本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種圖像分類方法、裝置和計(jì)算設(shè)備。

背景技術(shù)：

數(shù)碼設(shè)備的快速發(fā)展極大地改變了人們的生活。拍照變得越來越方便，相應(yīng)地，存儲(chǔ)的照片也越來越多，如何高效地對(duì)照片進(jìn)行管理成為一個(gè)現(xiàn)實(shí)問題。例如，當(dāng)存儲(chǔ)的照片很多時(shí)，用戶需要按照照片中出現(xiàn)的人臉對(duì)照片進(jìn)行分類，即將出現(xiàn)同一個(gè)人的照片歸為同一類，以便于管理。

照片的歸類可以通過聚類算法來實(shí)現(xiàn)。然而，經(jīng)典的無監(jiān)督聚類算法(例如kmeans)往往需要人為指定聚類的類簇?cái)?shù)量和類簇中心的初值，這在基于人臉的照片自動(dòng)分類的應(yīng)用情景中并不適用。而其他不需要指定類簇?cái)?shù)量的聚類算法，例如DBSCAN算法，雖然能夠?qū)崿F(xiàn)自動(dòng)分類，但是其是一種基于密度的聚類算法，需要預(yù)先將鄰域半徑設(shè)定為一個(gè)固定的值。聚類結(jié)果對(duì)鄰域半徑的值很敏感，當(dāng)數(shù)據(jù)點(diǎn)的密度分布不均勻時(shí)(如圖1所示)，會(huì)大大降低算法的聚類效果。此外，對(duì)應(yīng)于人臉特征的聚類，不同人的人臉特征有很大差異，使用固定的鄰域半徑往往容易造成兩種情況：過大的鄰域半徑容易將不同的人歸為一類，過小的鄰域半徑容易造成本應(yīng)被分為同一類的照片被判定為離群或者分為多個(gè)類。此外，DBSCAN算法“先聚先得”的邊界點(diǎn)劃分規(guī)則也使得邊界點(diǎn)的劃分情況不明確，容易出現(xiàn)錯(cuò)誤劃分。

直接使用DBSCAN算法得到的照片分類結(jié)果往往不理想。而現(xiàn)有的對(duì)DBSCAN算法的改進(jìn)中大多需要人為干預(yù)，例如，通過多次嘗試，將鄰域半徑設(shè)置為一個(gè)最優(yōu)值來解決聚類結(jié)果對(duì)鄰域半徑敏感的問題，或人為劃定邊界數(shù)據(jù)所屬的類別。這些方法加大了用戶的使用負(fù)擔(dān)，降低了用戶體驗(yàn)。

技術(shù)實(shí)現(xiàn)要素：

為此，本發(fā)明提供一種圖像分類方法、裝置和計(jì)算設(shè)備，以力圖解決或至少緩解上面存在的問題。

根據(jù)本發(fā)明的一個(gè)方面，提供一種圖像分類方法，在計(jì)算設(shè)備中執(zhí)行，適于根據(jù)圖像中的人臉對(duì)圖像進(jìn)行分類，該方法包括：獲取待分類的多個(gè)圖像；識(shí)別每個(gè)圖像中的人臉，每個(gè)人臉對(duì)應(yīng)一個(gè)人臉特征向量；采用基于第一鄰域半徑的DBSCAN算法對(duì)人臉特征向量進(jìn)行聚類，得到第一聚類結(jié)果；根據(jù)第二鄰域半徑對(duì)第一聚類結(jié)果中的類簇進(jìn)行合并，得到第二聚類結(jié)果，其中，第二鄰域半徑大于第一鄰域半徑；若第二聚類結(jié)果中包括離群點(diǎn)，則根據(jù)第三鄰域半徑對(duì)離群點(diǎn)進(jìn)行歸類，得到第三聚類結(jié)果，其中，第三鄰域半徑大于第一鄰域半徑；根據(jù)第三聚類結(jié)果對(duì)待分類的多個(gè)圖像進(jìn)行分類。

可選地，在根據(jù)本發(fā)明的圖像分類方法中，識(shí)別每個(gè)圖像中的人臉的步驟包括：檢測每個(gè)圖像的人臉區(qū)域，采用卷積神經(jīng)網(wǎng)絡(luò)模型提取所述人臉區(qū)域的人臉特征向量。

可選地，在根據(jù)本發(fā)明的圖像分類方法中，卷積神經(jīng)網(wǎng)絡(luò)模型的卷積核為16*16，人臉特征向量的維數(shù)為256。

可選地，在根據(jù)本發(fā)明的圖像分類方法中，在采用基于第一鄰域半徑的DBSCAN算法對(duì)人臉特征向量進(jìn)行聚類時(shí)，兩個(gè)人臉特征向量的距離按照以下公式計(jì)算：

其中，d為人臉特征向量a、b的距離，‖‖表示求2-范數(shù)。

可選地，在根據(jù)本發(fā)明的圖像分類方法中，根據(jù)第二鄰域半徑對(duì)第一聚類結(jié)果中的類簇進(jìn)行合并的步驟包括：從第一類簇中取出第一數(shù)量的人臉特征向量，構(gòu)成第一向量集；從第二類簇中取出第二數(shù)量的人臉特征向量，構(gòu)成第二向量集；其中，所述第一類簇和第二類簇為第一聚類結(jié)果中的任意兩個(gè)類簇；分別計(jì)算第一向量集的每一個(gè)向量到第二向量集的每一個(gè)向量的距離；若距離小于第二鄰域半徑的向量對(duì)的數(shù)目與向量對(duì)總數(shù)的比值大于閾值，則合并第一類簇和第二類簇。

可選地，在根據(jù)本發(fā)明的圖像分類方法中，根據(jù)第三鄰域半徑對(duì)離群點(diǎn)進(jìn)行歸類的步驟包括：計(jì)算離群點(diǎn)與目標(biāo)類簇中的每一個(gè)人臉特征向量的距離，其中，所述目標(biāo)類簇為第二聚類結(jié)果中的任意一個(gè)類簇；若離群點(diǎn)僅與一個(gè)目標(biāo)類簇中的每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于該目標(biāo)類簇；若離群點(diǎn)與多個(gè)目標(biāo)類簇中的每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于平均距離最小的目標(biāo)類簇。

可選地，在根據(jù)本發(fā)明的圖像分類方法中，在根據(jù)第三聚類結(jié)果對(duì)待分類的多個(gè)圖像進(jìn)行分類的步驟之后，還包括：接收用戶對(duì)于圖像分類結(jié)果的反饋，并根據(jù)該反饋來調(diào)整圖像分類結(jié)果。

根據(jù)本發(fā)明的一個(gè)方面，提供一種圖像分類裝置，駐留于計(jì)算設(shè)備中，適于根據(jù)圖像中的人臉對(duì)圖像進(jìn)行分類，該裝置包括：讀取模塊，適于獲取待分類的多個(gè)圖像；人臉識(shí)別模塊，適于識(shí)別每個(gè)圖像中的人臉，每個(gè)人臉對(duì)應(yīng)一個(gè)人臉特征向量；第一聚類模塊，適于采用基于第一鄰域半徑的DBSCAN算法對(duì)人臉特征向量進(jìn)行聚類，得到第一聚類結(jié)果；第二聚類模塊，適于根據(jù)第二鄰域半徑對(duì)第一聚類結(jié)果中的類簇進(jìn)行合并，得到第二聚類結(jié)果，其中，第二鄰域半徑大于第一鄰域半徑；第三聚類模塊，適于在第二聚類結(jié)果中包括離群點(diǎn)時(shí)，根據(jù)第三鄰域半徑對(duì)離群點(diǎn)進(jìn)行歸類，得到第三聚類結(jié)果，以及根據(jù)第三聚類結(jié)果對(duì)待分類的多個(gè)圖像進(jìn)行分類，其中，第三鄰域半徑大于第一鄰域半徑。

可選地，在根據(jù)本發(fā)明的圖像分類裝置中，人臉識(shí)別模塊進(jìn)一步適于：檢測每個(gè)圖像的人臉區(qū)域，采用卷積神經(jīng)網(wǎng)絡(luò)模型提取所述人臉區(qū)域的人臉特征向量。

可選地，在根據(jù)本發(fā)明的圖像分類裝置中，人臉識(shí)別模塊適于將所述卷積神經(jīng)網(wǎng)絡(luò)模型的卷積核設(shè)為16*16，人臉特征向量的維數(shù)為256。

可選地，在根據(jù)本發(fā)明的圖像分類裝置中，第一聚類模塊在采用基于第一鄰域半徑的DBSCAN算法對(duì)人臉特征向量進(jìn)行聚類時(shí)，適于按照以下公式計(jì)算兩個(gè)人臉特征向量的距離：

其中，d為人臉特征向量a、b的距離，‖‖表示求2-范數(shù)。

可選地，在根據(jù)本發(fā)明的圖像分類裝置中，第二聚類模塊適于按照以下步驟對(duì)第一聚類結(jié)果中的類簇進(jìn)行合并：從第一類簇中取出第一數(shù)量的人臉特征向量，構(gòu)成第一向量集；從第二類簇中取出第二數(shù)量的人臉特征向量，構(gòu)成第二向量集；其中，所述第一類簇和第二類簇為第一聚類結(jié)果中的任意兩個(gè)類簇；分別計(jì)算第一向量集的每一個(gè)向量到第二向量集的每一個(gè)向量的距離；若距離小于第二鄰域半徑的向量對(duì)的數(shù)目與向量對(duì)總數(shù)的比值大于閾值，則合并第一類簇和第二類簇。

可選地，在根據(jù)本發(fā)明的圖像分類裝置中，第三聚類模塊適于按照以下步驟對(duì)離群點(diǎn)進(jìn)行歸類：計(jì)算離群點(diǎn)與目標(biāo)類簇中每一個(gè)人臉特征向量的距離，其中，所述目標(biāo)類簇為第二聚類結(jié)果中的任意一個(gè)類簇；若離群點(diǎn)僅與一個(gè)目標(biāo)類簇中每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于該目標(biāo)類簇；若離群點(diǎn)與多個(gè)目標(biāo)類簇中的每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于平均距離最小的目標(biāo)類簇。

可選地，在根據(jù)本發(fā)明的圖像分類裝置中，還包括修正模塊，適于在第三聚類模塊得出圖像分類結(jié)果后，接收用戶對(duì)于圖像分類結(jié)果的反饋，并根據(jù)該反饋來調(diào)整圖像分類結(jié)果。

根據(jù)本發(fā)明的一個(gè)方面，提供一種計(jì)算設(shè)備，包括如上所述的圖像分類裝置。

根據(jù)本發(fā)明的技術(shù)方案，識(shí)別出圖像中的人臉，每個(gè)人臉對(duì)應(yīng)于一個(gè)人臉特征向量，根據(jù)人臉特征向量的聚類結(jié)果來確定圖像的分類結(jié)果。

本發(fā)明采用多個(gè)鄰域半徑(即第一鄰域半徑、第二鄰域半徑和第三鄰域半徑)進(jìn)行分階段的聚類，有效地改進(jìn)了DBSCAN算法對(duì)鄰域半徑值敏感以及邊界點(diǎn)劃分不明確的缺點(diǎn)，提高了分類的準(zhǔn)確率，降低了某些人臉特征向量被錯(cuò)誤離群(即該人臉特征向量未被歸屬于任何類簇)的概率。此外，在對(duì)人臉特征向量進(jìn)行聚類時(shí)，基于兩個(gè)人臉特征向量的余弦相似度來確定兩向量的距離，使得兩向量距離的值域?yàn)閇0,1]，因此也使得第一鄰域半徑的值域縮小為[0,1]，相對(duì)于其他距離度量(例如歐氏距離，其值域?yàn)閇0，+∞])大大縮小了第一鄰域半徑eps₁的取值范圍，在很大程度上緩解了DBSCAN算法對(duì)鄰域半徑值敏感的問題。

此外，本發(fā)明也可以接收用戶對(duì)于圖像分類結(jié)果的反饋，基于該反饋實(shí)時(shí)改進(jìn)聚類效果。

附圖說明

為了實(shí)現(xiàn)上述以及相關(guān)目的，本文結(jié)合下面的描述和附圖來描述某些說明性方面，這些方面指示了可以實(shí)踐本文所公開的原理的各種方式，并且所有方面及其等效方面旨在落入所要求保護(hù)的主題的范圍內(nèi)。通過結(jié)合附圖閱讀下面的詳細(xì)描述，本公開的上述以及其它目的、特征和優(yōu)勢將變得更加明顯。遍及本公開，相同的附圖標(biāo)記通常指代相同的部件或元素。

圖1示出了一種不適用于DBSCAN算法的數(shù)據(jù)點(diǎn)的分布圖；

圖2示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的計(jì)算設(shè)備100的結(jié)構(gòu)圖；

圖3示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的圖像分類裝置200的結(jié)構(gòu)圖；以及

圖4示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的圖像分類方法300的流程圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開的示例性實(shí)施例。雖然附圖中顯示了本公開的示例性實(shí)施例，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開而不應(yīng)被這里闡述的實(shí)施例所限制。相反，提供這些實(shí)施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

圖2示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的計(jì)算設(shè)備100的結(jié)構(gòu)圖。計(jì)算設(shè)備100可以是手機(jī)、平板電腦、個(gè)人數(shù)字助理(PDA)、個(gè)人媒體播放器設(shè)備、無線網(wǎng)絡(luò)瀏覽設(shè)備、裝置專用設(shè)備、或包括上面任何功能的混合設(shè)備。計(jì)算設(shè)備也可以是桌面計(jì)算機(jī)、筆記本電腦、服務(wù)器、工作站等設(shè)備。

如圖2所示，計(jì)算設(shè)備100中駐留有圖像分類裝置200，使得計(jì)算設(shè)備100能夠?qū)崿F(xiàn)圖像分類的功能。圖像分類裝置200可以作為搜索引擎的一個(gè)插件駐留于計(jì)算設(shè)備100的瀏覽器中，或作為一個(gè)獨(dú)立的軟件安裝于計(jì)算設(shè)備100中，本發(fā)明對(duì)圖像分類裝置200在計(jì)算設(shè)備100中的存在形式不做限制。

圖3示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的圖像分類裝置200的結(jié)構(gòu)圖。如圖3所示，圖像分類裝置200包括讀取模塊210、人臉識(shí)別模塊220、第一聚類模塊230、第二聚類模塊240和第三聚類模塊250。

讀取模塊210適于獲取待分類的多個(gè)圖像。

人臉識(shí)別模塊220適于識(shí)別每個(gè)圖像中的人臉，每個(gè)人臉對(duì)應(yīng)一個(gè)人臉特征向量。若圖像中僅有一個(gè)人臉，則識(shí)別出該人臉；若圖像中有多個(gè)人臉，則需要對(duì)該圖像中的每一個(gè)人臉均進(jìn)行識(shí)別。因此，一個(gè)圖像可以對(duì)應(yīng)于一個(gè)或多個(gè)人臉特征向量，而一個(gè)人臉特征向量唯一對(duì)應(yīng)于一個(gè)圖像。由于一個(gè)人臉特征向量唯一對(duì)應(yīng)于一個(gè)圖像，人臉特征向量的聚類情況即該人臉特征向量所對(duì)應(yīng)的圖像的分類情況。應(yīng)當(dāng)指出，在準(zhǔn)確分類的情況下，一個(gè)包含多個(gè)人臉的圖像會(huì)同時(shí)屬于多個(gè)類別。

根據(jù)一種實(shí)施例，人臉識(shí)別模塊220可以檢測每個(gè)圖像的人臉區(qū)域，并采用卷積神經(jīng)網(wǎng)絡(luò)模型提取該人臉區(qū)域的人臉特征向量。例如，卷積神經(jīng)網(wǎng)絡(luò)模型的卷積核為16*16，采用該卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)檢測到的人臉區(qū)域做卷積，可以得到一個(gè)16*16的人臉特征圖，將該特征圖轉(zhuǎn)化為向量，即為一個(gè)256維的人臉特征向量。

第一聚類模塊230適于采用基于第一鄰域半徑的DBSCAN算法對(duì)人臉特征向量進(jìn)行聚類，得到第一聚類結(jié)果。

DBSCAN算法是現(xiàn)有算法，其需要設(shè)置兩個(gè)參數(shù)：鄰域半徑和密度閾值，為了敘述方便，將鄰域半徑記為eps，密度閾值記為minPts。DBSCAN算法中有以下幾個(gè)基本概念：

鄰域：某個(gè)點(diǎn)的鄰域半徑eps以內(nèi)的區(qū)域?yàn)樵擖c(diǎn)的鄰域。

核心點(diǎn)：若某個(gè)點(diǎn)的鄰域內(nèi)所含的點(diǎn)的數(shù)目大于等于minPts，則該點(diǎn)為核心點(diǎn)。

邊界點(diǎn)：若某個(gè)點(diǎn)位于核心點(diǎn)的鄰域中，但該點(diǎn)本身不是核心點(diǎn)，則該點(diǎn)為邊界點(diǎn)。

離群點(diǎn)：既不是核心點(diǎn)也不是邊界點(diǎn)的點(diǎn)。

直接密度可達(dá)：若點(diǎn)q在點(diǎn)p的鄰域內(nèi)，且點(diǎn)p為核心點(diǎn)，則點(diǎn)q由點(diǎn)p處直接密度可達(dá)。

密度可達(dá)：給定多個(gè)點(diǎn)p₁，p₂，p₃，…，p_n，p₁＝p，p_n＝q，若對(duì)于任意i∈[1，n-1]，點(diǎn)p_(i+1)由點(diǎn)p_i處直接密度可達(dá)，則點(diǎn)q由點(diǎn)p處密度可達(dá)。

密度相連：若點(diǎn)p和點(diǎn)q均從點(diǎn)o處密度可達(dá)，則點(diǎn)p和點(diǎn)q密度相連。

DBSCAN的基本原理是，遍歷每一個(gè)點(diǎn)，如果某個(gè)點(diǎn)的鄰域中的點(diǎn)的數(shù)目大于等于minPts，則該點(diǎn)為核心點(diǎn)，以該點(diǎn)為中心建立一個(gè)包括該點(diǎn)和其鄰域中的點(diǎn)的類簇。如果一個(gè)類簇中有多個(gè)核心點(diǎn)，則合并以這些核心點(diǎn)為中心的類簇，即找到最大的密度相連集合。

在判斷一個(gè)點(diǎn)是否為核心點(diǎn)時(shí)，需要計(jì)算其他點(diǎn)到該點(diǎn)的距離，若有某個(gè)點(diǎn)a到該點(diǎn)的距離小于eps，則點(diǎn)a位于該點(diǎn)的鄰域中。顯然，為了實(shí)現(xiàn)基于DBSCAN算法的聚類，首先需要定義兩點(diǎn)距離的計(jì)算方式。對(duì)應(yīng)于本發(fā)明，即需要定義兩個(gè)人臉特征向量的距離的計(jì)算方式。根據(jù)一種實(shí)施例，第一聚類模塊230適于采用以下公式計(jì)算兩個(gè)人臉特征向量的距離：

其中，d為人臉特征向量a、b的距離，‖ ‖表示求2-范數(shù)。對(duì)于n維向量a＝[x₁,x₂,…,x_n]，b＝[y₁,y₂,…,y_n]，則a、b之間的距離d為：

由上述距離計(jì)算公式(1)、(2)可知，向量a、b越相似，其夾角余弦越大，相應(yīng)地，其距離d越小。此外，基于上述公式，兩個(gè)人臉特征向量的距離的值域?yàn)閇0,1]，因此也使得第一鄰域半徑eps₁的值域縮小為[0,1]，相對(duì)于其他距離度量(例如歐氏距離，其值域?yàn)閇0，+∞])大大縮小了第一鄰域半徑eps₁的取值范圍，在很大程度上緩解了DBSCAN算法對(duì)鄰域半徑值敏感的問題。

基于上述人臉特征向量的距離計(jì)算公式，第一聚類模塊230適于將第一鄰域半徑eps₁設(shè)置為一個(gè)[0,1]之間的數(shù)。根據(jù)一種實(shí)施例，為了使本發(fā)明的分階段的聚類方法更準(zhǔn)確，將eps₁設(shè)置為一個(gè)較小的數(shù)，例如0.2。當(dāng)然，在其他的實(shí)施例中，也可以將eps₁設(shè)置為其他數(shù)值，本發(fā)明對(duì)eps₁的取值并無限制，本領(lǐng)域技術(shù)人員可以按需求自行設(shè)置eps₁的值，只要其位于[0,1]即可。

第一聚類模塊230還適于設(shè)置minPts的值。根據(jù)一種實(shí)施例，minPts的值可以根據(jù)待分類的圖片的數(shù)目進(jìn)行確定。應(yīng)當(dāng)指出，本發(fā)明對(duì)minPts的設(shè)置方法并無限制。

基于已設(shè)置好的第一鄰域半徑eps₁和密度閾值minPts，第一聚類模塊230采用DBSCAN算法對(duì)人臉特征向量進(jìn)行聚類，得到第一聚類結(jié)果。一般來說，第一聚類結(jié)果中包括多個(gè)類簇和多個(gè)離群點(diǎn)。

在第一聚類模塊230得出第一聚類結(jié)果后，由第二聚類模塊240對(duì)第一聚類結(jié)果進(jìn)行處理，即進(jìn)行第二階段的聚類。第二聚類模塊240適于根據(jù)第二鄰域半徑eps₂對(duì)第一聚類結(jié)果中的類簇進(jìn)行合并，得到第二聚類結(jié)果，其中，eps₂＞eps₁。

根據(jù)一種實(shí)施例，第二聚類模塊240從第一聚類結(jié)果的多個(gè)類簇中隨機(jī)選出兩個(gè)類簇，為了敘述方便，將這兩個(gè)類簇分別記為第一類簇、第二類簇。從第一類簇中取出第一數(shù)量的人臉特征向量，構(gòu)成第一向量集C＝{c₁，c₂，...，c_m}，m為第一數(shù)量；從第二類簇中取出第二數(shù)量的人臉特征向量，構(gòu)成第二向量集E＝{e₁，e₂，…，e_n}，n為第二數(shù)量。第二聚類模塊240可以采用隨機(jī)抽取的方式從類簇中取出向量來構(gòu)成向量集，也可以采用其他算法來取出向量以構(gòu)成向量集，本發(fā)明對(duì)向量的抽取方式不做限制。第一數(shù)量和第二數(shù)量的值可以相同，也可以不同。根據(jù)一種實(shí)施例，分別從第一類簇、第二類簇中取出相同數(shù)量的人臉特征向量構(gòu)成第一向量集、第二向量集，第一數(shù)量和第二數(shù)量的值相同。根據(jù)另一種實(shí)施例，分別從第一類簇、第二類簇中抽取相同比例的人臉特征向量，這時(shí)第一數(shù)量和第二數(shù)量的值不一定相同。例如，第一類簇中有10個(gè)向量，第二類簇中有15個(gè)向量，分別從兩個(gè)類簇中取出40％的向量，則第一數(shù)量為10*0.4＝4，第二數(shù)量為15*0.4＝6。當(dāng)然，也可以采用其他方法來確定第一數(shù)量、第二數(shù)量的值，本發(fā)明對(duì)第一數(shù)量、第二數(shù)量的取值并無限制。

隨后，第二聚類模塊240分別計(jì)算第一向量集中的每一個(gè)向量到第二向量集中的每一個(gè)向量的距離。若距離小于eps₂的向量對(duì)的數(shù)目與向量對(duì)總數(shù)的比值大于閾值，則合并第一類簇和第二類簇。上述過程相當(dāng)于：分別將第一向量集C中的每一個(gè)人臉特征向量與第二向量集E中的每一個(gè)人臉特征向量進(jìn)行配對(duì)，得到(m*n)個(gè)向量對(duì)(c_i,e_j)，其中，1≤i≤m，1≤j≤n；分別計(jì)算每個(gè)向量對(duì)中的兩個(gè)人臉特征向量的距離；若距離小于第二鄰域半徑的向量對(duì)的數(shù)量與(m*n)的比值大于閾值，則合并第一類簇和第二類簇。

例如，第一類簇＝{向量1；向量2；向量3；向量4}，第二類簇＝{向量5；向量6；向量7；向量8；向量9；向量10}，隨機(jī)從兩個(gè)類簇中取出50％向量，得到第一向量集C＝{向量1，向量2}，第二向量集E＝{向量6；向量8；向量9}，第一數(shù)量m＝2，第二數(shù)量n＝3。分別計(jì)算(向量1，向量6)、(向量1，向量8)、(向量1，向量9)、(向量2，向量6)、(向量2，向量8)、(向量2，向量9)的距離，若(距離小于eps₂的向量對(duì)的數(shù)目/(2*3))>閾值，則合并第一類簇和第二類簇，得到新的類簇{向量1；向量2；…；向量10}。

在第二聚類模塊240得到第二聚類結(jié)果后，由第三聚類模塊250對(duì)第二聚類結(jié)果進(jìn)行處理，即進(jìn)行第三階段的聚類。第三聚類模塊250適于在第二聚類結(jié)果中包括離群點(diǎn)時(shí)，根據(jù)第三鄰域半徑eps₃對(duì)離群點(diǎn)進(jìn)行歸類，得到第三聚類結(jié)果，以及根據(jù)第三聚類結(jié)果對(duì)待分類的多個(gè)圖像進(jìn)行分類，其中，eps₃＞eps₁。

根據(jù)一種實(shí)施例，對(duì)于某個(gè)離群點(diǎn)，第三聚類模塊250適于分別計(jì)算該離群點(diǎn)與第二聚類結(jié)果的每個(gè)類簇中的各向量的距離。若該離群點(diǎn)與某個(gè)類簇中每一個(gè)人臉特征向量的距離均小于eps₃，則將該離群點(diǎn)歸類于該類簇。在實(shí)際應(yīng)用中，可能會(huì)出現(xiàn)有多個(gè)類簇均滿足要求的情況，即某個(gè)離群點(diǎn)與多個(gè)類簇中的每一個(gè)人臉特征向量的距離均小于eps₃。這時(shí)，根據(jù)一種實(shí)施例，將離群點(diǎn)歸類于平均距離最小的類簇。例如，eps₃＝0.5，某個(gè)離群點(diǎn)p與類簇①中的三個(gè)向量的距離分別為0.1、0.1、0.4，與類簇②中的兩個(gè)向量的距離分別為0.3、0.4，離群點(diǎn)p到類簇①中各向量的平均距離為(0.1+0.1+0.4)/3＝0.2，離群點(diǎn)p到類簇②中各向量的平均距離為(0.3+0.4)/2＝0.35，離群點(diǎn)p到類簇①中各向量的平均距離更小，因此將離群點(diǎn)p歸類于類簇①。

根據(jù)另一種實(shí)施例，當(dāng)存在多個(gè)滿足要求的類簇時(shí)，也可以采用“先到先得”的思想，將該離群點(diǎn)歸類于最先檢測出的滿足要求的類簇。例如，eps₃＝0.5，首先檢測出離群點(diǎn)p與類簇①中的三個(gè)向量的距離分別為0.1、0.1、0.4，距離均小于eps₃，則類簇①是一個(gè)滿足要求的類簇，將離群點(diǎn)p歸類于類簇①。基于“先到先得”的原則，在首次檢測到滿足要求的類簇①時(shí)，離群點(diǎn)p就已經(jīng)被歸類，后續(xù)也不再繼續(xù)檢驗(yàn)是否還存在滿足要求的其他類簇，即使存在其他滿足要求的類簇，第三聚類模塊250也不會(huì)再針對(duì)離群點(diǎn)p進(jìn)行檢測或重新歸類。

當(dāng)然，在存在多個(gè)滿足要求的類簇時(shí)，還可以采用除上述兩種實(shí)施例之外的方式來確定離群點(diǎn)的歸屬，本發(fā)明對(duì)此并無限制。

在第三聚類模塊250完成所有離群點(diǎn)的歸類后，得到第三聚類結(jié)果，并根據(jù)第三聚類結(jié)果對(duì)待分類的多個(gè)圖像進(jìn)行分類。第三聚類結(jié)果是人臉特征向量的聚類結(jié)果，由于每一個(gè)人臉特征向量均唯一對(duì)應(yīng)于一個(gè)圖像，因此，第三聚類結(jié)果所指示的人臉特征向量的聚類情況即為該人臉特征向量所對(duì)應(yīng)的圖像的分類結(jié)果。

根據(jù)一種實(shí)施例，圖像分類裝置200還包括修正模塊260(圖3中未示出)，適于在第三聚類模塊250得出圖像分類結(jié)果后，接收用戶對(duì)圖像分類結(jié)果的反饋，并根據(jù)該反饋來調(diào)整圖像分類結(jié)果。例如，用戶可能將圖像分類結(jié)果中的某兩個(gè)圖像類別①和②進(jìn)行合并，得到類別③，那么第三聚類模塊250將接受用戶的上述修改，并且在以后的圖像分類過程中，若新增的待分類圖像與類別①或類別②相似(即新增圖像中的人臉特征向量到類別①中的所有向量的距離均小于eps₃或新增圖像中的人臉特征向量到類別②中的所有向量的距離均小于eps₃)，則將該圖像歸類于類別③，直至用戶做出新的修改。又例如，用戶可能將某幅分類錯(cuò)誤的圖像移動(dòng)到另一個(gè)類別，第三聚類模塊250將接受用戶的上述修改，并且在下次聚類時(shí)，被移動(dòng)的圖像將始終屬于用戶所指定的類別，直至用戶做出新的修改。若用戶僅將某幅圖像從某個(gè)類別中刪除，則第三聚類模塊250將接受用戶的刪除，并且在下次圖像分類時(shí)，這幅圖像將不會(huì)再被劃分為任何類別，直至用戶做出新的修改。

圖4示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的圖像分類方法300的流程圖。如圖4所示，該方法始于步驟S310。

在步驟S310中，獲取待分類的多個(gè)圖像。

隨后，在步驟S320中，識(shí)別每個(gè)圖像中的人臉，每個(gè)人臉對(duì)應(yīng)一個(gè)人臉特征向量。

根據(jù)一種實(shí)施例，為了實(shí)現(xiàn)人臉識(shí)別，首先檢測每個(gè)圖像的人臉區(qū)域，隨后采用卷積神經(jīng)網(wǎng)絡(luò)模型提取所述人臉區(qū)域的人臉特征向量。根據(jù)一種實(shí)施例，卷積神經(jīng)網(wǎng)絡(luò)模型的卷積核為16*16，相應(yīng)地，人臉特征向量的維數(shù)為256。

隨后，在步驟S330中，采用基于第一鄰域半徑的DBSCAN算法對(duì)人臉特征向量進(jìn)行聚類，得到第一聚類結(jié)果。步驟S330的具體實(shí)施過程可以參考前述對(duì)第一聚類模塊230的描述，此處不再贅述。

隨后，在步驟S340中，根據(jù)第二鄰域半徑對(duì)第一聚類結(jié)果中的類簇進(jìn)行合并，得到第二聚類結(jié)果，其中，第二鄰域半徑＞第一鄰域半徑。步驟S340的具體實(shí)施過程可以參考前述對(duì)第二聚類模塊240的描述，此處不再贅述。

隨后，在步驟S350中，若第二聚類結(jié)果中包括離群點(diǎn)，則根據(jù)第三鄰域半徑對(duì)離群點(diǎn)進(jìn)行歸類，得到第三聚類結(jié)果，其中，第三鄰域半徑＞第一鄰域半徑。

隨后，在步驟S360中，根據(jù)第三聚類結(jié)果對(duì)待分類的多個(gè)圖像進(jìn)行分類。步驟S350及步驟S360的具體實(shí)施過程可以參考前述對(duì)第三聚類模塊250的描述，此處不再贅述。

根據(jù)一種實(shí)施例，在步驟S360后，還包括步驟S370(圖4中未示出)。在步驟S370中，接收用戶對(duì)于圖像分類結(jié)果的反饋，并根據(jù)該反饋來調(diào)整圖像分類結(jié)果。步驟S370的具體實(shí)施過程可以參考前述對(duì)修正模塊260的描述，此處不再贅述。

A6：A4或5所述的圖像分類方法，其中，所述根據(jù)第三鄰域半徑對(duì)離群點(diǎn)進(jìn)行歸類的步驟包括：計(jì)算離群點(diǎn)與目標(biāo)類簇中的每一個(gè)人臉特征向量的距離，其中，所述目標(biāo)類簇為第二聚類結(jié)果中的任意一個(gè)類簇；若離群點(diǎn)僅與一個(gè)目標(biāo)類簇中的每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于該目標(biāo)類簇；若離群點(diǎn)與多個(gè)目標(biāo)類簇中的每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于平均距離最小的目標(biāo)類簇。

A7：A1所述的圖像分類方法，其中，在所述根據(jù)第三聚類結(jié)果對(duì)待分類的多個(gè)圖像進(jìn)行分類的步驟之后，還包括：接收用戶對(duì)于圖像分類結(jié)果的反饋，并根據(jù)該反饋來調(diào)整圖像分類結(jié)果。

B12：B11所述的圖像分類裝置，其中，所述第二聚類模塊適于按照以下步驟對(duì)第一聚類結(jié)果中的類簇進(jìn)行合并：從第一類簇中取出第一數(shù)量的人臉特征向量，構(gòu)成第一向量集；從第二類簇中取出第二數(shù)量的人臉特征向量，構(gòu)成第二向量集；其中，所述第一類簇和第二類簇為第一聚類結(jié)果中的任意兩個(gè)類簇；分別計(jì)算第一向量集的每一個(gè)向量到第二向量集的每一個(gè)向量的距離；若距離小于第二鄰域半徑的向量對(duì)的數(shù)目與向量對(duì)總數(shù)的比值大于閾值，則合并第一類簇和第二類簇。

B13：B11或12所述的圖像分類裝置，其中，所述第三聚類模塊適于按照以下步驟對(duì)離群點(diǎn)進(jìn)行歸類：計(jì)算離群點(diǎn)與目標(biāo)類簇中每一個(gè)人臉特征向量的距離，其中，所述目標(biāo)類簇為第二聚類結(jié)果中的任意一個(gè)類簇；若離群點(diǎn)僅與一個(gè)目標(biāo)類簇中每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于該目標(biāo)類簇；若離群點(diǎn)與多個(gè)目標(biāo)類簇中的每一個(gè)人臉特征向量的距離均小于第三鄰域半徑，則將離群點(diǎn)歸類于平均距離最小的目標(biāo)類簇。

B14：B8所述的圖像分類裝置，其中，還包括修正模塊，適于在第三聚類模塊得出圖像分類結(jié)果后，接收用戶對(duì)于圖像分類結(jié)果的反饋，并根據(jù)該反饋來調(diào)整圖像分類結(jié)果。

在此處所提供的說明書中，算法和顯示不與任何特定計(jì)算機(jī)、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與本發(fā)明的示例一起使用。根據(jù)上面的描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見的。此外，本發(fā)明也不針對(duì)任何特定編程語言。應(yīng)當(dāng)明白，可以利用各種編程語言實(shí)現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對(duì)特定語言所做的描述是為了披露本發(fā)明的最佳實(shí)施方式。

在此處所提供的說明書中，說明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實(shí)施例可以在沒有這些具體細(xì)節(jié)的情況下被實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對(duì)本說明書的理解。

類似地，應(yīng)當(dāng)理解，為了精簡本公開并幫助理解各個(gè)發(fā)明方面中的一個(gè)或多個(gè)，在上面對(duì)本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個(gè)特征有時(shí)被一起分組到單個(gè)實(shí)施例、圖、或者對(duì)其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個(gè)權(quán)利要求中所明確記載的特征更多特征。更確切地說，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個(gè)實(shí)施例的所有特征。因此，遵循具體實(shí)施方式的權(quán)利要求書由此明確地并入該具體實(shí)施方式，其中每個(gè)權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。

本領(lǐng)域那些技術(shù)人員應(yīng)當(dāng)理解在本文所公開的示例中的設(shè)備的模塊或單元或組件可以布置在如該實(shí)施例中所描述的設(shè)備中，或者可替換地可以定位在與該示例中的設(shè)備不同的一個(gè)或多個(gè)設(shè)備中。前述示例中的模塊可以組合為一個(gè)模塊或者此外可以分成多個(gè)子模塊。

本領(lǐng)域那些技術(shù)人員可以理解，可以對(duì)實(shí)施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們?cè)O(shè)置在與該實(shí)施例不同的一個(gè)或多個(gè)設(shè)備中?？梢园褜?shí)施例中的模塊或單元或組件組合成一個(gè)模塊或單元或組件，以及此外可以把它們分成多個(gè)子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對(duì)本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設(shè)備的所有過程或單元進(jìn)行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的每個(gè)特征可以由提供相同、等同或相似目的的替代特征來代替。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實(shí)施例包括其它實(shí)施例中所包括的某些特征而不是其它特征，但是不同實(shí)施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實(shí)施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實(shí)施例的任意之一都可以以任意的組合方式來使用。

此外，所述實(shí)施例中的一些在此被描述成可以由計(jì)算機(jī)系統(tǒng)的處理器或者由執(zhí)行所述功能的其它裝置實(shí)施的方法或方法元素的組合。因此，具有用于實(shí)施所述方法或方法元素的必要指令的處理器形成用于實(shí)施該方法或方法元素的裝置。此外，裝置實(shí)施例的在此所述的元素是如下裝置的例子：該裝置用于實(shí)施由為了實(shí)施該發(fā)明的目的的元素所執(zhí)行的功能。

如在此所使用的那樣，除非另行規(guī)定，使用序數(shù)詞“第一”、“第二”、“第三”等等來描述普通對(duì)象僅僅表示涉及類似對(duì)象的不同實(shí)例，并且并不意圖暗示這樣被描述的對(duì)象必須具有時(shí)間上、空間上、排序方面或者以任意其它方式的給定順序。

盡管根據(jù)有限數(shù)量的實(shí)施例描述了本發(fā)明，但是受益于上面的描述，本技術(shù)領(lǐng)域內(nèi)的技術(shù)人員明白，在由此描述的本發(fā)明的范圍內(nèi)，可以設(shè)想其它實(shí)施例。此外，應(yīng)當(dāng)注意，本說明書中使用的語言主要是為了可讀性和教導(dǎo)的目的而選擇的，而不是為了解釋或者限定本發(fā)明的主題而選擇的。因此，在不偏離所附權(quán)利要求書的范圍和精神的情況下，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說許多修改和變更都是顯而易見的。對(duì)于本發(fā)明的范圍，對(duì)本發(fā)明所做的公開是說明性的，而非限制性的，本發(fā)明的范圍由所附權(quán)利要求書限定。