买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：平安科技(深圳)有限公司

摘要：本发明公开了一种人脸五官聚类方法、装置、计算机设备及存储介质，应用于神经网络领域，用于解决对于人脸面相中的面相特征的识别和或自动标注不准确的问题。本发明提供的方法包括：获取用于进行人脸识别的至少两个神经网络模型中的低层特征；将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果；根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相；根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型；在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。

主权项：1.一种人脸五官聚类方法，其特征在于，包括：获取用于进行人脸识别的至少两个神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征；所述获取用于进行人脸识别的至少两个神经网络模型中的低层特征具体包括：获取已训练的至少两个用于进行人脸识别的所述神经网络模型；提取从各所述神经网络模型的隐藏层的最后一层中输出的所有低层特征向量；将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值；根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相；各个所述五官属性值导入到对应于所述人脸图像的五官属性值列表的各个预设位置中，所述人脸图像的五官属性值列表中的所有五官属性值代表所述人脸图像的人脸面相；根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型；在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。

全文数据：人脸五官聚类方法、装置、计算机设备及存储介质技术领域本发明涉及神经网络领域，尤其涉及一种人脸五官聚类方法、装置、计算机设备及存储介质。背景技术人脸作为人体的重要的生物特征，是判别一个人是谁的重要信息点，目前在图像处理、视觉技术、信息安全等领域有着一定的作用，而人脸中的五官眉、眼、鼻、嘴、耳的判别是人脸识别等应用技术的基础，且人脸中的五官都有着专属的面相特征比如，眉毛有柳叶眉、剑眉，眼睛有桃花眼、丹凤眼，鼻子有罗马鼻、东方鼻等，但对于人脸中的五官眉、眼、鼻、嘴、耳这些重要的中国传统面相特征，目前并没有一种准确的识别或和标注方法。因此，寻找一种能够对人脸面相中的面相特征进行准确的识别和或自动标注的技术方案成为本领域技术人员亟需解决的问题。发明内容基于此，有必要针对上述技术问题，提供一种可以对人脸面相中的面相特征进行准确识别并自动标注的人脸五官聚类方法、装置、计算机设备及存储介质。一种人脸五官聚类方法，包括：获取用于进行人脸识别的至少两个神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征。将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值。根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相。根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型。在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。一种人脸五官聚类装置，包括：获取模块，用于获取用于进行人脸识别的至少两个神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征。聚类模块，用于将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值。生成模块，用于根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相。识别模块，用于根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型。标注模块，用于在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述人脸五官聚类方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述人脸五官聚类方法的步骤。上述人脸五官聚类方法、装置、计算机设备及存储介质，首先获取用于进行人脸识别的至少两个神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征；接着将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值；再接着根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相；然后根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型；最后在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。总的来说，上述对神经网络模型中的低层特征进行聚类，将聚类结果生成人脸面相，实现了对人脸面相中的面相特征的准确识别和或自动标注。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本发明一实施例中人脸五官聚类方法的一应用环境示意图；图2是本发明一实施例中人脸五官聚类方法的一流程图；图3是本发明一实施例中人脸五官聚类方法步骤S10在一个应用环境下的流程示意图；图4是本发明一实施例中人脸五官聚类方法步骤S20在一个应用环境下的流程示意图；图5是本发明一实施例中人脸五官聚类方法步骤S203在一个应用环境下的流程示意图；图6是本发明一实施例中人脸五官聚类方法步骤S204在一个应用环境下的流程示意图；图7是本发明一实施例中人脸五官聚类装置的结构示意图；图8是本发明一实施例中计算机设备的一示意图。具体实施方式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作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。本申请提供的人脸五官聚类方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务器进行通信。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一实施例中，如图2所示，提供一种人脸五官聚类方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S10-S50：S10、获取用于进行人脸识别的至少两个神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征。可以理解的是，所述人脸识别的神经网络模型中的低层特征包括由基本要素比如人脸五官的关键的特征点、线和面等构成的人脸五官特征。在本实施例中，服务器获取用于进行人脸识别的神经网络模型中的低层特征，是指获取到所述神经网络模型中的人脸五官特征。S20、将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值。可以理解的是，所述神经网络模型中包含了人脸五官特征，而人脸五官特征是可以用低层特征来表示，此时，服务器对各所述低层特征进行所述聚类，所述聚类就是把各所述神经网络模型中的人脸五官特征之中相似的人脸五官特征在本发明中，也可简称为五官聚集在一起比如，把眉毛类型属于柳叶眉聚集在一类，把眉毛类型属于拱形眉聚集在一类，把眉毛类型属于剑眉聚集在一类等，得到所述神经网络模型中的低层特征所对应的聚类结果前面提到的柳叶眉、拱形眉和剑眉等五官属性值。具体地，将所述神经网络模型的人脸数据集人脸图像的集合进行五官抠取，将抠取后的五官图片，输入至步骤S10所获得的用于进行人脸识别的所述神经网络模型，获得人脸数据集人脸图像的集合的人脸五官低层特征向量。之后，用人脸数据人脸图像的人脸五官低层特征向量比如眉毛特征向量进行聚类，得到各五官的聚类簇中心点，也即，一个所述聚类簇中心点，与一种五官属性值的聚类结果相对应，其具体过程可参照下文中步骤S202-S204中所述，在此不再赘述。S30、根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相。可以理解的是，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值，由于所述人脸五官特征都可能存在着一定的差异，所以生成与各所述神经网络模型中的每个人脸图像对应的人脸面相都是存在着差异，因此，根据人脸面相所存在的差异，可以确定每一个人脸图像的面相特征类型。在该步骤中，可理解地，可以直接获取对应于每一个所述人脸图像中的各人脸五官特征的五官属性值也即上述步骤S30中所述聚类结果，并将上述各个五官属性值导入到对应于所述人脸图像的五官属性值列表根据需求设定该五官属性值列表中每一个五官属性值的预设位置的各个预设位置中，所述人脸图像的五官属性值列表中的所有五官属性值代表该人脸图像的人脸面相。可理解地，亦可以将对应于每一个所述人脸图像中的各人脸五官特征的五官属性值直接标注在所述人脸图像上对应于每一个人脸五官特征的位置，以更客观地标识该人脸图像的人脸面相。S40、根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型。在具体的实施例中，预设面相知识库里面可以包含了全部或者大多数已知的面相特征类型，对各所述神经网络模型中的每个人脸图像对应的人脸面相进行面相识别，可以将所述人脸面相进行特征类型的划分，服务器就可以获取个所述人脸图像的人脸面相所对应的面相特征类型。S50、在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。可以理解的是，从上面步骤S40已经确定出各所述人脸图像的人脸面相的面相特征类型，在预设面相知识库都有对所述面相特征类型进行文字定义，此时，服务器可以根据上述文字定义对各所述人脸图像的人脸面相进行不同的文字标注，以区分各人脸面相的属性值。进一步地，所述获取用于进行人脸识别的神经网络模型中的低层特征，如图3所示，具体可以包括如下步骤：S101、获取已训练的至少两个用于进行人脸识别的所述神经网络模型。在本实施例中，服务器可以获取至少两个用于进行人脸识别的所述神经网络模型来对其的五官特征来进行聚类，可以理解的是，获取的用于进行人脸识别的所述神经网络模型的训练数据集训练样本图像的集合数据量越多，得到的提取特征效果就越好。进一步地，所述用于进行人脸识别的神经网络模型的训练过程可以为以下步骤：获取训练样本图像。可以理解的是，所述训练样本图像为多个比如一万个，且各所述训练样本图像应该具备普遍性，各训练样本图像为不同年龄、不同性别、不同国籍等情况的各色各样的人的人脸图像。利用深度神经网络对各所述训练样本图像进行学习，得到各训练样本图像的人脸特征。其中采用的深度神经网络可以为CNNConvolutionalNeuralNetwork，卷积神经网络，具体地，利用深度神经网络提取的特征向量从各训练样本图像的人脸特征提取并输入相似度计算层用于计算两两人脸图像之间的相似度，该相似度由人脸图像对应的特征向量之间的相似度体现。利用各训练样本图像的人脸特征确定损失，利用最小化损失对各所述神经网络模型进行调参，得到用于进行人脸识别的各所述神经网络模型。经过上述步骤中的相似度计算层后，所述识别损失由不同人的人脸图像之间的相似度决定。输出相似度计算结果至损失层，映射层负责将计算得到损失反馈至深度神经网络层可以包括深度神经网络和全连接层，找出最小化损失，并利用最小化损失对深度神经网络层进行参数调整，得到用于进行人脸识别的各所述神经网络模型。S102、提取从各所述神经网络模型的隐藏层的最后一层中输出的所有低层特征向量。在该步骤中，所述隐藏层的最后一层能够对各所述神经网络模型进行高度提纯，方便后面进行聚类。具体的实施例中，将人脸数据集人脸图像的集合进行五官抠取，每个人脸图像可得到相应的眉毛、眼睛、鼻子、嘴巴五官图像，将各图像的各五官图像分别输入至用于进行人脸识别的所述神经网络模型，得到了各五官对应的人脸五官低层特征向量。其中，人脸数据集人脸图像的集合的数据量越多，各五官的聚类簇中心点分布就越准确。进一步地，如图4所示，所述步骤S20具体可以包括如下步骤：S201、将各五官对应的所述低层特征向量进行降维，获取与各所述低层特征向量对应的降维之后的降维特征向量，其中，所述降维特征向量的维度小于低层特征向量的维度，所述低层特征向量以及与所述低层特征向量降维后对应的所述降维特征向量均与所述神经网络模型中的低层特征所属的人脸五官特征关联。在具体的实施例中，所述降维比如PCA降维，其中，PCA是指主成分分析是为了可以让高维度的所述低层特征向量进行降维到低维度的所述降维特征向量，方便服务器处理所述低层特征向量更容易。其中，所述低层特征向量以及与降维后所述低层特征向量对应的所述降维特征向量均与所述神经网络模型中的低层特征所属的人脸五官特征关联。S202、在所述降维特征向量所属的向量空间中随机选取预设数量的第一聚类簇中心点，一个所述第一聚类簇中心点关联一种五官属性值的聚类结果。在具体的实施例中，所述第一聚类簇中心点是指用上述步骤S20中获得的对应于人脸数据人脸图像的人脸五官低层特征向量进行聚类之后，所得到的各人脸五官特征的聚类簇中心点。所述第一聚类簇中心点是所述降维特征向量所属的向量空间中的质心，服务器可以随机选取预定数量的所述第一聚类簇中心点，其中，一个所述第一聚类簇中心点关联一种五官属性值的聚类结果，比如，上述例子提到的柳叶眉的聚类结果就是代表着眉毛特征向量第一聚类簇中心点。S203、遍历所有所述降维特征向量，根据各所述降维特征向量与预设数量的所述第一聚类簇中心点之间的距离，确定各所述降维特征向量与各所述第一聚类簇中心点的关联关系。在具体的实施例中，通过计算各所述降维特征向量与各所述第一聚类簇中心点之间的距离，其中，通过对各个距离进行比较，确定离所述降维特征向量最近的所述第一聚类簇中心点作为与所述降维特征向量关联的第一聚类簇中心点不管是一个还是一个以上降维特征向量，在多个所述第一聚类簇中心点中，只需选择最近的一个所述第一聚类簇中心点与其关联即可，当出现距离一样的两个或者两个以上的所述第一聚类簇中心点，服务器可以随机选择一个所述第一聚类簇中心点与其建立关联关系，其中，当确定与一个所述降维特征向量关联的第一聚类簇中心点之后，可以获取以该第一聚类簇中心点为中心的，且与该第一聚类簇中心点存在关联关系的所有所述降维特征向量，且上述所有所述降维特征向量与该第一聚类簇中心点构成了一个簇群。进一步地，对于步骤S203，如图5所示，具体可以包括如下步骤：S2031、计算各所述降维特征向量到预设数量的所述第一聚类簇中心点之间的距离，所述降维特征向量到所述第一聚类簇中心点之间的距离对应于与所述降维特征向量关联的人脸五官特征和所述第一聚类簇中心点所关联的五官属性值之间的相似程度。可以理解的是，此聚类方式用到的算法K-means算法，即K-均值算法中有多种根据不同参数情况变化的计算距离的公式比如曼哈顿距离、欧氏距离、切比雪夫距离和海明距离，在二维平面的情况下，就可以通过两点坐标之间求出两点之间的直线距离。其中，根据此聚类方式用到的算法K-means算法，即K-均值算法中的含义，可知道所述特征向量到所述第一聚类簇中心点之间的距离对应于与所述降维特征向量关联的人脸五官特征和所述第一聚类簇中心点所关联的五官属性值之间的相似程度，即认为两个对象所述降维特征向量与所述第一聚类簇中心点的距离越近，其相似度就越大。S2032、选取距离所述降维特征向量最近的各所述第一聚类簇的中心点，作为与该降维特征向量对应的所述第一聚类簇中心点。在具体的实施例中，从上面步骤S2031计算求得各个所述降维特征向量与预设数量的所述第一聚类簇中心点之间的距离，通过进行比较距离的大小，可以选择确定出距离所述降维特征向量最近的所述第一聚类簇的中心点。S2033、记录各所述第一聚类簇中心点以及与其对应的所述降维特征向量之间的关联关系。在具体的实施例中，当选择出以所述第一聚类簇中心点为中心点的各所述降维特征向量之后，记录两者之间的关联关系，一个所述第一聚类簇中心点与至少一个所述降维特征向量之间存在关联关系，且它们构成了簇群，所述降维特征向量是所述第一聚类簇中心的聚合点。S204、获取与各所述第一聚类簇中心点存在关联关系的所有所述降维特征向量，并根据所有该降维特征向量对所述第一聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点，所述最终聚类结果是指与所述第一聚类簇中心点存在关联关系的所有降维特征向量各自关联的所有所述人脸五官特征均对应的五官属性值。可以理解的是，迭代是重复反馈过程的活动，其目的通常是为了逼近所需目标或结果。具体地，获取与各所述第一聚类簇中心点存在关联关系的所有降维特征向量，并根据所有该降维特征向量对所述第一聚类簇中心点进行迭代，以获取最终的聚类结果，也即与该聚类结果对应的第二聚类簇中心点。在一具体的实施例中，所述步骤S204中，所述根据所有该降维特征向量对所述第一聚类簇中心点进行迭代，以获取第二聚类簇中心点，如图6所示，包括：S2041、根据与所述第一聚类簇中心点存在关联关系的所有所述降维特征向量进行坐标平均值计算，以获取与该坐标平均值对应的下一个聚类簇的中心点。可以理解的是，上述步骤S2033已经提到，当服务器确定所述第一聚类簇中心点与所述降维特征向量之间的关联关系之后，所述降维特征向量与所述第一聚类簇中心点构成了簇群，此时，服务器获取簇群所有点的坐标值，对各个坐标值进行求平均值比如，在二维平面的情况下，对所有的横坐标进行平均值的计算，对所有纵坐标进行平均值的计算，通过计算出来的平均值作为下一个所述聚类簇的中心点。S2042、判断所述下一个聚类簇的中心点与所述第一聚类簇的中心点之间的距离是否小于或者等于预设阈值。在具体的实施例中，可以通过计算出来的所述下一个聚类簇的中心点与所述第一聚类簇的中心点之间的距离来比较判断与所述预设阈值的关系，其中，所述预设阈值是通过大量样本数据得到的一个可以反应它们之间的关系判断是否达到收敛。S2043、若小于或等于预设阈值，则确认所述下一个聚类簇的中心点为与最终聚类结果对应的第二聚类簇中心点。可以理解的是，若小于或等于预设阈值，则说明所述下一个聚类簇的中心点与所述第一聚类簇的中心点达到了收敛的关系，此时，可以确认所述下一个聚类簇的中心点为与最终聚类结果对应的第二聚类簇中心点。S2044、若大于预设阈值，则根据各所述降维特征向量与各所述下一个聚类簇中心点之间的距离，确定各所述降维特征向量与各所述下一个聚类簇中心点的关联关系，并根据与所述下一个聚类簇中心点存在关联关系的所有所述降维特征向量对所述下一个聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点。可以理解的是，若大于预设阈值，则说明迭代依旧并未完成，此时，可以确认各所述降维特征向量与各所述下一个聚类簇中心点之间的关联关系。并根据与所述下一个类簇中心点存在关联关系的所有所述降维特征向量对所述下一个聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点。进一步地，所述步骤S40包括如下步骤：将所述人脸图像的人脸面相与所述预设面相知识库中的各面相特征类型进行匹配。在具体的实施例中，所述预设面相知识库里面可以包含了全部或者大多数已知的面相特征类型，所有将所述人脸图像的人脸面相与所述预设面相知识库中的各面相特征类型进行匹配，在所述人脸图像的人脸面相与所述预设面相知识库中的一个面相特征类型匹配时，可以根据该面相特征类型对所述人脸面相进行划分特征类型；在特殊的应用场景下，所述人脸图像的人脸面相与所述预设面相知识库中的所有面相特征类型均不匹配，所述人脸面相可能是比较特殊的面相特征类型比较少见并没有收录到所述预设面相知识库中，也可能某种环节出现错误，此时可以将该种类型的面相特征类型加入所述预设面相知识库中，亦可以提示预设人员进行人工处理。若所述人脸图像的人脸面相与所述预设面相知识库中的一个面相特征类型匹配成功，将该面相特征类型确认为与所述人脸图像的人脸面相对应的面相特征类型。在具体的实施例中，若所述人脸图像的人脸面相与所述预设面相知识库中的一个面相特征类型匹配成功，则说明所述人脸面相是现有已知且存储在所述预设面相知识库中的面相特征类型，此时，服务器将该面相特征类型确认为与所述人脸图像的人脸面相对应的面相特征类型。若所述人脸图像的人脸面相与所述预设面相知识库中的所有面相特征类型均匹配不成功，将进行报错处理或者为所述人脸图像的人脸面相设置新的面相特征类型，并将所述新的面相特征类型与所述人脸图像的人脸面相关联存储至所述预设面相知识库，所述新的面相特征类型区别于所述预设面相知识库中所有面相特征类型。在具体的实施例中，若所述人脸图像的人脸面相与所述预设面相知识库中的所有面相特征类型均匹配不成功，则可以说明所述人脸面相是比较特殊的面相特征类型，暂时没有被收录到所述预设面相知识库中，也有可能某种环节出现错误，此时，服务器可以将进行报错处理或者为所述人脸图像的人脸面相设置新的面相特征类型，并将所述新的面相特征类型与所述人脸图像的人脸面相关联存储至所述预设面相知识库。亦可以提示错误，从而提示预设人员进入人工审核。综上所述，上述提供了一种人脸五官聚类方法，首先获取用于进行人脸识别的神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征；接着将各所述神经网络模型中的低层特征进行聚类，得到聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值；再接着根据所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相；然后根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型；最后在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。总的来说，上述对神经网络模型中的低层特征进行聚类，将聚类结果生成人脸面相，实现了对人脸面相中的面相特征的准确识别和或自动标注。应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。在一实施例中，提供一种人脸五官聚类装置，该人脸五官聚类装置与上述实施例中人脸五官聚类方法一一对应。如图7所示，该人脸五官聚类装置包括获取模块11、聚类模块12、生成模块13、识别模块14和标注模块15。各功能模块详细说明如下：获取模块11，用于获取用于进行人脸识别的两个以上神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征。聚类模块12，用于将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值。生成模块13，用于根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相。识别模块14，用于根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型。标注模块15，用于在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。进一步地，所述获取模块可以包括：获取子模块，用于获取已训练的至少两个用于进行人脸识别的所述神经网络模型。提取子模块，用于提取从各所述神经网络模型的隐藏层的最后一层中输出的所有低层特征向量。进一步地，所述聚类模块可以包括：降维特征向量获取子模块，用于将各五官对应的所述低层特征向量进行降维，获取与各所述低层特征向量对应的降维之后的降维特征向量，其中，所述降维特征向量的维度小于低层特征向量的维度，所述低层特征向量以及与所述低层特征向量降维后对应的所述降维特征向量均与所述神经网络模型中的低层特征所属的人脸五官特征关联。选取子模块，用于在所述降维特征向量所属的向量空间中随机选取预设数量的第一聚类簇中心点，一个所述第一聚类簇中心点关联一种五官属性值的聚类结果。确定子模块，用于遍历所有所述降维特征向量，根据各所述降维特征向量与预设数量的所述第一聚类簇中心点之间的距离，确定各所述降维特征向量与各所述第一聚类簇中心点的关联关系。第二聚类簇中心点获取子模块，用于获取与各所述第一聚类簇中心点存在关联关系的所有所述降维特征向量，并根据所有该降维特征向量对所述第一聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点，所述最终聚类结果是指与所述第一聚类簇中心点存在关联关系的所有降维特征向量各自关联的所有所述人脸五官特征均对应的五官属性值。进一步地，所述确定子模块可以包括：计算单元，用于计算各所述降维特征向量到预设数量的所述第一聚类簇中心点之间的距离，所述降维特征向量到所述第一聚类簇中心点之间的距离对应于与所述降维特征向量关联的人脸五官特征和所述第一聚类簇中心点所关联的五官属性值之间的相似程度。选取单元，用于选取距离所述降维特征向量最近的各所述第一聚类簇的中心点，作为与该降维特征向量对应的所述第一聚类簇中心点。记录单元，用于记录各所述第一聚类簇中心点以及与其对应的所述降维特征向量之间的关联关系。进一步地，所述第二聚类簇中心点获取单元可以包括：计算子单元，用于根据与所述第一聚类簇中心点存在关联关系的所有所述降维特征向量进行坐标平均值计算，以获取与该坐标平均值对应的下一个聚类簇的中心点。判断子单元，用于判断所述下一个聚类簇的中心点与所述第一聚类簇的中心点之间的距离是否小于或者等于预设阈值。确认子单元，用于若小于或等于预设阈值，则确认所述下一个聚类簇的中心点为与最终聚类结果对应的第二聚类簇中心点。获取子单元，用于若大于预设阈值，则根据各所述降维特征向量与各所述下一个聚类簇中心点之间的距离，确定各所述降维特征向量与各所述下一个聚类簇中心点的关联关系，并根据与所述下一个聚类簇中心点存在关联关系的所有所述降维特征向量对所述下一个聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点。进一步地，所述识别模块可以包括：匹配子模块，用于将所述人脸图像的人脸面相与所述预设面相知识库中的各面相特征类型进行匹配。确认子模块，用于若所述人脸图像的人脸面相与所述预设面相知识库中的一个面相特征类型匹配成功，将该面相特征类型确认为与所述人脸图像的人脸面相对应的面相特征类型。报错子模块，用于若所述人脸图像的人脸面相与所述预设面相知识库中的所有面相特征类型均匹配不成功，将进行报错处理或者为所述人脸图像的人脸面相设置新的面相特征类型，并将所述新的面相特征类型与所述人脸图像的人脸面相关联存储至所述预设面相知识库，所述新的面相特征类型区别于所述预设面相知识库中所有面相特征类型。关于人脸五官聚类装置的具体限定可以参见上文中对于人脸五官聚类方法的限定，在此不再赘述。上述人脸五官聚类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储人脸五官聚类方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸五官聚类方法。在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中人脸五官聚类方法的步骤，例如图2所示的步骤S10至步骤S50。或者，处理器执行计算机程序时实现上述实施例中人脸五官聚类装置的各模块单元的功能，例如图7所示模块11至模块15的功能。为避免重复，这里不再赘述。在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中人脸五官聚类方法的步骤，例如图2所示的步骤S10至步骤S50。或者，计算机程序被处理器执行时实现上述实施例中人脸五官聚类装置的各模块单元的功能，例如图7所示模块11至模块15的功能。为避免重复，这里不再赘述。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和或易失性存储器。非易失性存储器可包括只读存储器ROM、可编程ROMPROM、电可编程ROMEPROM、电可擦除可编程ROMEEPROM或闪存。易失性存储器可包括随机存取存储器RAM或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAMSRAM、动态RAMDRAM、同步DRAMSDRAM、双数据率SDRAMDDRSDRAM、增强型SDRAMESDRAM、同步链路SynchlinkDRAMSLDRAM、存储器总线Rambus直接RAMRDRAM、直接存储器总线动态RAMDRDRAM、以及存储器总线动态RAMRDRAM等。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

权利要求：1.一种人脸五官聚类方法，其特征在于，包括：获取用于进行人脸识别的至少两个神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征；将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值；根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相；根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型；在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。2.根据权利要求1所述的人脸五官聚类方法，其特征在于，所述获取用于进行人脸识别的至少两个神经网络模型中的低层特征具体包括：获取已训练的至少两个用于进行人脸识别的所述神经网络模型；提取从各所述神经网络模型的隐藏层的最后一层中输出的所有低层特征向量。3.根据权利要求1所述的人脸五官聚类方法，其特征在于，所述将各所述神经网络模型中的低层特征进行聚类，得到聚类结果具体包括：将各五官对应的所述低层特征向量进行降维，获取与各所述低层特征向量对应的降维之后的降维特征向量，其中，所述降维特征向量的维度小于低层特征向量的维度，所述低层特征向量以及与所述低层特征向量降维后对应的所述降维特征向量均与所述神经网络模型中的低层特征所属的人脸五官特征关联；在所述降维特征向量所属的向量空间中随机选取预设数量的第一聚类簇中心点，一个所述第一聚类簇中心点关联一种五官属性值的聚类结果；遍历所有所述降维特征向量，根据各所述降维特征向量与预设数量的所述第一聚类簇中心点之间的距离，确定各所述降维特征向量与各所述第一聚类簇中心点的关联关系；获取与各所述第一聚类簇中心点存在关联关系的所有所述降维特征向量，并根据所有该降维特征向量对所述第一聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点，所述最终聚类结果是指与所述第一聚类簇中心点存在关联关系的所有降维特征向量各自关联的所有所述人脸五官特征均对应的五官属性值。4.根据权利要求3所述的人脸五官聚类方法，其特征在于，所述遍历所有所述降维特征向量，根据各所述降维特征向量与预设数量的所述第一聚类簇中心点之间的距离，确定各所述降维特征向量与各所述第一聚类簇中心点的关联关系具体包括：计算各所述降维特征向量到预设数量的所述第一聚类簇中心点之间的距离，所述降维特征向量到所述第一聚类簇中心点之间的距离对应于与所述降维特征向量关联的人脸五官特征和所述第一聚类簇中心点所关联的五官属性值之间的相似程度；选取距离所述降维特征向量最近的各所述第一聚类簇的中心点，作为与该降维特征向量对应的所述第一聚类簇中心点；记录各所述第一聚类簇中心点以及与其对应的所述降维特征向量之间的关联关系。5.根据权利要求3所述的人脸五官聚类方法，其特征在于，所述根据所有该降维特征向量对所述第一聚类簇中心点进行迭代，以获取第二聚类簇中心点具体包括：根据与所述第一聚类簇中心点存在关联关系的所有所述降维特征向量进行坐标平均值计算，以获取与该坐标平均值对应的下一个聚类簇的中心点；判断所述下一个聚类簇的中心点与所述第一聚类簇的中心点之间的距离是否小于或者等于预设阈值；若小于或等于预设阈值，则确认所述下一个聚类簇的中心点为与最终聚类结果对应的第二聚类簇中心点；若大于预设阈值，则根据各所述降维特征向量与各所述下一个聚类簇中心点之间的距离，确定各所述降维特征向量与各所述下一个聚类簇中心点的关联关系，并根据与所述下一个聚类簇中心点存在关联关系的所有所述降维特征向量对所述下一个聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点。6.根据权利要求1所述的人脸五官聚类方法，其特征在于，所述根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型具体包括：将所述人脸图像的人脸面相与所述预设面相知识库中的各面相特征类型进行匹配；若所述人脸图像的人脸面相与所述预设面相知识库中的一个面相特征类型匹配成功，将该面相特征类型确认为与所述人脸图像的人脸面相对应的面相特征类型；若所述人脸图像的人脸面相与所述预设面相知识库中的所有面相特征类型均匹配不成功，将进行报错处理或者为所述人脸图像的人脸面相设置新的面相特征类型，并将所述新的面相特征类型与所述人脸图像的人脸面相关联存储至所述预设面相知识库，所述新的面相特征类型区别于所述预设面相知识库中所有面相特征类型。7.一种人脸五官聚类装置，其特征在于，包括：获取模块，用于获取用于进行人脸识别的至少两个神经网络模型中的低层特征，所述低层特征包括由人脸基本要素构成的人脸五官特征；聚类模块，用于将各所述神经网络模型中的低层特征进行聚类，得到各聚类结果，所述进行聚类是指将相似的所述人脸五官特征聚集在一起，所述聚类结果是指聚集在一起的相似的所述人脸五官特征所对应的五官属性值；生成模块，用于根据各所述聚类结果生成与各所述神经网络模型中的每个人脸图像对应的人脸面相；识别模块，用于根据预设面相知识库中的面相特征类型，对各所述人脸图像的人脸面相进行识别，以获取与各所述人脸图像的人脸面相所对应的面相特征类型；标注模块，用于在各所述人脸图像的人脸面相上标注与该人脸图像的人脸面相对应的面相特征类型。8.根据权利要求7所述的人脸五官聚类装置，其特征在于，所述聚类模块包括：降维特征向量获取子模块，用于将各五官对应的所述低层特征向量进行降维，获取与各所述低层特征向量对应的降维之后的降维特征向量，其中，所述降维特征向量的维度小于低层特征向量的维度，所述低层特征向量以及与所述低层特征向量降维后对应的所述降维特征向量均与所述神经网络模型中的低层特征所属的人脸五官特征关联；选取子模块，用于在所述降维特征向量所属的向量空间中随机选取预设数量的第一聚类簇中心点，一个所述第一聚类簇中心点关联一种五官属性值的聚类结果；确定子模块，用于遍历所有所述降维特征向量，根据各所述降维特征向量与预设数量的所述第一聚类簇中心点之间的距离，确定各所述降维特征向量与各所述第一聚类簇中心点的关联关系；第二聚类簇中心点获取子模块，用于获取与各所述第一聚类簇中心点存在关联关系的所有所述降维特征向量，并根据所有该降维特征向量对所述第一聚类簇中心点进行迭代，以获取与最终聚类结果对应的第二聚类簇中心点，所述最终聚类结果是指与所述第一聚类簇中心点存在关联关系的所有降维特征向量各自关联的所有所述人脸五官特征均对应的五官属性值。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述人脸五官聚类方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述人脸五官聚类方法。

百度查询： 平安科技(深圳)有限公司 人脸五官聚类方法、装置、计算机设备及存储介质