简介：人脸照片自动归档常被理解为简单分类，但真实场景中人数未知、样本规模不一、噪声较多，传统 K-Means 聚类往往难以胜任。本文从人脸特征向量、聚类目标、K-Means 的局限以及 HDBSCAN 的适配性出发，梳理人脸聚类的基本原理与工程优化思路，帮助开发者理解商用人脸管理系统在聚类算法选择上的关键考量。
在讨论聚类之前，需要先明确一个基础认知：AI 并不会像人一样“记住某张脸”。当前人脸识别系统通常先执行人脸检测，再通过特征提取网络将一张人脸图像转换为固定长度的向量，例如 512 维 Embedding。
这个向量可以被理解为人脸在高维空间中的数字表示。它的设计目标并不是保存像素信息，而是满足一个核心性质：
因此，人脸识别本质上不是图像与图像的比较，而是向量与向量的距离计算。常见度量方式包括欧氏距离、余弦相似度等。基于这一前提，后续的检索、去重、归档与聚类，都是围绕向量展开的。
当用户拥有数万张未标注照片时，系统往往无法直接识别每个人的身份，而是先完成自动整理。此时的目标不是输出“张三”“李四”，而是把很可能属于同一个人的照片放到同一组中。
例如，在一个包含 5 万张照片、涉及数百个人物的相册中，系统需要自动形成若干集合，每个集合只包含同一个人的照片。这个过程就是人脸聚类。
人脸聚类面临的问题有几个明显特点：
这些特点决定了人脸聚类不能简单套用传统分类或固定类别数的聚类方法。
K-Means 是最常见的聚类算法之一，它的核心思路是：
K-Means 实现简单、计算效率较高，在许多业务场景中都有应用。但把它用在人脸聚类中，会暴露几个显著问题。
这是最明显的限制。K-Means 要求用户提前输入类别数量，但在人脸归档场景中，用户通常不知道照片里一共有多少个人。若 K 设置过大，同一个人可能被拆成多个簇；若 K 设置过小，不同人又可能被合并到同一个簇中。
例如，如果实际有 300 人，但 K 被设置为 150，就必然存在不同人物被强行合并的情况；反过来，如果 K 设置为 600，同一个人的不同角度照片可能被拆散。
K-Means 基于质心迭代，天然倾向于形成大小相近、形状接近球形的簇。但人脸特征在高维空间中的分布并不均匀，不同人物的样本密度、簇的形状和规模都存在明显差异。这种分布特点会降低 K-Means 的聚类质量。
人脸数据中往往包含大量低质量照片，例如重度模糊、极端侧脸、遮挡等。这些样本在特征空间中可能处于簇边缘，甚至漂移到不同人物之间。K-Means 会把每一个样本都强行分配到某个簇中，而不是识别为异常或噪声。这可能导致簇的边界被破坏，中心被拉偏。
K-Means 的聚类结果可能受到初始化中心的影响。虽然可以通过多次运行或改进初始化方法缓解，但在人脸数据规模大、特征维度高的情况下，这种不稳定性仍然值得关注。
密度聚类与 K-Means 不同，它不再依赖预设类别数，而是根据数据在特征空间中的密度分布来发现簇。
一个常见的直观理解是：
这种思路与人脸数据的实际分布更接近。同一个人的照片虽然角度、光线、表情不同，但在特征空间中通常仍会形成相对集中的区域；而不同人的照片之间往往存在明显间隔。
HDBSCAN 是一种基于层次密度的聚类算法。它不需要预先指定簇数量，也不需要假设簇是球形，同时能够识别噪声点。
HDBSCAN 会根据数据的密度结构自动决定聚类的数量。系统不需要提前知道相册中有多少人，这与真实的人脸归档需求高度一致。
一些人物照片很多，一些人物照片很少。HDBSCAN 可以同时发现大规模簇和极小规模簇，而不要求所有簇具有相近大小。这一点对个人相册、监控归档等长尾分布场景非常重要。
HDBSCAN 会把一部分难以归类的样本标记为噪声，而不是强行分配到某个类别。对于模糊、遮挡、侧脸或特征不稳定的照片，这种处理要比强行聚类更合理。噪声样本可以在后续流程中单独处理，例如二次校验或回收。
HDBSCAN 通常涉及最小簇大小、最小样本数等参数。这些参数解释性较强，调参逻辑也更符合业务直觉，例如“一个簇至少要有多少张照片才能被认为是同一个人”。相比之下，K-Means 的 K 往往更难确定。
当照片数量持续增加时，HDBSCAN 的聚类结构可以更自然地反映新样本带来的密度变化。虽然仍需周期性重算或增量处理，但其对数量变化相对更稳定，不像 K-Means 那样高度依赖固定 K 值。
在实际的人脸管理系统中，聚类结果通常不会直接作为最终结果。工程上还会叠加多种优化步骤。
有些人物可能因为照片差异较大，被拆成多个小簇。此时可以基于簇中心距离、簇间最近邻距离或代表向量相似度进行二次合并。
聚类后可以在簇内部和簇之间进行相似度校验。例如，对簇内样本计算两两相似度，剔除异常匹配；对相邻簇做代表向量比较，判断是否需要合并。
如果照片来源于视频，同一人物可能在连续帧中反复出现。这些高度相似的帧会增加聚类负担，也可能影响簇内结构。通常会先进行关键帧提取或相似度去重。
被标记为噪声的样本不应直接丢弃。可以降低阈值后再次尝试聚类，或通过人脸质量评估模型筛选出仍可使用的照片，重新进入流程。
随着新照片不断加入，每个人物的向量表示会逐渐变化。可以通过簇中心更新、加权平均或在线更新等方式维护人物原型，使聚类结果保持稳定。
聚类完成后，还需要从每个人物的照片中挑选一张作为封面头像。一般会综合考虑清晰度、人脸角度、光照、分辨率等因素，而不是简单选择第一张或随机一张。
这些工程优化虽然不像模型结构那样引人关注，但它们往往对最终用户体验影响更大。一个能准确聚合、稳定更新、有效处理噪声的人脸管理系统，背后通常包含大量这类细致设计。
人脸识别系统看似只是提取特征并比较相似度，实际落地时，聚类算法的选择至关重要。K-Means 由于必须指定类别数、对噪声敏感、偏好球形分布等特点，难以很好地满足真实人脸归档需求。相比之下，HDBSCAN 等密度聚类算法更贴合人数未知、规模不一、噪声较多的实际场景。
理解这些差异，有助于开发者在设计照片归档、视频人物聚合、人员库构建等功能时，做出更合理的技术选型。聚类只是整个流程的一部分，只有结合特征质量评估、噪声处理、多轮校验与工程优化，才能构建出稳定可靠的人脸聚类能力。