(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210205730.X (22)申请日 2022.03.03 (71)申请人 北京百度网讯科技有限公司 地址 100089 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 陈圣奇　 (74)专利代理 机构 北京乐知新创知识产权代理 事务所(普通 合伙) 11734 专利代理师 陈婷婷 (51)Int.Cl. G06V 40/16(2022.01) G06K 9/62(2022.01) G06V 10/762(2022.01) (54)发明名称 一种人脸聚类的方法、 装置、 设备及存储介 质 (57)摘要 本公开提供了一种人脸聚类的方法、 装置、 设备以及存储介质， 涉及数据图形处理技术领 域， 尤其涉及人工智能和人脸识别技术领域。 具 体实现方案为： 首先， 获取批量图像的代表性人 脸特征， 形成代表性人脸特征集； 之后， 使用结合 了人脸特征在特征空间的邻域结构特性的聚类 算法对所述代表性人脸特征集， 进行微批量聚 类， 得到人脸分组； 然后， 将所得到的人脸 分组合 并到存量类簇的人脸分组中。 如此， 可实现不易 偏移， 更为鲁棒的增量人脸聚类 。 权利要求书3页 说明书12页 附图5页 CN 114612967 A 2022.06.10 CN 114612967 A 1.一种人脸聚类的方法， 包括： 获取批量图像的代 表性人脸特 征， 形成代 表性人脸特 征集； 使用第一聚类算法对所述代表性人脸特征集， 进行微批量聚类， 得到第 一人脸分组， 所 述第一聚类算法结合了人脸特 征在特征空间的邻域结构特性； 获取第二人脸分组， 所述第二人脸分组为存量类簇形成的人脸分组； 根据第二聚类算法将所述第一人脸分组合并至所述第二人脸分组。 2.根据权利要求1所述的方法， 其中， 所述获取批量图像的代表性人脸特征， 形成代表 性人脸特 征集， 包括： 获取所述批量图像中的一张图像； 对所述图像进行 人脸特征提取， 得到人脸特 征； 对所述人脸特 征进行质量评价， 得到质量评价得分； 若所述质量评价得分大于质量阈值， 则将所述人脸特征确定为代表性人脸特征， 将所 述代表性人脸特 征， 加入到所述代 表性人脸特 征集。 3.根据权利要求2所述的方法， 还 包括： 若所述质量评价得分小于等于质量阈值， 则舍弃 所述人脸特 征。 4.根据权利要求2所述的方法， 还 包括： 使用第三聚类算法对所述代表性人脸特征进行快速聚类， 得到所述代表性人脸特征所 属的类簇 。 5.根据权利要求4所述的方法， 其中， 所述使用第 三聚类算法对所述代表性人脸特征进 行快速聚类， 得到所述代 表性人脸特 征所属的第一人脸分组， 包括： 计算所述代 表性人脸特 征与各存量类簇之间的距离； 根据所述与各存量类簇之间的距离， 对所述代表性人脸特征进行聚类， 得到所述代表 性人脸特 征所属的第一人脸分组。 6.根据权利要求1所述的方法， 其中， 所述使用第一聚类算法对所述代表性人脸特征 集， 进行微批量聚类， 得到第一人脸分组， 包括： 根据所述代表性人脸特征集和第 一聚类算法， 计算高置信度下的各类簇的代表点和中 心表征； 根据所述代表性人脸特征集和第 一聚类算法， 计算低置信度下的各类簇的代表点和中 心表征； 根据所述低置信度下的各类簇的代表点和中心表征， 确定所述代表性人脸特征集中各 代表性人脸特 征所属的候选类簇； 根据所述高置信度下的各类簇的代表点和中心表征， 对各代表性人脸特征所属的候选 类簇进行筛 选， 得到各代 表性人脸特 征所属的第二人脸分组。 7.根据权利要求6所述的方法， 还 包括： 保存所述代 表点和所述代 表点所对应的图像。 8.根据权利要求1所述的方法， 其中， 所述第一聚类算法包括改进后的DBSCAN算法， 所 述DBSCAN算法增加了预先计算聚类初始点、 邻域高置信度半径和邻域低置信度半径的步 骤， 并在聚类过程中以所述预 先计算的聚类初始点作为 起始点， 进行聚类。 9.根据权利要求8所述的方法， 其中， 邻域高置信度半径和邻域低置信度半径为可调整权　利　要　求　书 1/3 页 2 CN 114612967 A 2的模型参数。 10.根据权利要求1所述的方法， 其中， 所述根据第二聚类算法将所述第一人脸分组合 并至所述第二人脸分组， 包括： 获取第一人脸分组中的一个 类簇； 计算所述类簇的高置信中心 表征与所述第二人脸分组中各存量类簇的第一中心 距离； 若所述第一中心 距离满足第一聚类条件， 则将所述类簇合并至相应的存量类簇 。 11.根据权利要求10所述的方法， 还 包括： 若所述第一中心距离不满足第 一聚类条件， 则 计算所述类簇的低置信中心表征与 所述 第二人脸分组中各存量类簇的第二中心 距离； 若所述第二中心 距离满足第二聚类条件， 则将所述类簇合并至相应的存量类簇 。 12.根据权利要求1 1所述的方法， 还 包括： 若所述第二中心距离不满足第 二聚类条件， 则 计算所述类簇的低置信中心表征与 所述 第二人脸分组中各存量类簇的代 表点； 若所述代 表点满足第三聚类条件， 则将所述类簇合并至相应的存量类簇 。 13.根据权利要求12所述的方法， 还 包括： 若所述代表点不满足第三聚类条件， 则获取类簇的大小， 若所述类簇的大小大于尺寸 阈值， 则将所述类簇作为 一个新的类簇， 添加至所述第二人脸分组。 14.根据权利要求13所述的方法， 还 包括： 若所述类簇的大小小于等于尺寸阈值， 则获取所述类簇的时间戳和过期时限， 若所述 类簇超期， 则 删除所述类簇 。 15.一种人脸聚类的装置， 包括： 代表性人脸特征集获取模块， 用于获取批量图像的代表性人脸特征， 形成代表性人脸 特征集； 微批量聚类模块， 用于使用第 一聚类算法对所述代表性人脸特征集， 进行微批量聚类， 得到第一人脸分组， 所述第一聚类算法结合了人脸特 征在特征空间的邻域结构特性； 存量类簇获取模块， 用于获取第二人脸分组， 所述第二人脸分组为存量类簇形成的人 脸分组； 类簇合并模块， 用于根据第二聚类算法将所述第一人脸分组合并至所述第二人脸分 组。 16.根据权利要求15所述的装置， 其中， 代 表性人脸特 征集获取模块， 包括： 图像获取子模块， 用于获取 所述批量图像中的一张图像； 人脸特征提取子模块， 用于对所述图像进行 人脸特征提取， 得到人脸特 征； 质量评价子模块， 用于对所述人脸特 征进行质量评价， 得到质量评价得分； 代表性人脸特征集形成子模块， 用于若所述质量评价得分大于质量阈值， 则将所述人 脸特征确定为代 表性人脸特 征， 将所述代 表性人脸特 征， 加入到所述代 表性人脸特 征集。 17.根据权利要求15所述的装置， 其中， 所述 微批量聚类模块包括： 高置信度计算子模块， 用于根据所述代表性人脸特征集和第一聚类算法， 计算高置信 度下的各类簇的代 表点和中心 表征； 低置信度计算子模块， 用于根据所述代表性人脸特征集和第一聚类算法， 计算低置信权　利　要　求　书 2/3 页 3 CN 114612967 A 3