对照片进行聚类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聚类的方法及
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。由于用户相册中的照片数量有限，因此人脸特征会因为
光照、表情等因素产生一定的差异，进而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：
从第一云相册中的至少一个第一人脸子相册中确定照片数量低于预设阈
值的至少一个第二人脸子相册以及所述至少一个第二人脸子相册各自对应的
第一人脸特征，所述第一云相册对应第一用户标识；
确定与所述第一用户标识相关联的第二用户标识在所述云服务器上存储
第二云相册中的至少一个第三人脸子相册以及所述至少一个第三人脸子相册
各自对应的第二人脸特征；
确定所述至少一个第二人脸子相册各自对应的第一人脸特征与所述至少
一个第三人脸子相册各自对应的人脸特征的相似度值，得到多个相似度值；
根据所述多个相似度值从所述至少一个第三人脸子相册中确定与所述至
少一个第二人脸子相册各自对应的人脸特征相同的人脸照片。
在一实施例中，所述方法还可包括：
确定与所述第一用户标识相关联的通信名单；
查找所述通信名单中在所述云服务器上具有云相册的用户标识，将所述
通信名单中具有云相册的用户标识确定为与所述第一用户标识相关联的所述
第二用户标识。
在一实施例中，所述方法还可包括：
通过已训练的卷积神经网络对第一云相册中的全部照片进行特征提取，
得到至少一个第三人脸特征；
将所述至少一个第三人脸特征对应的照片以人脸特征为单位聚类为所述
至少一个第一人脸子相册。
在一实施例中，所述方法还可包括：
通过已训练的卷积神经网络对所述第二云相册中的全部照片进行特征提
取，得到至少一个第四人脸特征；
将所述至少一个第四人脸特征对应的照片以人脸特征为单位聚类为所述
至少一个第三人脸子相册。
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：
确定所述第一云相册中的每一照片中关于人脸的特征点；
根据所述人脸的特征点从所述每一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已训练的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人脸特征，得到
所述至少一个第一人脸子相册各自对应的第一人脸特征。
在一实施例中，所述方法还可包括：
确定所述第二云相册中的每一照片中关于人脸的特征点；
根据所述人脸的特征点从所述每一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已训练的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人脸特征，得到
所述至少一个第三人脸子相册各自对应的第二人脸特征。
根据本公开实施例的第二方面，提供一种对照片进行聚类的装置，包括：
第一确定模块，被配置为从第一云相册中的至少一个第一人脸子相册中
确定照片数量低于预设阈值的至少一个第二人脸子相册以及所述至少一个第
二人脸子相册各自对应的第一人脸特征，所述第一云相册对应第一用户标识；
第二确定模块，被配置为确定与所述第一用户标识相关联的第二用户标
识在所述云服务器上存储第二云相册中的至少一个第三人脸子相册以及所述
至少一个第三人脸子相册各自对应的第二人脸特征；
第三确定模块，被配置为确定所述第一确定模块确定的所述至少一个第
二人脸子相册各自对应的第一人脸特征与所述第二确定模块确定的所述至少
一个第三人脸子相册各自对应的人脸特征的相似度值，得到多个相似度值；
第四确定模块，被配置为根据所述第三确定模块确定的所述多个相似度
值从所述至少一个第三人脸子相册中确定与所述至少一个第二人脸子相册各
自对应的人脸特征相同的人脸照片。
在一实施例中，所述装置还可包括：
第五确定模块，被配置为确定与所述第一用户标识相关联的通信名单；
查找模块，被配置为查找所述第五确定模块确定的所述通信名单中在所
述云服务器上具有云相册的用户标识，将所述通信名单中具有云相册的用户
标识确定为与所述第一用户标识相关联的所述第二用户标识。
在一实施例中，所述装置还可包括：
第一提取模块，被配置为通过已训练的卷积神经网络对第一云相册中的
全部照片进行特征提取，得到至少一个第三人脸特征；
第一聚类模块，被配置为将所述第一提取模块提取到的所述至少一个第
三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第一人脸子相
册。
在一实施例中，所述装置还可包括：
第二提取模块，被配置为通过已训练的卷积神经网络对所述第二云相册
中的全部照片进行特征提取，得到至少一个第四人脸特征；
第二聚类模块，被配置为将所述第二提取模块提取到的所述至少一个第
四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第三人脸子相
册。
在一实施例中，所述装置还可包括：
第一训练模块，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；
第一控制模块，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，控制所述第一训练模块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，所述装置还可包括：
第六确定模块，被配置为确定所述第一云相册中的每一照片中关于人脸
的特征点；
第七确定模块，被配置为根据所述第六确定模块确定的所述人脸的特征
点从所述每一照片上确定所述人脸的区域；
第一变换模块，被配置为将所述第七确定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
的分辨率与所述已训练的卷积神经网络的输入层的维数相同；
第三提取模块，被配置为通过所述第一训练模块训练得到的卷积神经网
络提取所述人脸图像中的人脸特征，得到所述至少一个第一人脸子相册各自
对应的第一人脸特征。
在一实施例中，所述装置还可包括：
第八确定模块，被配置为确定所述第二云相册中的每一照片中关于人脸
的特征点；
第九确定模块，被配置为根据所述第八确定模块确定的所述人脸的特征
点从所述每一照片上确定所述人脸的区域；
第二变换模块，被配置为将所述第九确定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
的分辨率与所述已训练的卷积神经网络的输入层的维数相同；
第四提取模块，被配置为通过所述第一训练模块训练得到的的卷积神经
网络提取所述人脸图像中的人脸特征，得到所述至少一个第三人脸子相册各
自对应的第二人脸特征。
根据本公开实施例的第三方面，提供一种对照片进行聚类的装置，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：
从第一云相册中的至少一个第一人脸子相册中确定照片数量低于预设阈
值的至少一个第二人脸子相册以及所述至少一个第二人脸子相册各自对应的
第一人脸特征，所述第一云相册对应第一用户标识；
确定与所述第一用户标识相关联的第二用户标识在所述云服务器上存储
第二云相册中的至少一个第三人脸子相册以及所述至少一个第三人脸子相册
各自对应的第二人脸特征；
确定所述至少一个第二人脸子相册各自对应的第一人脸特征与所述至少
一个第三人脸子相册各自对应的人脸特征的相似度值，得到多个相似度值；
根据所述多个相似度值从所述至少一个第三人脸子相册中确定与所述至
少一个第二人脸子相册各自对应的人脸特征相同的人脸照片。
本公开的实施例提供的技术方案可以包括以下有益效果：通过从与第一
用户标识相关联的第二用户标识在云服务器上存储的第二云相册中确定与第
一用户标识中的人脸子相册对应的人脸特征相同的人脸照片，从而可以使第
一用户标识的第一云相册中的照片数量低于预设阈值的人脸子相册中的照片
的多样性得到补充，当多样性的照片得到丰富后，可以使照片数量较少的人
脸子相册对应的人脸特征能够更准确地表征该人脸，进而大大提高至少一个
第二人脸子相册中的照片在聚类识别过程中的召回率。
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聚类的方法的流程图。
图1B是根据一示例性实施例示出的第一云相册与第一人脸子相册的示
意图。
图2是根据一示例性实施例一示出的对照片进行聚类的方法的流程图。
图3A是根据一示例性实施例二示出的如何对卷积神经网络进行训练的
示意图。
图3B是根据一示例性实施例二示出的卷积神经网络的结构示意图。
图4是根据一示例性实施例三示出的对照片进行聚类的方法的流程图。
图5是根据一示例性实施例四示出的对照片进行聚类的方法的流程图。
图6是根据一示例性实施例示出的一种对照片进行聚类的装置的框图。
图7是根据一示例性实施例示出的另一种对照片进行聚类的装置的框
图。
图8是根据一示例性实施例示出的再一种对照片进行聚类的装置的框
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聚类的装置的
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聚类的方法的流程图，
图1B是根据一示例性实施例示出的第一云相册与第一人脸子相册的示意图；
该对照片进行聚类的方法可以应用在云服务器上，云服务器对用户上传到服
务器上的云相册通过本公开的方法得到以人脸为单位的人脸子相册，如图1A
所示，该对照片进行聚类的方法包括以下步骤S101-S104：
在步骤S101中，从第一云相册中的至少一个第一人脸子相册中确定照
片数量低于预设阈值的至少一个第二人脸子相册以及至少一个第二人脸子相
册各自对应的第一人脸特征，第一云相册对应第一用户标识。
在步骤S102中，确定与第一用户标识相关联的第二用户标识在云服务
器上存储第二云相册中的至少一个第三人脸子相册以及至少一个第三人脸子
相册各自对应的第二人脸特征。
在步骤S103中，确定至少一个第二人脸子相册各自对应的第一人脸特
征与至少一个第三人脸子相册各自对应的人脸特征的相似度值，得到多个相
似度值。
在步骤S104中，根据多个相似度值从至少一个第三人脸子相册中确定
与至少一个第二人脸子相册各自对应的人脸特征相同的人脸照片。
在一示例性场景中，以第一用户标识为用户A以及第二用户标识为用户
B为例进行示例性说明，当用户A在其存储在电子设备上(智能手机或者平
板电脑灯)的照片同上传至云服务器上后，用户A的照片在云服务器上形成
了图1B所示的第一云相册10，云服务器会对用户A的照片以人脸为单位进
行聚类，得到了图1B所示的8个人脸子相册(即本公开中所述的至少一个
第一人脸子相册)，第一云相册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，由此可以将同一个云相册中的照片以人脸
为单位进行存储。在一实施例中，为了提高人脸子相册的识别聚类召回率，
可以通过rank-order聚类算法对计算好的人脸特征进行聚类处理，得到用户
A对应的至少一个第一人脸子相册以及用户B对应的至少一个第三人脸子相
册。
在8个人脸子相册中，如果用户B和用户C对应的人脸子相册(本公开
中所述的至少一个第二人脸子相册)中的照片数量低于一个预设阈值(该预
设阈值可以通过经验来设定)，此时用户B和用户C对应的人脸子相册对应
的人脸特征由于照片数量较少导致通过相关技术中的聚类算法很难将用户B
和用户C的照片聚集在一起，致使用户B和用户C对应的人脸子相册更为闲
散。例如，用户A的人脸子相册中存储了200张包含有用户A的人脸的照片，
用户B的人脸子相册中存储了20张包含有用户B的人脸的照片，用户C的
人脸子相册中存储了10张包含有用户C的人脸的照片，用户D的人脸子相
册中存储了100张包含有用户D的人脸的照片，如果预设于志伟30，则用户
B和用户C对应的人脸子相册中的照片数量低于20。
为了提高用户B和用户C各自对应的人脸特征的准确度，需要增加用户
B和用户C的用于人脸识别的照片，此时，可以通过用户A上传至云服务器
的通讯录来查找用户B和用户C是否存在云相册，如果经过查找后确定与用
户A相关联的第二用户标识为用户B，则可以在云服务器上确定用户B存储
的第二云相册，云服务器可以对第二云相册可以采用与第一云相册相同的方
法进行人脸聚类，得到至少一个第三人脸子相册(可以包括用户A、用户B、
用户M、用户N等等)以及至少一个第三人脸子相册各自对应的第二人脸特
征。
确定用户B的人脸子相册对应的第一人脸特征与第二云相册中的用户
A、用户B、用户M、用户N各自对应的人脸特征的相似度值(例如，分别
为s1，s2，s3，s4)，从该s1，s2，s3，s4中确定出与第一云相册中的用户
B的人脸特征最相似的人脸特征，例如，s2为四个相似度值中最大的一个，
则可以将s2对应的人脸子相册中的照片确定为与第一云相册中的用户B的
人脸子相册对应的人脸特征相同的人脸照片，此时可以将第二云相册中的用
户B的人脸子相册与第一云相册中的用户B的人脸子相册聚集在一起。第一
云相册中的照片数量低于预设阈值的其它人脸子相册如果提高照片多样性的
方式同上述描述，在此不再赘述。
本实施例中，通过从与第一用户标识相关联的第二用户标识在云服务器
上存储的第二云相册中确定与第一用户标识中的人脸子相册对应的人脸特征
相同的人脸照片，从而可以使第一用户标识的第一云相册中的照片数量低于
预设阈值的人脸子相册中的照片的多样性得到补充，当多样性的照片得到丰
富后，可以使照片数量较少的人脸子相册对应的人脸特征能够更准确地表征
该人脸，进而大大提高至少一个第二人脸子相册中的照片在聚类识别过程中
的召回率。
在一实施例中，方法还可包括：
确定与第一用户标识相关联的通信名单；
查找通信名单中在云服务器上具有云相册的用户标识，将通信名单中具
有云相册的用户标识确定为与第一用户标识相关联的第二用户标识。
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第一云相册中的全部照片进行特征提取，
得到至少一个第三人脸特征；
将至少一个第三人脸特征对应的照片以人脸特征为单位聚类为至少一个
第一人脸子相册。
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第二云相册中的全部照片进行特征提取，
得到至少一个第四人脸特征；
将至少一个第四人脸特征对应的照片以人脸特征为单位聚类为至少一个
第三人脸子相册。
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：
确定第一云相册中的每一照片中关于人脸的特征点；
根据人脸的特征点从每一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已训练的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人脸特征，得到至少一个
第一人脸子相册各自对应的第一人脸特征。
在一实施例中，方法还可包括：
确定第二云相册中的每一照片中关于人脸的特征点；
根据人脸的特征点从每一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已训练的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人脸特征，得到至少一个
第三人脸子相册各自对应的第二人脸特征。
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，可以使第一用户标识的第一云相册
中的照片数量低于预设阈值的人脸子相册中的照片的多样性得到补充，当多
样性的照片得到丰富后，可以使照片数量较少的人脸子相册对应的人脸特征
能够更准确地表征该人脸，进而大大提高至少一个第二人脸子相册中的照片
在聚类识别过程中的召回率。
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2是根据一示例性实施例一示出的对照片进行聚类的方法的流程图；
本实施例利用本公开实施例提供的上述方法，以如何查找通讯名单为例进行
示例性说明，如图2所示，包括如下步骤：
在步骤S201中，从第一云相册中的至少一个第一人脸子相册中确定照
片数量低于预设阈值的至少一个第二人脸子相册以及至少一个第二人脸子相
册各自对应的第一人脸特征，第一云相册对应第一用户标识。
步骤S201的描述可以参见上述图1A实施例的相关描述，在此不再详述。
在步骤S202中，确定与第一用户标识相关联的通信名单。
在一实施例中，通信名单可以为第一用户标识对应的电子设备上的电话
联系方式中的通讯录或者即时聊天工具中的通讯录，可以通过电子设备将上
述通讯录上传至云服务器，并与云服务器上的云相册的用户进行绑定。
在步骤S203中，查找通信名单中在云服务器上具有云相册的用户标识，
将通信名单中具有云相册的用户标识确定为与第一用户标识相关联的第二用
户标识。
例如，通信名单为电话联系方式中的通讯录，为了提高用户B和用户C
各自对应的人脸特征的准确度，需要增加用户B和用户C的用于人脸识别的
照片，此时，可以通过用户A上传至云服务器的通讯录来查找用户B和用户
C是否存在云相册，如果经过查找后确定与用户A相关联的第二用户标识为
用户B，则用户B被确定为与用户A相关联的第二用户标识。
在步骤S204中，确定与第一用户标识相关联的第二用户标识在云服务
器上存储第二云相册中的至少一个第三人脸子相册以及至少一个第三人脸子
相册各自对应的第二人脸特征。
在步骤S205中，确定至少一个第二人脸子相册各自对应的第一人脸特
征与至少一个第三人脸子相册各自对应的人脸特征的相似度值，得到多个相
似度值。
在步骤S206中，根据多个相似度值从至少一个第三人脸子相册中确定
与至少一个第二人脸子相册各自对应的人脸特征相同的人脸照片。
步骤S204至步骤S206的描述可以参见上述图1A实施例的相关描述，
在此不再详述。
本实施例在具有上述实施例的有益技术效果的基础上，通过在与第一用
户标识相关联的通信名单中查找具有云相册的用户标识，并将该用户标识与
第一用标识相关联，从而可以丰富第一云相册中的照片数量低于预设阈值的
人脸子相册中的人脸特征，在人脸特征的多样性得达到一定程度时，再次对
照片进行聚类识别时可以大大提高照片的召回率。
图3A是根据一示例性实施例二示出的如何对卷积神经网络进行训练的
示意图,图3B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3A所示，包括如下步骤：
在步骤S301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S302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S302，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S301。
在步骤S303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3B的示意，如图3B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4是根据一示例性实施例三示出的对照片进行聚类的方法的流程图；
本实施例利用本公开实施例提供的上述方法，以如何在第一用户标识的第一
云相册中聚类得到至少一个第一人脸子相册为例并结合图1B进行示例性说
明，如图4所示，包括如下步骤：
在步骤S401中，通过已训练的卷积神经网络对第一云相册中的全部照
片进行特征提取，得到至少一个第三人脸特征。
在步骤S402中，将至少一个第三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3B所示的已训练的卷积神经网络提取第一
云相册10中的全部照片的第三人脸特征，并对全部照片按照人脸特征进行划
分，例如，按照第三人脸特征将用户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对应的人脸子相册中，等等，
从而在第一云相册10中有用多个人脸子相册。
类似的，云服务器还可以通过图3B所示的已训练的卷积神经网络提取
第二云相册中的全部照片的第四人脸特征，并对全部照片按照第四人脸特征
进行划分，例如，按照第四人脸特征将用户A的照片存储到用户A对应的的
人脸子相册中，将用户B的照片存储到用户B对应的人脸子相册中，将用户
M的照片存储到用户M对应的人脸子相册中,将用户N的照片存储到用户N
对应的人脸子相册中，等等。
本实施例在具有上述实施例有益技术效果的基础上，通过将云相册中的
照片以人脸为单位进行存储，方便用户整理其云相册中的所有照片，提高用
户使用云相册的体验。
图5是根据一示例性实施例四示出的对照片进行聚类的方法的流程图；
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一人脸
子相册各自对应的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，确定第一云相册中的每一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每一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第一云相册中
的每一照片中关于人脸的特征点，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已训练的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进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3B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人脸特
征，得到至少一个第一人脸子相册各自对应的第一人脸特征。
对于如何得到第二云相册中的至少一个第三人脸子相册各自对应的第二
人脸特征的描述可以参见本实施例的相关描述，在此不再详述。
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聚类的装置的框图，
如图6所示，对照片进行聚类的装置包括：
第一确定模块61，被配置为从第一云相册中的至少一个第一人脸子相册
中确定照片数量低于预设阈值的至少一个第二人脸子相册以及至少一个第二
人脸子相册各自对应的第一人脸特征，第一云相册对应第一用户标识；
第二确定模块62，被配置为确定与第一用户标识相关联的第二用户标识
在云服务器上存储第二云相册中的至少一个第三人脸子相册以及至少一个第
三人脸子相册各自对应的第二人脸特征；
第三确定模块63，被配置为确定第一确定模块61确定的至少一个第二
人脸子相册各自对应的第一人脸特征与第二确定模块62确定的至少一个第
三人脸子相册各自对应的人脸特征的相似度值，得到多个相似度值；
第四确定模块64，被配置为根据第三确定模块63确定的多个相似度值
从至少一个第三人脸子相册中确定与至少一个第二人脸子相册各自对应的人
脸特征相同的人脸照片。
图7是根据一示例性实施例示出的另一种对照片进行聚类的装置的框
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：
第五确定模块65，被配置为确定与第一用户标识相关联的通信名单；
查找模块66，被配置为查找第五确定模块65确定的通信名单中在云服
务器上具有云相册的用户标识，将通信名单中具有云相册的用户标识确定为
与第一用户标识相关联的第二用户标识，第二确定模块62确定查找模块66
查找到的与第一用户标识相关联的第二用户标识在云服务器上存储第二云相
册中的至少一个第三人脸子相册以及至少一个第三人脸子相册各自对应的第
二人脸特征。
在一实施例中，装置还可包括：
第一提取模块67，被配置为通过已训练的卷积神经网络对第一云相册中
的全部照片进行特征提取，得到至少一个第三人脸特征；
第一聚类模块68，被配置为将第一提取模块67提取到的至少一个第三
人脸特征对应的照片以人脸特征为单位聚类为至少一个第一人脸子相册。
在一实施例中，装置还可包括：
第二提取模块69，被配置为通过已训练的卷积神经网络对第二云相册中
的全部照片进行特征提取，得到至少一个第四人脸特征；
第二聚类模块70，被配置为将第二提取模块69提取到的至少一个第四
人脸特征对应的照片以人脸特征为单位聚类为至少一个第三人脸子相册。
在一实施例中，装置还可包括：
第一训练模块71，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；
第一控制模块72，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，控制第一训练模块71停止训练卷积神经网络，得到已训练
的卷积神经网络，以供第一提取模块67和第二提取模块69通过已训练的卷
积神经网络对各自的云相册中的全部照片进行特征提取。
图8是根据一示例性实施例示出的再一种对照片进行聚类的装置的框
图，如图8所示，在上述图6或图7所示实施例的基础上，在一实施例中，
装置还可包括：
第六确定模块73，被配置为确定第一云相册中的每一照片中关于人脸的
特征点；
第七确定模块74，被配置为根据第六确定模块73确定的人脸的特征点
从每一照片上确定人脸的区域；
第一变换模块75，被配置为将第七确定模块74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
率与已训练的卷积神经网络的输入层的维数相同；
第三提取模块76，被配置为通过第一训练模块71训练得到的卷积神经
网络提取人脸图像中的人脸特征，得到至少一个第一人脸子相册各自对应的
第一人脸特征，第一确定模块61从第一云相册中的至少一个第一人脸子相册
中确定照片数量低于预设阈值的至少一个第二人脸子相册以及至少一个第二
人脸子相册各自对应的第一人脸特征。
在一实施例中，装置还可包括：
第八确定模块77，被配置为确定第二云相册中的每一照片中关于人脸的
特征点；
第九确定模块78，被配置为根据第八确定模块77确定的人脸的特征点
从每一照片上确定人脸的区域；
第二变换模块79，被配置为将第九确定模块78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
率与已训练的卷积神经网络的输入层的维数相同；
第四提取模块80，被配置为通过第一训练模块71训练得到的卷积神经
网络提取人脸图像中的人脸特征，得到至少一个第三人脸子相册各自对应的
第二人脸特征，第二确定模块62确定与第一用户标识相关联的第二用户标识
在云服务器上存储第二云相册中的至少一个第三人脸子相册以及至少一个第
三人脸子相册各自对应的第二人脸特征。
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对照片进行聚类的装置的框图。
例如，装置900可以被提供为一服务器。参照图9，装置900包括处理组件
922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资
源，用于存储可由处理部件922的执行的指令，例如应用程序。存储器932
中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模
块。此外，处理组件922被配置为执行指令，以执行上述对照片进行聚类的
方法。
装置900还可以包括一个电源组件926被配置为执行装置900的电源管
理，一个有线或无线网络接口950被配置为将装置900连接到网络，和一个
输入输出(I/O)接口958。装置900可以操作基于存储在存储器932的操作
系统，例如WindowsServerTM，MacOSXTM，UnixTM，LinuxTM，
FreeBSDTM或类似。
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932，上述指令可由装置900的处理组件922
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。