人物图像聚类方法、装置、计算机设备及存储介质与流程

1.本发明实施例涉及人物图像处理领域，尤其涉及一种人物图像聚类方法、装置、计算机设备及存储介质。


背景技术：

2.目前的人物图像聚类的算法是基于人脸或人体特征比对的策略实现，将设备端上传的人脸或人体特征集合与数据库基础特征集合做对比，通过对比相似度及相应预设的相似度阈值，关联目标特征与基础特征集合关系，完成人物图像聚类任务。
3.然而，不同光照、角度、遮挡等采集条件下的人物图像特征区分度可能不同，因此，不同采集条件下的人物图像可能产生多域问题，即同一人物身份下的不同人物图像会被聚类在不同的集合内。如何实现不同采集条件下的同一人物身份的不同人物图像精准聚类成为亟待解决的问题。


技术实现要素：

4.鉴于此，为解决上述技术问题或部分技术问题，本发明实施例提供一种人物图像聚类方法、装置、计算机设备及存储介质。
5.第一方面，本发明实施例提供一种人物图像聚类方法，包括：
6.获取人物图像集合中每张人物图像对应的人脸特征信息；
7.基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；
8.将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；
9.对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合；
10.对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合。
11.第二方面，本发明实施例提供一种人物图像聚类装置，包括：
12.获取模块，用于获取人物图像集合中每张人物图像对应的人脸特征信息；
13.确定模块，用于基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；
14.聚类模块，用于将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；
15.所述聚类模块，还用于对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合；
16.所述聚类模块，还用于对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合。
17.第三方面，本发明实施例提供一种计算机设备，包括：处理器和存储器，所述处理
器用于执行所述存储器中存储的人物图像聚类程序，以实现上述第一方面中所述的人物图像聚类方法。
18.第四方面，本发明实施例提供一种存储介质，包括：所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面中所述的人物图像聚类方法。
19.本发明实施例提供的人物图像聚类方案，通过获取人物图像集合中每张人物图像对应的人脸特征信息；基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合；对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合，相比于现有技术中没有考虑光照、角度、遮挡等采集条件下的人物图像特征对图像进行聚类，可能造成同一人物身份下的不同人物图像会被聚类在不同的集合内的问题，由本方案，通过多次聚类以及对不同的聚类集合进行相似度比对，能够避免同一人物身份下的不同人物图像被聚类在不同的集合内的问题，实现人物图像的精准聚类。
附图说明
20.图1为本发明实施例提供的一种人物图像聚类方法的流程示意图；
21.图2为本发明实施例提供的另一种人物图像聚类方法的流程示意图；
22.图3为本发明实施例提供的一种获取第二人物图像集合之间的集合相似度方法的流程示意图；
23.图4为本发明实施例提供的另一种获取第二人物图像集合之间的集合相似度方法的流程示意图；
24.图5为本发明实施例提供的一种人物图像聚类装置的结构示意图；
25.图6为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
28.图1为本发明实施例提供的一种人物图像聚类方法的流程示意图，如图1所示，该方法具体包括：
29.s11、获取人物图像集合中每张人物图像对应的人脸特征信息。
30.本发明可以应用于人物图像聚类场景，可以用于识别不同背景下的人物并进行同一人物身份下的图像聚类，本发明实施例中，首先给定一个人物图像集合，包含有多张人物图像，进而可以采用人脸检测器以及人脸深度特征识别模型完成每张人物图像对应的人脸
特征信息的识别。
31.具体的，人脸检测器可以是人脸识别模型，将待检测的人物图像输入该人脸识别模型中，人脸识别模型对接收到的人物图像进行识别，并圈出人物图像中的人脸位置，可以采用人脸框对识别出人脸区域进行标识。
32.进一步的，通过人脸深度特征识别模型对每张人物图像中的人脸框内的人脸进行人脸特征信息的识别，该人脸深度特征识别模型中存储有标准人脸特征信息，将识别到的人物图像对应的人脸特征信息与标准人脸特征信息进行对比，得到人物图像集合中每张人物图像对应的人脸特征信息，该人脸特征信息可以表示为特征向量。
33.s12、基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度。
34.基于上述获取到的人物图像集合中每张人物图像对应的人脸特征信息，可以对比人物图像集合中每张人物图像与其他人物图像的人脸特征相似度，该人脸特征相似度可以是余弦相似度。
35.s13、将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合。
36.本发明实施例中，预先设定一个第一阈值，即人脸特征相似度阈值，将人脸特征相似度大于该第一阈值的人物图像进行聚类，得到多个第一人物图像集合。
37.例如，人物图像集合中包含有5张人物图像，其中图像a与图像b的人脸特征相似度为9，图像c与图像d的人脸特征相似度为9，图像a与图像e的人脸特征相似度为1，图像c与图像e的人脸特征相似度为2；设定第一阈值为8，则可以将图像a与图像b聚类到同一集合，将图像c与图像d聚类到同一集合，图像e单独成为一集合。
38.s14、对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合。
39.本发明实施例中，对上述得到的多个第一人物图像集合进行二次优化分类，优化标准可以是细化多个特征类别，将每个第一人物图像集合中符合特征类别的图像进行再次聚类，每个第一人物图像集合可以得到多个第二人物图像集合。其中，可以将不同角度的图像、不同光照下的图像等的特征设定为特征类别，至于如何进行优化分类，在下面实施例进行具体说明，在此先不详述。
40.s15、对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合。
41.本发明实施例中，还可以预先设定一个第二阈值，即集合相似度阈值，在得到多个第二人物图像集合后，可以对比多个第二人物图像集合之间的集合相似度，将将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合，该第三人物图像集合作为最终聚类结果，包含有同一人物身份下的全部图像。至于如何对比集合相似度，在下面实施例进行具体说明，在此先不详述。
42.本发明实施例提供的人物图像聚类方法，通过获取人物图像集合中每张人物图像对应的人脸特征信息；基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像
集合；对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合，相比于现有技术中没有考虑光照、角度、遮挡等采集条件下的人物图像特征对图像进行聚类，可能造成同一人物身份下的不同人物图像会被聚类在不同的集合内的问题，由本方法，通过多次聚类以及对不同的聚类集合进行相似度比对，能够避免同一人物身份下的不同人物图像被聚类在不同的集合内的问题，实现人物图像的精准聚类。
43.图2为本发明实施例提供的另一种人物图像聚类方法的流程示意图，如图2所示，该方法具体包括：
44.s21、识别所述人物图像集合中每张人物图像对应的人脸图片。
45.本发明实施例中，首先给定一个人物图像集合，包含有多张人物图像，进而可以采用人脸检测器以及人脸深度特征识别模型完成每张人物图像对应的人脸特征信息的识别。
46.具体的，人脸检测器识别并圈出人物图像中的人脸位置，可以采用人脸识别框进行标识，得到每张人物图像对应的人脸图片。
47.s22、从所述人脸图片中提取人脸特征信息，得到所述人物图像集合中每张人物图像对应的人脸特征信息。
48.通过人脸深度特征识别模型对每张人物图像对应的人脸图片进行人脸特征信息的识别，得到人物图像集合中每张人物图像对应的人脸特征信息。
49.s23、基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度。
50.基于上述获取到的人物图像集合中每张人物图像对应的人脸特征信息，可以对比人物图像集合中每张人物图像与其他人物图像的人脸特征相似度，该人脸特征相似度可以是余弦相似度。
51.例如，人物图像集合中包含有4张人物图像，其中图像a与图像b的人脸特征相似度为9，图像a与图像c的人脸特征相似度为2，图像a与图像d的人脸特征相似度为4，图像b与图像c的人脸特征相似度为3，图像b与图像d的人脸特征相似度为3，图像c与图像d的人脸特征相似度为8。
52.s24、基于每张人物图像与其他人物图像的人脸特征相似度，构建相似度网络结构图。
53.基于上述得到的每张人物图像与其他人物图像的人脸特征相似度，构建一个相似度网络结构图，其中，相似度网络结构图中的每个节点为一张人脸图片，每两个节点之间的连接线为人脸特征相似度。
54.s25、将所述相似度网络结构图中每两个节点之间的连接线对应的人脸特征相似度大于第一阈值的连接线保留，删除其余连接线，得到多组存在连接关系的人物图像。
55.s26、将每组存在连接关系的人物图像进行聚类，得到多个第一人物图像集合。
56.以下对s25～s26进行统一描述：
57.本发明实施例中，可以设置一个第一阈值，即人脸特征相似度阈值，将相似度网络结构图中每两个节点之间的连接线对应的人脸特征相似度大于第一阈值的连接线保留，删除人脸特征相似度小于或等于第一阈值的连接线，得到多组存在连接关系的人物图像。
58.进一步的，将相似度网络结构图中显示的每组存在连接关系的人物图像作为一个
聚类集合，得到多个第一人物图像集合。
59.s27、基于所述第一人物图像集合中每张人物图像对应的人脸特征信息，确定多个特征类别。
60.s28、基于所述特征类别对所述第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合。
61.以下对s27～s28进行统一描述：
62.本发明实施例中，对上述得到的多个第一人物图像集合进行二次优化分类，优化标准可以是细化多个特征类别，将每个第一人物图像集合中符合特征类别的图像进行再次聚类，每个第一人物图像集合可以得到多个第二人物图像集合。其中，可以将不同角度的图像、不同光照下的图像等的特征设定为特征类别。
63.s29、对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合。
64.本发明实施例中，还可以预先设定一个第二阈值，即集合相似度阈值，在得到多个第二人物图像集合后，可以对比多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合，该第三人物图像集合作为最终聚类结果，包含有同一人物身份下的全部图像。
65.具体的，集合相似度可以包括：平均特征相似度、最大特征相似度、最小特征相似度、中心特征相似度中的任一一种。以平均特征相似度为例，平均特征相似度为两个第二人物图像集合之间任意两张人物图像的人脸特征相似度平均值。
66.例如，集合1中包含有3张人物图像a、b、c；集合2中包含有3张人物图像a、b、c；a与a的相似度为4，a与b的相似度为8，a与c的相似度为6，b与a的相似度为5，b与b的相似度为4，b与c的相似度为9，c与a的相似度为8，c与b的相似度为2，c与c的相似度为7，得到集合1与集合2的平均特征相似度为(4 8 6 5 4 9 8 2 7)
÷
9＝5.89，平均特征相似度阈值(第二阈值)设定为5，则可以确定集合1与集合2的平均特征相似度大于平均特征相似度阈值，表征集合1和集合2都为同一人物身份下的图像集合，将集合1和集合2进行聚类。
67.本发明实施例提供的人物图像聚类方法，通过获取人物图像集合中每张人物图像对应的人脸特征信息；基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合；对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合，由本方法，通过多次聚类以及对不同的聚类集合进行相似度比对，能够避免同一人物身份下的不同人物图像被聚类在不同的集合内的问题，实现人物图像的精准聚类。
68.图3为本发明实施例提供的一种获取第二人物图像集合之间的集合相似度方法的流程示意图，如图3所示，该方法具体包括：
69.s31、获取任意两个所述第二人物图像集合中任意两张人物图像对应的人脸特征相似度。
70.s32、基于所述人脸特征相似度确定所述多个第二人物图像集合之间的集合相似度，所述集合相似度为平均特征相似度、最大特征相似度、最小特征相似度中的任意一种。
71.以下对s31～s32进行统一描述：
72.本发明实施例中，获取任意两个第二人物图像集合中任意两张人物图像对应的人脸特征相似度，根据人脸特征相似度计算集合相似度，集合相似度可以包括：平均特征相似度、最大特征相似度、最小特征相似度、中心特征相似度中的任一一种。以最大特征相似度为例，最大特征相似度为两个第二人物图像集合之间任意两张人物图像的人脸特征相似度最大值。
73.具体的，例如，集合1中包含有3张人物图像a、b、c；集合2中包含有3张人物图像a、b、c；a与a的相似度为4，a与b的相似度为8，a与c的相似度为6，b与a的相似度为5，b与b的相似度为4，b与c的相似度为9，c与a的相似度为8，c与b的相似度为2，c与c的相似度为7，得到集合1与集合2的最大特征相似度为9，最大特征相似度阈值(第二阈值)设定为8，则可以确定集合1与集合2的平均特征相似度大于最大特征相似度阈值，表征集合1和集合2都为同一人物身份下的图像集合，将集合1和集合2进行聚类。
74.相应的，最小特征相似度为两个第二人物图像集合之间任意两张人物图像的人脸特征相似度最小值，若最小特征相似度小于或等于最小特征相似度阈值，则可以确定两个集合不是同一人物身份下的图像集合，若最小特征相似度大于最小特征相似度阈值，则可以确定两个集合为同一人物身份下的图像集合，将两个集合进行聚类。
75.本发明实施例提供的获取第二人物图像集合之间的集合相似度方法，可以将第二人物图像集合进行二次聚类，能够避免同一人物身份下的不同人物图像被聚类在不同的集合内的问题，实现人物图像的精准聚类。
76.图4为本发明实施例提供的另一种获取第二人物图像集合之间的集合相似度方法的流程示意图，如图4所示，该方法具体包括：
77.s41、获取每个第二人物图像集合对应的中心人物图像。
78.本发明实施例中，通过中介中心性(betweenness centrality)衡量每个第二人物图像集合的中心节点，可以通过识别相似度网络结构图中任意两个节点的最短路径，在所有最短路径中出现频次最多的节点即为核心节点，该核心节点对应的人物图像即为第二人物图像集合对应的中心人物图像。
79.s42、基于所述中心人物图像对应的人脸特征信息，确定所述多个第二人物图像集合之间的中心特征相似度。
80.s43、将所述中心特征相似度确定所述多个第二人物图像集合之间的集合相似度。
81.以下对s42～s43进行统一描述：
82.基于中心人物图像对应的人脸特征信息，可以对比多个第二人物图像集合之间的中心特征相似度。
83.例如，集合1与集合2的中心特征相似度为8，集合1与集合3的中心特征相似度为2，集合1与集合4的中心特征相似度为4，集合2与集合3的中心特征相似度为4，集合2与集合4的中心特征相似度为1，集合3与集合4的中心特征相似度为9，中心特征相似度阈值设定为5，则可以确定集合1与集合2的中心特征相似度大于中心特征相似度阈值，表征集合1和集合2都为同一人物身份下的图像集合，将集合1和集合2进行聚类，集合3与集合4的中心特征相似度大于中心特征相似度阈值，表征集合3与集合4都为同一人物身份下的图像集合，将集合3与集合4进行聚类。
84.本发明实施例提供的获取第二人物图像集合之间的集合相似度方法，可以将第二人物图像集合进行二次聚类，能够避免同一人物身份下的不同人物图像被聚类在不同的集合内的问题，实现人物图像的精准聚类。
85.图5为本发明实施例提供的一种人物图像聚类装置的结构示意图，具体包括：
86.获取模块501，用于获取人物图像集合中每张人物图像对应的人脸特征信息；
87.确定模块502，用于基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；
88.聚类模块503，用于将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；
89.所述聚类模块503，还用于对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合；
90.所述聚类模块503，还用于对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合。
91.在一个可能的实施方式中，所述获取模块501，具体用于识别所述人物图像集合中每张人物图像对应的人脸图片；从所述人脸图片中提取人脸特征信息，得到所述人物图像集合中每张人物图像对应的人脸特征信息。
92.在一个可能的实施方式中，所述聚类模块503，具体用于基于每张人物图像与其他人物图像的人脸特征相似度，构建相似度网络结构图，其中，所述相似度网络结构图中的每个节点为一张人脸图片，每两个节点之间的连接线为所述人脸特征相似度；将所述相似度网络结构图中每两个节点之间的连接线对应的人脸特征相似度大于第一阈值的连接线保留，删除其余连接线，得到多组存在连接关系的人物图像；将每组存在连接关系的人物图像进行聚类，得到多个第一人物图像集合。
93.在一个可能的实施方式中，所述聚类模块503，还用于基于所述第一人物图像集合中每张人物图像对应的人脸特征信息，确定多个特征类别；基于所述特征类别对所述第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合。
94.在一个可能的实施方式中，所述聚类模块503，还用于获取任意两个所述第二人物图像集合中任意两张人物图像对应的人脸特征相似度；基于所述人脸特征相似度确定所述多个第二人物图像集合之间的集合相似度，所述集合相似度为平均特征相似度、最大特征相似度、最小特征相似度中的任意一种。
95.在一个可能的实施方式中，所述聚类模块503，还用于获取每个第二人物图像集合对应的中心人物图像；基于所述中心人物图像对应的人脸特征信息，确定所述多个第二人物图像集合之间的中心特征相似度；将所述中心特征相似度确定所述多个第二人物图像集合之间的集合相似度。
96.本实施例提供的人物图像聚类装置可以是如图5中所示的人物图像聚类装置，可执行如图1-4中人物图像聚类方法的所有步骤，进而实现图1-4所示人物图像聚类方法的技术效果，具体请参照图1-4相关描述，为简洁描述，在此不作赘述。
97.图6为本发明实施例提供的一种计算机设备的结构示意图，图6所示的计算机设备600包括：至少一个处理器601、存储器602、至少一个网络接口604和其他用户接口603。计算机设备600中的各个组件通过总线系统605耦合在一起。可理解，总线系统605用于实现这些
组件之间的连接通信。总线系统605除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统605。
98.其中，用户接口603可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
99.可以理解，本发明实施例中的存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
100.在一些实施方式中，存储器602存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统6021和应用程序6022。
101.其中，操作系统6021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序6022，包含各种应用程序，例如媒体播放器(media player)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序6022中。
102.在本发明实施例中，通过调用存储器602存储的程序或指令，具体的，可以是应用程序6022中存储的程序或指令，处理器601用于执行各方法实施例所提供的方法步骤，例如包括：
103.获取人物图像集合中每张人物图像对应的人脸特征信息；基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合；对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合。
104.在一个可能的实施方式中，识别所述人物图像集合中每张人物图像对应的人脸图片；从所述人脸图片中提取人脸特征信息，得到所述人物图像集合中每张人物图像对应的人脸特征信息。
105.在一个可能的实施方式中，基于每张人物图像与其他人物图像的人脸特征相似度，构建相似度网络结构图，其中，所述相似度网络结构图中的每个节点为一张人脸图片，每两个节点之间的连接线为所述人脸特征相似度；将所述相似度网络结构图中每两个节点之间的连接线对应的人脸特征相似度大于第一阈值的连接线保留，删除其余连接线，得到多组存在连接关系的人物图像；将每组存在连接关系的人物图像进行聚类，得到多个第一
人物图像集合。
106.在一个可能的实施方式中，基于所述第一人物图像集合中每张人物图像对应的人脸特征信息，确定多个特征类别；基于所述特征类别对所述第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合。
107.在一个可能的实施方式中，所述多个第二人物图像集合之间的集合相似度通过如下方式得到：获取任意两个所述第二人物图像集合中任意两张人物图像对应的人脸特征相似度；基于所述人脸特征相似度确定所述多个第二人物图像集合之间的集合相似度，所述集合相似度为平均特征相似度、最大特征相似度、最小特征相似度中的任意一种。
108.在一个可能的实施方式中，所述多个第二人物图像集合之间的集合相似度通过如下方式得到：获取每个第二人物图像集合对应的中心人物图像；基于所述中心人物图像对应的人脸特征信息，确定所述多个第二人物图像集合之间的中心特征相似度；将所述中心特征相似度确定所述多个第二人物图像集合之间的集合相似度。
109.上述本发明实施例揭示的方法可以应用于处理器601中，或者由处理器601实现。处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
110.可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
111.对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
112.本实施例提供的计算机设备可以是如图6中所示的计算机设备，可执行如图1-4中人物图像聚类方法的所有步骤，进而实现图1-4所示人物图像聚类方法的技术效果，具体请参照图1-4相关描述，为简洁描述，在此不作赘述。
113.本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
114.当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在计算机设备侧执行的人物图像聚类方法。
115.所述处理器用于执行存储器中存储的人物图像聚类程序，以实现以下在计算机设备侧执行的人物图像聚类方法的步骤：
116.获取人物图像集合中每张人物图像对应的人脸特征信息；基于所述人脸特征信息确定每张人物图像与其他人物图像的人脸特征相似度；将所述人脸特征相似度大于第一阈值的人物图像进行聚类，得到多个第一人物图像集合；对每个第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合；对比所述多个第二人物图像集合之间的集合相似度，将集合相似度大于第二阈值的第二人物图像集合进行聚类，得到第三人物图像集合。
117.在一个可能的实施方式中，识别所述人物图像集合中每张人物图像对应的人脸图片；从所述人脸图片中提取人脸特征信息，得到所述人物图像集合中每张人物图像对应的人脸特征信息。
118.在一个可能的实施方式中，基于每张人物图像与其他人物图像的人脸特征相似度，构建相似度网络结构图，其中，所述相似度网络结构图中的每个节点为一张人脸图片，每两个节点之间的连接线为所述人脸特征相似度；将所述相似度网络结构图中每两个节点之间的连接线对应的人脸特征相似度大于第一阈值的连接线保留，删除其余连接线，得到多组存在连接关系的人物图像；将每组存在连接关系的人物图像进行聚类，得到多个第一人物图像集合。
119.在一个可能的实施方式中，基于所述第一人物图像集合中每张人物图像对应的人脸特征信息，确定多个特征类别；基于所述特征类别对所述第一人物图像集合中的人物图像进行优化分类，得到多个第二人物图像集合。
120.在一个可能的实施方式中，所述多个第二人物图像集合之间的集合相似度通过如下方式得到：获取任意两个所述第二人物图像集合中任意两张人物图像对应的人脸特征相似度；基于所述人脸特征相似度确定所述多个第二人物图像集合之间的集合相似度，所述集合相似度为平均特征相似度、最大特征相似度、最小特征相似度中的任意一种。
121.在一个可能的实施方式中，所述多个第二人物图像集合之间的集合相似度通过如下方式得到：获取每个第二人物图像集合对应的中心人物图像；基于所述中心人物图像对应的人脸特征信息，确定所述多个第二人物图像集合之间的中心特征相似度；将所述中心特征相似度确定所述多个第二人物图像集合之间的集合相似度。
122.专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
123.结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域
内所公知的任意其它形式的存储介质中。
124.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。