准度，且通过上述指标可了解聚类数据的分布情况，可快速了解数据的特征与规律，为进一步的数据处理与分析提供依据与帮助。
实施例二
如图5所示，在本发明的第二个实施例提供了一种人脸聚类评价系统，所述系统包括：
获取模块1，用于获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；
处理模块2，用于对所述人脸特征进行标准化处理，以得到标准人脸特征；
第一计算模块3，用于计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；
第二计算模块4，用于计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标；
评分模块5，用于根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果。
其中，所述处理模块2具体用于：
基于第一预设公式对所述人脸特征
Figure SMS_119
进行标准化处理，以得到标准人脸特征/>
Figure SMS_120
，其中，所述第一预设公式为：
Figure SMS_121
；
式中，
Figure SMS_122
为人脸特征的均值，/>
Figure SMS_123
为人脸特征的标准差。
所述第一计算模块3包括：
特征相似度计算子模块，用于基于第二预设公式计算两个所述标准人脸特征之间的特征相似度
Figure SMS_124
：
Figure SMS_125
；
式中，
Figure SMS_126
表示求平方根，/>
Figure SMS_127
表示向量/>
Figure SMS_128
的/>
Figure SMS_129
个元素，/>
Figure SMS_130
表示向量/>
Figure SMS_131
的/>
Figure SMS_132
个元素；
第一相似度计算子模块，用于基于所述第二预设公式计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度
Figure SMS_133
：
Figure SMS_134
；
式中，
Figure SMS_136
表示标准人脸特征/>
Figure SMS_139
的第/>
Figure SMS_142
个特征值，/>
Figure SMS_137
表示标准人脸特征/>
Figure SMS_140
的第/>
Figure SMS_141
个特征值，/>
Figure SMS_143
表示标准人脸特征/>
Figure SMS_135
与标准人脸特征/>
Figure SMS_138
中数据点的个数。
所述第一计算模块3还包括：
选取子模块，用于在每个所述聚类簇中选取一个标准人脸特征作为代表人脸，并计算该聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度；
样本确定子模块，用于将每个所述聚类簇对应的第一相似度作为第一评价样本，将每个聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度的最小值作为第二评价样本；
待定指标确定子模块，用于基于所述第一评价样本
Figure SMS_144
与所述第二评价样本/>
Figure SMS_145
计算待定指标/>
Figure SMS_146
：
Figure SMS_147
；
第一评价指标确定子模块，用于根据所述待定指标
Figure SMS_148
确定第一评价指标/>
Figure SMS_149
：
Figure SMS_150
；
式中，
Figure SMS_151
为标准人脸特征的数量。
所述第二计算模块4包括：
中心点计算子模块，用于计算每个所述聚类簇的中心点
Figure SMS_152
：
Figure SMS_153
；
式中，
Figure SMS_154
为聚类簇中的样本数量，/>
Figure SMS_155
为聚类簇中的第/>
Figure SMS_156
个样本；
距离计算子模块，用于计算所述聚类簇的中心点
Figure SMS_157
之间的距离/>
Figure SMS_158
；
第二评价指标计算子模块，用于基于所述距离
Figure SMS_159
确定第二评价指标：
Figure SMS_160
；
式中，
Figure SMS_161
为聚类簇的数量，/>
Figure SMS_162
为聚类簇/>
Figure SMS_163
的数据点数，/>
Figure SMS_164
为聚类簇/>
Figure SMS_165
的数据点数，
Figure SMS_166
为所有数据点的总数。
所述评分模块5具体用于：
根据所述第一评价指标
Figure SMS_167
与所述第二评价指标/>
Figure SMS_168
确定聚类评分/>
Figure SMS_169
：
Figure SMS_170
。
在本发明的另一些实施例中，本发明实施例提供以下技术方案，一种计算机，包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序，所述处理器101执行所述计算机程序时实现上所述的人脸聚类评价方法。
具体的，上述处理器101可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器102可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（Solid State Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerial Bus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器102可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器102可在数据处理装置的内部或外部。在特定实施例中，存储器102是非易失性（Non-Volatile）存储器。在特定实施例中，存储器102包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random Access Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（ErasableProgrammable Read-Only Memory，简称为EPROM）、电可擦除PROM（Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM）、电可改写ROM（ElectricallyAlterable Read-Only Memory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-AccessMemory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器102可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器101所执行的可能的计算机程序指令。
处理器101通过读取并执行存储器102中存储的计算机程序指令，以实现上述人脸聚类评价方法。
在其中一些实施例中，计算机还可包括通信接口103和总线100。其中，如图6所示，处理器101、存储器102、通信接口103通过总线100连接并完成相互间的通信。
通信接口103用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口103还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线100包括硬件、软件或两者，将计算机的部件彼此耦接在一起。总线100包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（ControlBus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线100可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（FrontSide Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线100可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机可以基于获取到人脸聚类评价系统，执行本申请的人脸聚类评价方法，从而实现人脸聚类的评价。
在本发明的再一些实施例中，结合上述的人脸聚类评价方法，本发明实施例提供以下技术方案，一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的人脸聚类评价方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸聚类评价方法，其特征在于，所述方法包括：
获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；
对所述人脸特征进行标准化处理，以得到标准人脸特征；
计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；
计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标；
根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果。
2.根据权利要求1所述的人脸聚类评价方法，其特征在于，所述对所述人脸特征进行标准化处理，以得到标准人脸特征的步骤包括：
基于第一预设公式对所述人脸特征
Figure QLYQS_1
进行标准化处理，以得到标准人脸特征/>
Figure QLYQS_2
，其中，所述第一预设公式为：
Figure QLYQS_3
；
式中，
Figure QLYQS_4
为人脸特征的均值，/>
Figure QLYQS_5
为人脸特征的标准差。
3.根据权利要求1所述的人脸聚类评价方法，其特征在于，所述计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度的步骤包括：
基于第二预设公式计算两个所述标准人脸特征之间的特征相似度
Figure QLYQS_6
：
Figure QLYQS_7
；
式中，
Figure QLYQS_8
表示求平方根，/>
Figure QLYQS_9
表示向量/>
Figure QLYQS_10
的/>
Figure QLYQS_11
个元素，/>
Figure QLYQS_12
表示向量/>
Figure QLYQS_13
的/>
Figure QLYQS_14
个元素；
基于所述第二预设公式计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度
Figure QLYQS_15
：
Figure QLYQS_16
；
式中，
Figure QLYQS_18
表示标准人脸特征/>
Figure QLYQS_22
的第/>
Figure QLYQS_23
个特征值，/>
Figure QLYQS_19
表示标准人脸特征/>
Figure QLYQS_21
的第/>
Figure QLYQS_24
个特征值，/>
Figure QLYQS_25
表示标准人脸特征/>
Figure QLYQS_17
与标准人脸特征/>
Figure QLYQS_20
中数据点的个数。
4.根据权利要求1所述的人脸聚类评价方法，其特征在于，所述在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标的步骤包括：
在每个所述聚类簇中选取一个标准人脸特征作为代表人脸，并计算该聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度；
将每个所述聚类簇对应的第一相似度作为第一评价样本，将每个聚类簇的代表人脸与其他聚类簇的代表人脸之间的第二相似度的最小值作为第二评价样本；
基于所述第一评价样本
Figure QLYQS_26
与所述第二评价样本/>
Figure QLYQS_27
计算待定指标/>
Figure QLYQS_28
：
Figure QLYQS_29
；
根据所述待定指标
Figure QLYQS_30
确定第一评价指标/>
Figure QLYQS_31
：
Figure QLYQS_32
；
式中，
Figure QLYQS_33
为标准人脸特征的总数量。
5.根据权利要求1所述的人脸聚类评价方法，其特征在于，所述计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标的步骤包括：
计算每个所述聚类簇的中心点
Figure QLYQS_34
：
Figure QLYQS_35
；
式中，
Figure QLYQS_36
为聚类簇中的样本数量，/>
Figure QLYQS_37
为聚类簇中的第/>
Figure QLYQS_38
个样本；
计算所述聚类簇的中心点
Figure QLYQS_39
之间的距离/>
Figure QLYQS_40
；
基于所述距离
Figure QLYQS_41
确定第二评价指标：
Figure QLYQS_42
；
式中，
Figure QLYQS_43
为聚类簇的数量，/>
Figure QLYQS_44
为聚类簇/>
Figure QLYQS_45
的数据点数，/>
Figure QLYQS_46
为聚类簇/>
Figure QLYQS_47
的数据点数，/>
Figure QLYQS_48
为所有数据点的总数。
6.根据权利要求1所述的人脸聚类评价方法，其特征在于，所述根据所述第一评价指标与所述第二评价指标确定聚类评分的步骤包括：
根据所述第一评价指标
Figure QLYQS_49
与所述第二评价指标/>
Figure QLYQS_50
确定聚类评分/>
Figure QLYQS_51
：
Figure QLYQS_52
。
7.一种人脸聚类评价系统，其特征在于，所述系统包括：
获取模块，用于获取人脸聚类结果，以得到若干聚类簇，所述聚类簇中包括若干人脸特征；
处理模块，用于对所述人脸特征进行标准化处理，以得到标准人脸特征；
第一计算模块，用于计算每个所述聚类簇中每两个所述标准人脸特征之间的第一相似度，在每个所述聚类簇中选取代表人脸，计算所述代表人脸之间的第二相似度，基于所述第一相似度与所述第二相似度确定第一评价指标；
第二计算模块，用于计算每个所述聚类簇的中心点并计算所述中心点之间的距离，基于所述中心点与所述距离确定第二评价指标；
评分模块，用于根据所述第一评价指标与所述第二评价指标确定聚类评分，并基于所述聚类评分输出人脸聚类评价结果。
8.根据权利要求7所述的人脸聚类评价系统，其特征在于，所述处理模块具体用于：
基于第一预设公式对所述人脸特征
Figure QLYQS_53
进行标准化处理，以得到标准人脸特征/>
Figure QLYQS_54
，其中，所述第一预设公式为：
Figure QLYQS_55
；
式中，
Figure QLYQS_56
为人脸特征的均值，/>
Figure QLYQS_57
为人脸特征的标准差。
9.一种计算机，包括存储器、处理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至6任一项所述的人脸聚类评价方法。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的人脸聚类评价方法。
CN202310677574.1A 2023-06-09 2023-06-09 一种人脸聚类评价方法、系统、计算机及可读存储介质 Active CN116403080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310677574.1A CN116403080B (zh) 2023-06-09 2023-06-09 一种人脸聚类评价方法、系统、计算机及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310677574.1A CN116403080B (zh) 2023-06-09 2023-06-09 一种人脸聚类评价方法、系统、计算机及可读存储介质

Publications (2)

Publication Number Publication Date
CN116403080A true CN116403080A (zh) 2023-07-07
CN116403080B CN116403080B (zh) 2023-08-11

Family

ID=87012801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310677574.1A Active CN116403080B (zh) 2023-06-09 2023-06-09 一种人脸聚类评价方法、系统、计算机及可读存储介质

Country Status (1)

Country Link
CN (1) CN116403080B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011089872A1 (ja) * 2010-01-22 2011-07-28 パナソニック株式会社 画像管理装置、画像管理方法、プログラム、記録媒体及び集積回路
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN110580510A (zh) * 2019-09-12 2019-12-17 深圳力维智联技术有限公司 一种聚类结果评价方法和系统
CN111738319A (zh) * 2020-06-11 2020-10-02 佳都新太科技股份有限公司 一种基于大规模样本的聚类结果评价方法及装置
CN112101238A (zh) * 2020-09-17 2020-12-18 浙江商汤科技开发有限公司 聚类方法及装置、电子设备和存储介质
WO2021082426A1 (zh) * 2019-10-29 2021-05-06 平安科技（深圳）有限公司 人脸聚类方法、装置、计算机设备及存储介质
CN113128427A (zh) * 2021-04-24 2021-07-16 新疆爱华盈通信息技术有限公司 人脸识别方法、装置、计算机可读存储介质及终端设备
CN113806637A (zh) * 2021-09-23 2021-12-17 湖北天天数链技术有限公司 用户分类方法及装置、项目推荐方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011089872A1 (ja) * 2010-01-22 2011-07-28 パナソニック株式会社 画像管理装置、画像管理方法、プログラム、記録媒体及び集積回路
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN110580510A (zh) * 2019-09-12 2019-12-17 深圳力维智联技术有限公司 一种聚类结果评价方法和系统
WO2021082426A1 (zh) * 2019-10-29 2021-05-06 平安科技（深圳）有限公司 人脸聚类方法、装置、计算机设备及存储介质
CN111738319A (zh) * 2020-06-11 2020-10-02 佳都新太科技股份有限公司 一种基于大规模样本的聚类结果评价方法及装置
CN112101238A (zh) * 2020-09-17 2020-12-18 浙江商汤科技开发有限公司 聚类方法及装置、电子设备和存储介质
WO2022057302A1 (zh) * 2020-09-17 2022-03-24 浙江商汤科技开发有限公司 聚类方法及装置、电子设备和存储介质
CN113128427A (zh) * 2021-04-24 2021-07-16 新疆爱华盈通信息技术有限公司 人脸识别方法、装置、计算机可读存储介质及终端设备
CN113806637A (zh) * 2021-09-23 2021-12-17 湖北天天数链技术有限公司 用户分类方法及装置、项目推荐方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丁保剑;杨东泉;秦伟;: "基于邻近人脸的人脸聚类算法", 计算机应用研究, no. 1 *
张雅雯;吴阿敏;: "一种基于k-means的人脸识别算法", 科技传播, no. 09 *
邹臣嵩;段桂芹;欧阳明星;刘锋;: "基于改进近邻传播算法的聚类质量评价模型", 西南师范大学学报(自然科学版), no. 06 *

Also Published As

Publication number Publication date
CN116403080B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
US20200334457A1 (en) Image recognition method and apparatus
CN113109783B (zh) 航向角获取方法、装置、设备和存储介质
CN112526470A (zh) 标定雷达参数的方法和装置、电子设备、存储介质
CN110955862B (zh) 一种用于设备模型趋势相似度的评估方法及装置
CN115311531A (zh) 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法
CN111860568A (zh) 数据样本的均衡分布方法、装置及存储介质
CN116403080B (zh) 一种人脸聚类评价方法、系统、计算机及可读存储介质
US10346716B2 (en) Fast joint template machining
CN111368837B (zh) 一种图像质量评价方法、装置、电子设备及存储介质
CN117115009A (zh) 基于单位体素的三维点云数据去噪平滑处理方法和装置
CN111091099A (zh) 一种场景识别模型的构建方法、场景识别方法及设备
CN115643231A (zh) 车载终端设备检测的方法、装置、电子设备及存储介质
CN110766005B (zh) 目标特征提取方法、装置和终端设备
CN113656354A (zh) 日志分类方法、系统、计算机设备和可读存储介质
CN113188235A (zh) 空调系统内传感器多源故障诊断方法、系统及设备
CN112734680A (zh) 一种重影测量方法、装置、可读存储介质和计算机设备
CN111932142A (zh) 方案分组和数据分组方法、装置、设备及存储介质
CN115908296B (zh) 医学图像类激活映射评价方法、装置、计算机设备及存储介质
CN115881304B (zh) 基于智能检测的风险评估方法、装置、设备及介质
CN116026511B (zh) 一种索力自动识别方法、系统、计算机及可读存储介质
CN117392227B (zh) 一种头部姿态零位掉电保持方法及系统
CN113450329B (zh) 一种微循环图像血管分支红细胞流速计算方法及系统
CN116309562B (zh) 一种板卡缺陷识别方法及系统
CN117056319A (zh) 用电数据补全方法、装置及终端设备
CN115568828A (zh) 检测方法、装置、终端设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant