人像档案聚档评估方法、装置、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种人像档案聚档评估方法、装置、电子设备及存储介质。

背景技术

随着计算机信息技术和互联网技术的发展，大数据不仅在商业领域有着非凡的应用成果，其在政治领域的重视程度也逐年提高。典型的例如：公安系统，在公安大数据应用中，人像应用占据着至关重要的地位，效果也是愈来愈明显，之前公安人像的应用着重于防控打击，近年来转变为预防治理，支撑预防治理的有效方法就是对所有采集到的人像进行聚档(归档)，然而，对聚档(归档)效果的好坏还欠缺较为有效的评估依据。

发明内容

针对上述问题，本申请提供了一种人像档案聚档评估方法、装置、电子设备及存储介质，能够对聚类算法模型的人像聚档效果进行有效的评估。

本申请实施例第一方面提供了一种人像档案聚档评估方法，该人像档案聚档评估方法包括：

获取用户发送的人像档案聚档的评估请求，所述评估请求中包括目标聚类算法模型的标识信息；

根据所述标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果；

检测所述聚档结果以获取有效聚档结果；

获取所述有效聚档结果的分值，并根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果。

结合第一方面，在一种可能的实施方式中，所述样本人像数据集由第一预设数量个不同样本对象的样本档案构成，每个样本对象的样本档案中均包括该样本对象的第二预设数量个人脸图像，且每个人脸图像均携带有鉴别标签；

所述检测所述聚档结果以获取有效聚档结果，包括：

遍历所述聚档结果中的每张人脸图像，获取所述聚档结果中第一目标人脸图像的所述鉴别标签；所述第一目标人脸图像为所述样本人像数据集中的人脸图像；

根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果。

结合第一方面，在一种可能的实施方式中，所述根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果，包括：

根据所述第一目标人脸图像的所述鉴别标签确定所述聚档结果中第二目标人脸图像的数量；所述第二目标人脸图像为所述样本人像数据集中属于同一样本对象的人脸图像；所述第一目标人脸图像包括所述第二目标人脸图像；

若所述第二目标人脸图像的数量大于或等于第一阈值，且所述聚档结果中人脸图像的总数大于或等于第二阈值，则将所述聚档结果确定为有效聚档结果。

结合第一方面，在一种可能的实施方式中，所述获取所述有效聚档结果的分值，包括：

若所述有效聚档结果中只存在属于一个样本对象的所述第二目标人脸图像，则将所述有效聚档结果确定为该样本对象的有效档案，采用预设公式计算得到所述有效聚档结果的分值；

所述根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果，包括：

根据所述有效聚档结果的分值计算得到所有所述有效聚档结果的分值总和；

利用所有所述有效聚档结果的分值总和获取所述目标聚类算法模型的有效聚档率；

根据所述有效聚档率得到所述目标聚类算法模型的聚档评估结果。

结合第一方面，在一种可能的实施方式中，所述获取所述有效聚档结果的分值，还包括：

若所述有效聚档结果中存在属于n个样本对象的所述第二目标人脸图像的数量均大于或等于第一阈值，则将所述有效聚档结果确定为n个样本对象中所述第二目标人脸图像的数量最大的一个样本对象的有效档案，采用所述预设公式计算得到所述有效聚档结果的分值。

本申请实施例第二方面提供了一种人像档案聚档评估装置，该人像档案聚档评估装置包括：

请求获取模块，用于获取用户发送的人像档案聚档的评估请求，所述评估请求中包括目标聚类算法模型的标识信息；

人像聚类模块，用于根据所述标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果；

有效档案获取模块，用于检测所述聚档结果以获取有效聚档结果；

聚档评估模块，用于获取所述有效聚档结果的分值，并根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果。

本申请实施例第三方面提供了一种电子设备，所述电子设备包括：处理器、存储器及存储在所述存储器上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的人像档案聚档评估方法中的步骤。

本申请实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的人像档案聚档评估方法中的步骤。

本申请的上述方案至少包括以下有益效果：通过获取用户发送的人像档案聚档的评估请求，从评估请求中获取需调用的目标聚类算法模型的标识信息；根据标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果；检测所述聚档结果以获取有效聚档结果；获取有效聚档结果的分值，并根据有效聚档结果的分值得到目标聚类算法模型的聚档评估结果。这样在采用目标聚类算法对打乱的样本人像数据集和干扰人像数据集进行聚档后，对聚档结果中来自样本人像数据集中的人脸图像进行检测，以从聚档结果中确定出有效档案，然后按照预设规则计算每一有效档案的分值，最后根据每一有效档案的分值得到目标聚类算法模型的聚档效果的衡量指标，依据该衡量指标能够对人像聚档效果进行有效的评估。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种应用架构图；

图2为本申请实施例提供的一种人像档案聚档评估方法的流程示意图；

图3为本申请实施例提供的一种对样本人像数据集和干扰人像数据集聚档的示例图；

图4为本申请实施例提供的另一种人像档案聚档评估方法的流程示意图；

图5为本申请实施例提供的一种获取有效聚档结果的流程示意图；

图6为本申请实施例提供的一种人像档案聚档评估装置的结构示意图；

图7为本申请实施例提供的另一种人像档案聚档评估装置的结构示意图；

图8为本申请实施例提供的另一种人像档案聚档评估装置的结构示意图；

图9为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同的对象，而并非用于描述特定的顺序。

首先结合相关附图来举例介绍下本申请实施例的方案可能应用到的网络系统架构。请参见图1，图1为本申请实施例提供的一种应用架构图，如图1所示，包括用户终端、数据库、图像采集设备和人像聚档评估系统，其中，用户终端主要用于与人像聚档评估系统进行交互，例如：用户可在该用户终端输入一些操作指令以向人像聚档评估系统的服务器发送某种请求，在该服务器针对该请求作出相应处理后，用户终端可接收该服务器返回的处理结果，并在显示部位向用户进行展示，可选的，用户输入的操作指令可以是执行代码、语音指令、触控指令、按键按压指令等等，用户终端包括但不限于智能手机、电脑、个人数字助理(Personal Digital Assistant，PDA)、可穿戴设备。数据库可以是国内外的一些开源人脸数据库，或者也可以是人像聚档评估系统开发方的本地数据库、云端数据库等，能够向用户提供用于训练和评估聚类算法模型的人脸图像。图像采集设备在一些情况下可向人像聚档评估系统的服务器提供实时采集的人脸图像，经过用户标注后形成人像数据集，用户还可根据实际需要将人像数据集划分为多个子集，例如：训练集、测试集，或者样本集、干扰集等，当然，在一些情况下，图像采集设备还可将采集的人脸图像保存在上述数据库中，以待后续的标注或调用。人像聚档评估系统用于在接收到用户终端发送的人像档案聚档评估请求后，调用聚类算法模型对人像数据集进行聚类，并根据聚类结果获取一系列指标，以对聚类结果进行评估，最后将评估结果返回至用户终端，其中，人像聚档评估系统中预先构建有至少一个聚类算法模型，且聚类算法模型均对应有唯一标识信息，用户可根据该标识信息调用相应聚类算法模型，可选的，人像聚档评估系统的服务器可以是本地服务器、云端服务器，或者服务器集群等，具体不作限定。

基于图1所示的应用架构，以下结合其他附图对本申请实施例提供的人像档案聚档评估方法、装置、电子设备及存储介质进行详细阐述。

请参见图2，图2为本申请实施例提供的一种人像档案聚档评估方法的流程示意图，该人像档案聚档评估方法可由电子设备执行，如图2所示，包括步骤S21-S24：

S21，获取用户发送的人像档案聚档的评估请求，所述评估请求中包括目标聚类算法模型的标识信息。

本申请具体实施例中，用户可以是人像档案聚档的评估人员，或者还可以是人像聚档评估系统的开发人员，等等。具体的，用户终端安装有人像聚档评估系统的客户端，人像聚档评估系统的客户端界面可提供相关控件，用户在准备好待聚档的人像数据集后，可在人像聚档评估系统选择相应的聚类算法模型，然后通过触发人像聚档评估系统客户端界面的相关控件向人像聚档评估系统的服务器发送人像档案聚档评估请求，该评估请求用于请求该服务器对待聚档的人像数据集执行聚档操作。另外，目标聚类算法模型即用户选取的、需要执行聚档操作的模型，标识信息即每一聚类算法模型的身份标识，用户可通过该标识信息选中该目标聚类算法模型，因此，上述评估请求中携带有该目标聚类算法模型的标识信息。需要说明的是，本申请实施例并不限定通过触发相关控件来发送评估请求，还可通过例如输入程序代码等形式发送评估请求。

S22，根据所述标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果。

本申请具体实施例中，目标聚类算法模型可以是K均值聚类算法模型，或者可以是基于密度的聚类算法模型，或者还可以是用高斯混合模型的最大期望聚类算法模型等等。样本人像数据集即预先选定的需要进行聚档的人像数据集，为了提高目标聚类算法模型的抗干扰能力，本方案还采用了不是样本人像数据集中的人脸图像构成干扰人像数据集。

如图3所示，样本人像数据集由H个样本对象的H个样本档案构成，一个样本档案中有一个样本对象的S张人脸图像，可见样本人像数据集中的人脸图像为S*H张，且该S*H张人脸图像都带有标注信息；而干扰人像数据集中有M张人脸图像，这M张人脸图像均不是来自于上述H个样本对象；选定样本人像数据集和干扰人像数据集后，将两个数据集中的人脸图像打乱，得到一合并的人像数据集。服务器在接收到上述评估请求后，首先对评估请求进行解析，以获取到目标聚类算法模型的标识信息，根据该标识信息确定该目标聚类算法模型，将合并的人像数据集输入目标聚类算法模型聚类得到n个聚档结果，每个聚档结果即一个人像档案，n为大于或等于1的正整数，且每个聚档结果中的人脸图像的数量分别为P1、P2、P3…Pn。

S23，检测所述聚档结果以获取有效聚档结果。

本申请具体实施例中，步骤S23得到聚档结果后，服务器对每个聚档结果进行检测，以判断所检测的人像档案是否为有效聚档结果，即有效档案，所谓有效聚档结果是指来自于同一样本档案(同一样本对象)的人脸图像的数量大于或等于一定阈值，且其中的人脸图像的总数也大于或等于一定阈值的聚档结果。针对图3所示的样本人像数据集和干扰人像数据集，经过目标聚类算法模型聚类后，产生的有效聚档结果的数量h大于或等于0，且小于或等于S。

S24，获取所述有效聚档结果的分值，并根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果。

本申请具体实施例中，在确定出h个有效聚档结果后，首先计算每个有效聚档结果的分值，采用的计算规则是：Y＝Si-Li，其中，i＝1，2，…，h，Y表示第i个有效聚档结果的分值，Si表示第i个有效聚档结果中来自于同一样本档案(同一样本对象)且数量大于或等于一定阈值的人脸图像的具体数量，Li表示第i个有效聚档结果中除Si张人脸图像以外的人脸图像的数量，对于求出的Y值小于0的有效聚档结果，将其分值取为0，那么，h个有效聚档结果的分值总和则为：(S1-L1)+(S2-L2)+...+(Sh-Lh)，对于样本人像数据集中的H个样本档案，目标聚类算法模型全部聚档正确的总分为：S*H，根据h个有效聚档结果的分值总和、目标聚类算法模型全部聚档正确的总分求得目标聚类算法模型的有效聚档率：(S1-L1)+(S2-L2)+...+(Sh-Lh)/S*H。之后，将该有效聚档率与预设有效聚档率进行比较，若该有效聚档率大于或等于预设有效聚档率，则认为目标聚类算法模型的聚档效果符合预期，若该有效聚档率小于有效聚档率，则认为目标聚类算法模型的聚档效果不符合预期。

需要说明的是，预设有效聚档率可以为多个，那么聚档评估结果就会随之有多个，例如：该有效聚档率大于或等于第一预设有效聚档率，则认为目标聚类算法模型的聚档效果较佳；该有效聚档率小于或等于第一预设有效聚档率，且大于或等于第二预设有效聚档率，则认为目标聚类算法模型的聚档效果基本合格，该有效聚档率小于或等于第二预设有效聚档率，则认为目标聚类算法模型的聚档效果较差，当然，预设有效聚档率会因为聚类算法模型的不同而不同，不同的人像数据集使用同一聚类算法模型的预设有效聚档率也会不同。

可以看出，本申请实施例通过获取用户发送的人像档案聚档的评估请求，从评估请求中获取需调用的目标聚类算法模型的标识信息；根据标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果；检测所述聚档结果以获取有效聚档结果；获取有效聚档结果的分值，并根据有效聚档结果的分值得到目标聚类算法模型的聚档评估结果。这样在采用目标聚类算法对打乱的样本人像数据集和干扰人像数据集进行聚档后，对聚档结果中来自样本人像数据集中的人脸图像进行检测，以从聚档结果中确定出有效档案，然后按照预设规则计算每一有效档案的分值，最后根据每一有效档案的分值得到目标聚类算法模型的聚档效果的衡量指标(有效聚档率)，依据该衡量指标能够对人像聚档效果进行有效的评估。

请参见图4，图4为本申请实施例提供的另一种人像档案聚档评估方法的流程示意图，如图4所示，包括步骤S41-S45：

S41，获取用户发送的人像档案聚档的评估请求，所述评估请求中包括目标聚类算法模型的标识信息；

S42，根据所述标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果；所述样本人像数据集由第一预设数量个不同样本对象的样本档案构成，每个样本对象的样本档案中均包括该样本对象的第二预设数量个人脸图像，且每个人脸图像均携带有鉴别标签；

本申请具体实施例中，第一预设数量可由用户根据实际情况确定，例如：500，第二预设数量也可由用户根据实际情况确定，例如：80，鉴别标签即每个样本档案中的人脸图像的标注信息，用于确定聚档结果中携带标签信息的人脸图像是否为同一样本档案中的人脸图像，因此，500个样本档案中每个样本档案的鉴别标签是不同的，例如：样本档案1中的人脸图像的鉴别标签均为0，样本档案2中的人脸图像的鉴别标签均为1，……，样本档案500中的人脸图像的鉴别标签均为499等。

S43，遍历所述聚档结果中的每张人脸图像，获取所述聚档结果中第一目标人脸图像的所述鉴别标签；所述第一目标人脸图像为所述样本人像数据集中的人脸图像；

本申请具体实施例中，针对上述至少一个聚档结果，首先遍历每个聚档结果中的每张人脸图像，判断其是否有鉴别标签，并将来自样本人像数据集中的人脸图像的鉴别标签记录下来。

S44，根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果。

在一种可能的实施方式中，如图5所示，上述根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果，包括：

S51，根据所述第一目标人脸图像的所述鉴别标签确定所述聚档结果中第二目标人脸图像的数量；所述第二目标人脸图像为所述样本人像数据集中属于同一样本对象的人脸图像；所述第一目标人脸图像包括所述第二目标人脸图像；

S52，若所述第二目标人脸图像的数量大于或等于第一阈值，且所述聚档结果中人脸图像的总数大于或等于第二阈值，则将所述聚档结果确定为有效聚档结果。

本申请具体实施例中，在获取到第一目标人脸图像的鉴别标签后，对鉴别标签进行统计，例如：聚档结果1中有50个1，则表示聚档结果1中存在50个来自样本档案2中的人脸图像；聚档结果1中有3个0，则表示聚档结果1中存在3个来自样本档案1中的人脸图像。第一阈值可预先设定，例如：样本档案中人脸图像数量的一半，即40，第二阈值可由S*J决定，S表示样本档案中的人脸图像的数量(例如：80)，J可根据实际情况自定义，例如：1、2、5等等。可以理解的，上述聚档结果1中来自样本档案2中的人脸图像的数量已经大于第一阈值(例如：40)，若聚档结果1中人脸图像的总数大于或等于第二阈值(例如：80)，则将聚档结果1确定为有效聚档结果，即聚档结果1为有效档案，据此，便可得到h个有效聚档结果。

该实施方式中，通过获取聚档结果中的鉴别标签确定聚档结果中来自同一样本档案的人脸图像的数量，依据其中来自同一样本档案的人脸图像的数量和聚档结果中人脸图像的总数确定聚档结果是否为有效档案，有利于后续衡量指标的获取。

S45，获取所述有效聚档结果的分值，并根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果。

其中，上述部分步骤在图2所示的实施例中已有相关说明，且能达到相同或相似的有益效果，为避免重复，此处不再赘述。

在一种可能的实施方式中，所述获取所述有效聚档结果的分值，包括：

若所述有效聚档结果中只存在属于一个样本对象的所述第二目标人脸图像，则将所述有效聚档结果确定为该样本对象的有效档案，采用预设公式计算得到所述有效聚档结果的分值；

所述根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果，包括：

根据所述有效聚档结果的分值计算得到所有所述有效聚档结果的分值总和；

利用所有所述有效聚档结果的分值总和获取所述目标聚类算法模型的有效聚档率；

根据所述有效聚档率得到所述目标聚类算法模型的聚档评估结果。

本申请具体实施例中，针对有效聚档结果中只有一个样本对象的第二目标人脸图像的数量大于或等于第一阈值时，采用图2所示的实施例中描述的计算规则得到每个有效聚档结果的唯一一个分值，之后，对每个有效聚档结果的分值进行求和得到所有有效聚档结果的分值总和，将所有有效聚档结果的分值总和与目标聚类算法模型全部聚档正确的总分之间的比值作为目标聚类算法模型的有效聚档率，根据该有效聚档率与预设有效聚档率的比较情况得到目标聚类算法模型的聚档评估结果。

在一种可能的实施方式中，所述获取所述有效聚档结果的分值，还包括：

若所述有效聚档结果中存在属于n个样本对象的所述第二目标人脸图像的数量均大于或等于第一阈值，则将所述有效聚档结果确定为n个样本对象中所述第二目标人脸图像的数量最大的一个样本对象的有效档案，采用所述预设公式计算得到所述有效聚档结果的分值。

本申请具体实施例中，针对有效聚档结果中有n个样本对象的第二目标人脸图像的数量大于或等于第一阈值时，对这n个样本对象的第二目标人脸图像在该有效聚档结果中的数量进行比对，将该有效聚档结果作为这n个样本对象中第二目标人脸图像数量最大的一个样本对象的有效档案，根据该样本对象的第二目标人脸图像的具体数量采用图2所示的实施例中描述的计算规则得到该有效聚档结果的唯一一个分值。例如：聚档结果中甲的人脸图像为55张、乙的人脸图像为41张，甲和乙的人脸图像的数量均大于第一阈值，而甲的人脸图像的数量最大，那么该有效聚档结果只能是甲的有效档案，只针对甲计算该有效聚档结果的分值，此时，Si表示的是甲的人脸图像在第i个有效聚档结果中的数量，避免了同一个有效聚档结果作为多个样本对象的有效档案的情况。

在一种可能的实施方式中，所述方法还包括：

检测所述有效聚档结果以获取有效重复聚档结果；

根据所述有效重复聚档结果的数量获取所述目标聚类算法模型的有效聚档结果重复率。

本申请具体实施例中，有效重复聚档结果即指同一个样本对象的人脸图像被聚档到不同有效聚档结果中的情况，例如：聚档结果1和聚档结果2均为有效聚档结果，样本对象甲既被聚档到聚档结果1中，又被聚档到聚档结果2中，则聚档结果1和聚档结果2为有效重复聚档结果，利用有效重复聚档结果的数量除以所有有效聚档结果的数量求得目标聚类算法模型的有效聚档结果重复率，该有效聚档结果重复率越低越好。

在一种可能的实施方式中，所述方法还包括：

检测所述聚档结果以获取无效聚档结果；

根据所述无效聚档结果的数量获取所述目标聚类算法模型的无效聚档率。

本申请具体实施例中，无效聚档结果即指某个样本档案的人脸图像被分配到多个聚档结果中，且不存在该样本档案的人脸图像的数量大于或等于第一阈值的聚档结果定义为无效档案，利用无效聚档结果的数量除以所有聚档结果的数量求得无效聚档率，将无效聚档率也作为目标聚类算法模型聚档效果评估的衡量指标之一。

在一种可能的实施方式中，所述方法还包括：

对所述有效聚档结果中除Si张人脸图像以外的人脸图像的数量Li求和得到所有所述有效聚档结果的错误聚档总分：L1+L2+...+Lh；

利用所有所述有效聚档结果的错误聚档总分计算得到有效聚档结果错误聚档率。

本申请具体实施例中，在计算有效聚档结果的分值的同时，还会获取到有效聚档结果的错误聚档分值Li，由每个有效聚档结果的Li得到错误聚档总分，用错误聚档总分除以目标聚类算法模型全部聚档正确的总分S*H得到有效聚档结果错误聚档率。

可以看出，本申请在图2和图4所示的实施例的基础上增加了多种可能的实施方式，人像档案聚档效果的衡量指标除有效聚档率，还包括了有效聚档结果重复率、无效聚档率和有效聚档结果错误聚档率，从多维度对目标聚类算法模型的聚档效果进行评估，使人像档案聚档评估方法更完善、更有效。

请参见图6，图6为本申请实施例提供的一种人像档案聚档评估装置的结构示意图，如图6所示，该装置包括：

请求获取模块61，用于获取用户发送的人像档案聚档的评估请求，所述评估请求中包括目标聚类算法模型的标识信息；

人像聚类模块62，用于根据所述标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果；

有效档案获取模块63，用于检测所述聚档结果以获取有效聚档结果；

聚档评估模块64，用于获取所述有效聚档结果的分值，并根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果。

可选的，所述样本人像数据集由第一预设数量个不同样本对象的样本档案构成，每个样本对象的样本档案中均包括该样本对象的第二预设数量个人脸图像，且每个人脸图像均携带有鉴别标签；有效档案获取模块63在检测所述聚档结果以获取有效聚档结果方面，具体用于：

遍历所述聚档结果中的每张人脸图像，获取所述聚档结果中第一目标人脸图像的所述鉴别标签；所述第一目标人脸图像为所述样本人像数据集中的人脸图像；

根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果。

可选的，有效档案获取模块63在根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果方面，具体用于：

根据所述第一目标人脸图像的所述鉴别标签确定所述聚档结果中第二目标人脸图像的数量；所述第二目标人脸图像为所述样本人像数据集中属于同一样本对象的人脸图像；所述第一目标人脸图像包括所述第二目标人脸图像；

若所述第二目标人脸图像的数量大于或等于第一阈值，且所述聚档结果中人脸图像的总数大于或等于第二阈值，则将所述聚档结果确定为有效聚档结果。

可选的，聚档评估模块64在获取所述有效聚档结果的分值方面，具体用于：

若所述有效聚档结果中只存在属于一个样本对象的所述第二目标人脸图像，则将所述有效聚档结果确定为该样本对象的有效档案，采用预设公式计算得到所述有效聚档结果的分值；

聚档评估模块64在根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果方面，具体用于：

根据所述有效聚档结果的分值计算得到所有所述有效聚档结果的分值总和；

利用所有所述有效聚档结果的分值总和获取所述目标聚类算法模型的有效聚档率；

根据所述有效聚档率得到所述目标聚类算法模型的聚档评估结果。

可选的，聚档评估模块64在获取所述有效聚档结果的分值方面，具体还用于：

若所述有效聚档结果中存在属于n个样本对象的所述第二目标人脸图像的数量均大于或等于第一阈值，则将所述有效聚档结果确定为n个样本对象中所述第二目标人脸图像的数量最大的一个样本对象的有效档案，采用所述预设公式计算得到所述有效聚档结果的分值。

可选的，如图7所示，所述人像档案聚档评估装置，还包括：

有效重复档案获取模块65，用于检测所述有效聚档结果以获取有效重复聚档结果；

重复率计算模块66，用于根据所述有效重复聚档结果的数量获取所述目标聚类算法模型的有效聚档结果重复率。

可选的，如图8所示，所述人像档案聚档评估装置，还包括：

无效档案获取模块67，用于检测所述聚档结果以获取无效聚档结果；

无效聚档率计算模块68，用于根据所述无效聚档结果的数量获取所述目标聚类算法模型的无效聚档率。

根据本申请的一个实施例，本申请实施例提供的人像档案聚档评估装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本申请的其它实施例中，人像档案聚档评估装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。

根据本申请的另一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2或图4中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造人像档案聚档评估装置设备，以及来实现本申请实施例的人像档案聚档评估方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。

请参见图9，图9为本申请实施例提供的一种电子设备的结构示意图，如图9所示，包括：存储器901，用于存储计算机程序；处理器902，用于调用存储器901存储的计算机程序实现上述人像档案聚档评估方法人像档案聚档评估方法的实施例中的步骤；输入输出接口903，用于进行输入输出，该输入输出接口903可以为一个或多个；可以理解的，电子设备中各部分分别与总线904相连。

其中，处理器902具体用于调用计算机程序执行如下步骤：

获取用户发送的人像档案聚档的评估请求，所述评估请求中包括目标聚类算法模型的标识信息；

根据所述标识信息调用所述目标聚类算法模型对样本人像数据集和干扰人像数据集进行聚档，得到至少一个聚档结果；

检测所述聚档结果以获取有效聚档结果；

获取所述有效聚档结果的分值，并根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果。

可选的，所述样本人像数据集由第一预设数量个不同样本对象的样本档案构成，每个样本对象的样本档案中均包括该样本对象的第二预设数量个人脸图像，且每个人脸图像均携带有鉴别标签；处理器902执行所述检测所述聚档结果以获取有效聚档结果，包括：

遍历所述聚档结果中的每张人脸图像，获取所述聚档结果中第一目标人脸图像的所述鉴别标签；所述第一目标人脸图像为所述样本人像数据集中的人脸图像；

根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果。

可选的，处理器902执行所述根据所述第一目标人脸图像的所述鉴别标签获取到所述有效聚档结果，包括：

根据所述第一目标人脸图像的所述鉴别标签确定所述聚档结果中第二目标人脸图像的数量；所述第二目标人脸图像为所述样本人像数据集中属于同一样本对象的人脸图像；所述第一目标人脸图像包括所述第二目标人脸图像；

若所述第二目标人脸图像的数量大于或等于第一阈值，且所述聚档结果中人脸图像的总数大于或等于第二阈值，则将所述聚档结果确定为有效聚档结果。

可选的，处理器902执行所述获取所述有效聚档结果的分值，包括：

若所述有效聚档结果中只存在属于一个样本对象的所述第二目标人脸图像，则将所述有效聚档结果确定为该样本对象的有效档案，采用预设公式计算得到所述有效聚档结果的分值；

可选的，处理器902执行所述根据所述有效聚档结果的分值得到所述目标聚类算法模型的聚档评估结果，包括：

根据所述有效聚档结果的分值计算得到所有所述有效聚档结果的分值总和；

利用所有所述有效聚档结果的分值总和获取所述目标聚类算法模型的有效聚档率；

根据所述有效聚档率得到所述目标聚类算法模型的聚档评估结果。

可选的，处理器9012执行所述获取所述有效聚档结果的分值，还包括：

若所述有效聚档结果中存在属于n个样本对象的所述第二目标人脸图像的数量均大于或等于第一阈值，则将所述有效聚档结果确定为n个样本对象中所述第二目标人脸图像的数量最大的一个样本对象的有效档案，采用所述预设公式计算得到所述有效聚档结果的分值。

可选的，处理器902还用于：检测所述有效聚档结果以获取有效重复聚档结果；

根据所述有效重复聚档结果的数量获取所述目标聚类算法模型的有效聚档结果重复率。

可选的，处理器902还用于：检测所述聚档结果以获取无效聚档结果；

根据所述无效聚档结果的数量获取所述目标聚类算法模型的无效聚档率。

示例性的，上述电子设备可以是超级计算机、笔记本电脑、平板电脑、掌上电脑、服务器等设备。电子设备可包括但不仅限于处理器902、存储器901、输入输出接口903、总线904。本领域技术人员可以理解，所述示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

需要说明的是，由于电子设备的处理器902执行计算机程序时实现上述的人像档案聚档评估方法中的步骤，因此上述人像档案聚档评估方法的实施例均适用于该电子设备，且均能达到相同或相似的有益效果。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的人像档案聚档评估方法中的步骤。

示例性的，计算机可读存储介质的计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

需要说明的是，由于计算机可读存储介质的计算机程序被处理器执行时实现上述的人像档案聚档评估方法中的步骤，因此上述人像档案聚档评估方法的所有例均适用于该计算机可读存储介质，且均能达到相同或相似的有益效果。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。