[發明專利]基于快速密度聚類算法的無監督人臉識別方法

有效

• 申請號: 201610115223.1
• 申請日: 2016-03-01
• 公開（公告）號: CN105740842B
• 公開（公告）日: 2018-10-19
• 發明（設計）人: 陳晉音;何輝豪;陳軍敢;楊東勇
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于快速密度聚類算法的無監督人臉識別方法，其特征在于：所述識別方法包括如下步驟：

1)針對人臉圖像的像素點信息，采用結構相似性計算方法，獲得圖像間的相似性，結構相似性計算方法定義如下：

在空間域中，兩圖像塊x＝{x_i i＝1,...,M}與y＝{y_i i＝1,...,M}之間的結構相似性為：

其中C₁和C₂是兩個小的正常數，M是圖像塊的像素點個數，μ_x、μ_y分別表示圖像塊x和y的均值，σ_x、σ_y分別表示圖像塊x和y的方差，σ_xy表示圖像塊x和y的協方差，即

結構相似度SSIM的值介于0到1之間，如果結構相似度SSIM的值為1，則說明x與y是完全相似的；

2)采用快速密度聚類算法對公式(1)中相似性矩陣進行聚類，過程如下：

2.1)使用結構相似性計算方法來計算圖像間相似性，然后利用高斯核函數計算圖像的密度值；

dist(z,z_i)＝1-S(z,z_i) (2)

其中S(z,z_i)表示對象z與z_i之間的結構相似性，dist(z,z_i)表示對象z與z_i之間的距離，其中z與z_i代表不同的圖像對象；

對于任意圖像對象z_i，其局部密度ρ_i的計算方式如下：

其中dc是截斷距離；

對于任意圖像對象z_i，其到具有更高局部密度的其他圖像對象的最小距離定義δ_i如下：

其中d_ij表示對象z_i和對象z_j之間的距離；

其中對于具有最高局部密度的圖像對象，定義它的δ_i＝max_j(d_ij)；

2.2)通過線性回歸模型和殘差分析確定奇異點,該奇異點即為聚類所得聚類中心；

根據聚類中心本身密度大，被密度比它小的鄰居點包圍，并且與其它密度更大的對象之間有相對較大的距離的特性，采用非線性函數y＝b₀+b₁/x轉換為線性函數去擬合，令則y＝b₀+b₁*X'，利用線性函數模型擬合所有數據局部密度ρ_i和距離δ_i的函數關系δ_i’＝f(ρ_i)，使用殘差分析確定密度和距離分布圖中的奇異點信息，其中奇異點為遠離擬合曲線的點，即是聚類的簇中心，奇異點個數是聚類的簇個數；

2.3)確定聚類中心后，將其他點按照比其密度更高的最近點的類標一致原則劃分到各自的聚簇中；

2.4)通過設定過濾器，嚴格剔除聚簇邊緣的離群對象，過濾器的定義如下:

確定聚類中心并將其余點劃分到相應聚簇后，算法首先對于固定的聚簇，要確定其邊界區域，該區域內的數據點具有以下特征：數據點本身屬于該聚簇，但在距離不超過R的范圍內，R＝n*dc，其中n為正常數，存在屬于其他聚簇的對象，則通過該邊界區域內的對象，為該聚簇確定一個平均局部密度，通過該局部密度，將大于該局部密度的所有對象劃分到該聚簇中，而將其他對象剔除；

3)利用步驟2)中的聚類結果進行訓練和人臉識別，過程如下：

3.1)從聚類結果中提取聚類中心及少量簇內對象作為訓練樣本，采用PCA方法進行特征提取；

3.2)利用分類器對人臉進行識別，并得到最后識別結果。

2.如權利要求1所述的基于快速密度聚類算法的無監督人臉識別方法，其特征在于：所述步驟3.2)中，所述分類器采用多分類支持向量機或最近鄰分類器。