一种人脸聚类更新方法及装置制造方法及图纸

本发明专利技术属于图像处理技术领域，提供一种人脸聚类更新方法及装置，该方法包括：接收待处理图片，在检测到待处理图片中有人脸特征时，截取人脸图像；将所截取的人脸图像输入特征提取模型，输出与人脸图像相对应的当前人脸特征向量和人脸置信度；将当前人脸特征向量与预先建立的人脸特征数据库中的代表性人脸特征向量进行相似度计算；当所计算的相似度小于第一相似度阈值时，重新建立新的人脸标识，更新人脸特征数据库；当所计算的相似度大于等于第一相似度阈值时，判断所输出的人脸置信度是否大于置信度阈值，确定是否更新人脸特征数据库

【技术实现步骤摘要】
一种人脸聚类更新方法及装置


[0001]本专利技术涉及生成式大模型
，特别涉及一种人脸聚类更新方法及装置
。

技术介绍

[0002]随着照片数据存储空间的需求日益增大，人们开始将越来越多照片上传至网盘中
。
随着网盘相册中图片数量不断增多，为了用户检索的便利性，通常会在网盘中添加智能相册功能
。
在智能相册中，通常会使用包含人脸聚类的功能，能够通过人工智能算法区分不同人物的照片，并将属于同一人物的照片分至同一分组中
。
同时，由于用户数据量较大，应实现增量式的人脸聚类策略，能够随着用户不断添加新的照片，在较小的开销下实时更新人脸聚类结果
。
此外，人脸聚类方法还应有能够处理新增人物的能力
。
[0003]现有方法存在以下问题：每当有新的人物出现时，都需要动态调整学习率重新进行训练，增加模型训练复杂度；在多用户场景下，如果将所有人物都添加进来，类别过多，则需要根据用户类别数量训练过多模型，需要进行多次迭代直至满足停止条件，会增加整体计算复杂度；现有方法中需要满足特定条件才会触发聚类，无法保证聚类算法的实时性；在每次新增图片时都需进行全局聚类计算，但依然存在场景受限
、
视角单一
、
未考虑多样性等问题
。
[0004]因此，有必要提供一种新的人脸聚类更新方法，以解决上述问题
。

技术实现思路

[0005]本专利技术意在提供一种人脸聚类更新方法及装置，以解决现有技术中需要满足特定条件才会触发聚类，无法保证聚类算法的实时性；在每次新增图片时都需进行全局聚类计算，但依然存在场景受限
、
视角单一
、
未考虑多样性等的技术问题，本专利技术要解决的技术问题通过以下技术方案来实现
。
[0006]第一方面，本专利技术提出一种人脸聚类更新方法，包括：接收待处理图片，在检测到待处理图片中有人脸特征时，截取人脸图像；将所截取的人脸图像输入特征提取模型，输出与所述人脸图像相对应的当前人脸特征向量和人脸置信度；将所输出的当前人脸特征向量与预先建立的人脸特征数据库中的代表性人脸特征向量进行相似度计算；在所计算的相似度小于第一相似度阈值时，重新建立新的人脸标识，以更新人脸特征数据库；在所计算的相似度大于等于第一相似度阈值时，进一步判断所输出的人脸置信度是否大于置信度阈值，来确定是否更新人脸特征数据库
。
[0007]根据可选的实施方式，还包括以下步骤：从预先建立的人脸特征数据库中检索到与所输出的当前人脸特征向量具有最高相似度的代表性人脸特征向量，并判断所述最高相似度是否大于第一相似度阈值，其中，在所述最高相似度大于等于第一相似度阈值时，将当前人脸特征向量所对应的人脸聚类到所述代表性人脸特征向量所对应的现有人物聚类簇中；在所述最高相似度小于第一相似度阈值时，根据当前人脸特征向量所对应的人脸建立新的人物聚类簇，以更新人脸特征数据库
。
[0008]根据可选的实施方式，还包括以下步骤：在确定建立所述新的人物聚类簇时，对当前人脸特征向量进行多视角多样性判断，将当前人脸特征向量和与当前人脸特征向量具有最高相似度的代表性人脸特征向量进行拼合处理，并用作模型输入到多样性判别模型，得到差异性评估值
。
[0009]根据可选的实施方式，还包括以下步骤：使用卷积神经网络算法，建立多样性判别模型；将拼合处理得到的模型输入
M[v1,v2],
输入多样性判别模型，得到差异性评估值
σ
(M)
：，其中，
σ
(M)
表示当前人脸特征向量和与当前人脸特征向量具有最高相似度的代表性人脸特征向量之间的人脸差异性， 其中，
M
表示将当前人脸特征向量和与当前人脸特征向量具有最高相似度的代表性人脸特征向量进行拼合处理后得到的向量矩阵
、
即多样性判别模型的神经网络的输入；
e
‑
CNN(M)
表示
e
的
‑
CNN(M)
次方，其作用是将
CNN(M)
转换为一个非线性范围，当
CNN(M)
为正数时，
‑
CNN(M)
的值越接近0，
σ
(M)
越接近1；当
CNN(M)
为负数时，
‑
CNN(M)
的值越接近1，
σ
(M)
越接近0，其中
CNN(M)
表示多样性判别模型的神经网络的输出
。
[0010]根据可选的实施方式，还包括以下步骤：根据所得到的差异性评估值，重新确定是否建立新的人物聚类簇， 在所得到的差异评估值大于设定阈值时，确定建立新的人物聚类簇；在所得到的差异评估值小于等于设定阈值时，进一步判断当前人脸特征向量所对应的人脸图像的质量，以确定是否替换与当前人脸特征向量具有最高相似度的代表性人脸特征向量所对应的现有人脸图像
。
[0011]根据可选的实施方式，还包括以下步骤：计算置信度阈值，具体为：将检测到的人脸部分应用一组卷积层和全连接层进行计算，卷积层第
L
层输出
h
L
表示为： h
L
=ReLU(W
L
* h
L
‑1+b
L
)
，其中，
W
L
和
b
L
是分别第
L
层卷积层的权重和偏置；
*
表示卷积操作；
ReLU
是激活函数， h
L
‑1是前一层的输出；全连接层第
k
层输出
f
k
表示为：
f
k
=ReLU(W
k
* f
k
‑1+b
k
)
，其中，
W
k
和 b
k
是第
k
层全连接层的权重和偏置，
ReLU
是激活函数，
f
k
‑1是前一层的输出；全连接层输出传递到单神经元输出层，单个神经元输出层的输出为
z
，使用
Sigmoid
激活函数将输出转换为0到1之间的概率，计算得到置信度分数
σ
(z)
：
z = W0* f
k
+ b0，
,
其中，
z
表示单个神经元输出层的输出；
W0和
b0分别是输出层的权重和偏置，
f
k
表示全连接层第 k
层输出，表示
e
的
‑
z
次方的作用是将
z
...

【技术保护点】

【技术特征摘要】
1.
一种人脸聚类更新方法，其特征在于，包括以下步骤：接收待处理图片，在检测到待处理图片中有人脸特征时，截取人脸图像；将所截取的所述人脸图像输入特征提取模型，输出与所述人脸图像相对应的当前人脸特征向量和人脸置信度；将所输出的所述当前人脸特征向量与预先建立的人脸特征数据库中的代表性人脸特征向量进行相似度计算；当所计算的相似度小于第一相似度阈值时，重新建立新的人脸标识，以更新人脸特征数据库；当所计算的相似度大于等于第一相似度阈值时，进一步判断所输出的人脸置信度是否大于置信度阈值，以确定是否更新人脸特征数据库
。2.
根据权利要求1所述的人脸聚类更新方法，其特征在于，还包括以下步骤：从预先建立的人脸特征数据库中检索到与所输出的当前人脸特征向量具有最高相似度的代表性人脸特征向量，并判断所述最高相似度是否大于第一相似度阈值，其中，在所述最高相似度大于等于第一相似度阈值时，将当前人脸特征向量所对应的人脸聚类到所述代表性人脸特征向量所对应的现有人物聚类簇中；在所述最高相似度小于第一相似度阈值时，根据当前人脸特征向量所对应的人脸建立新的人物聚类簇，以更新人脸特征数据库
。3.
根据权利要求2所述的人脸聚类更新方法，其特征在于，还包括以下步骤：在确定建立所述新的人物聚类簇时，对当前人脸特征向量进行多视角多样性判断，将当前人脸特征向量和与当前人脸特征向量具有最高相似度的代表性人脸特征向量进行拼合处理，并用作模型输入到多样性判别模型，得到差异性评估值
。4.
根据权利要求3所述的人脸聚类更新方法，其特征在于，还包括以下步骤：使用卷积神经网络算法，建立多样性判别模型；将拼合处理得到的模型输入
M[v1，
v2]
，输入多样性判别模型，得到差异性评估值
σ
(M)
：，其中，
σ
(M)
表示当前人脸特征向量和与当前人脸特征向量具有最高相似度的代表性人脸特征向量之间的人脸差异性， 其中，
M
表示将当前人脸特征向量和与当前人脸特征向量具有最高相似度的代表性人脸特征向量进行拼合处理后得到的向量矩阵
、
即多样性判别模型的神经网络的输入；
e
‑
CNN(M)
表示
e
的
‑
CNN(M)
次方，其作用是将
CNN(M)
转换为一个非线性范围，当
CNN(M)
为正数时，
‑
CNN(M)
的值越接近0，
σ
(M)
越接近1；当
CNN(M)
为负数时，
‑
CNN(M)
的值越接近1，
σ
(M)
越接近0，其中
CNN(M)
表示多样性判别模型的神经网络的输出
。5.
根据权利要求3所述的人脸聚类更新方法，其特征在于，还包括以下步骤：根据所得到的差异性评估值，重新确定是否建立新的人物聚类簇，在所得到的差异评估值大于设定阈值时，确定建立新的人物聚类簇；在所得到的差异评估值小于等于设定阈值时，进一步判断当前人脸特征向量所对应的人脸图像的质量，以确定是否替换与当前人脸特征向量具有最高相似度的代表性人脸特征向量所对应的现有人脸图像
。
6.
根据权利要求1所述的人脸聚类更新方法，其特征在于，还包括以下步骤：计算置信度阈值，具体为：将检测到的人脸部分应用一组卷积层和全连接层进行计算，卷积层第
L
层输出
h
L
表示为：
h
L
=ReLU(W
L
* h
L
‑1+b
...

【专利技术属性】
技术研发人员：贾志强，崔炜，牛冠杰，陈嘉诚，赵静坤，靳星，付成，
申请(专利权)人：联通在线信息科技有限公司，
类型：发明
国别省市：