[發明專利]基于聚類及全局/局部距離綜合的多重度量學習方法

在審

• 申請號: 201811477231.6
• 申請日: 2018-12-05
• 公開（公告）號: CN109840466A
• 公開（公告）日: 2019-06-04
• 發明（設計）人: 傅予力;張隆琴;賴凱敏;向友君
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/66
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于聚類及全局/局部距離綜合的多重度量學習方法，該多重度量學習方法包括：對訓練樣本集進行K?Means聚類及構建三元組集合，根據三元組第一個樣本的聚類標記將三元組聚成K簇；利用折頁損失函數和隨機梯度下降法，同時學習K+1個距離度量，包括一個全局距離度量和K個簇內局部距離度量；對需要分類的樣本，計算樣本所屬聚類標記，在該聚類下利用最近鄰方法獲得測試樣本的分類結果。在學習和分類過程中，兩個樣本的距離由全局距離度量和局部距離度量綜合表示，從全局特征和局部特征兩個方面更好的表達兩個樣本之間的距離，從而提高分類的準確度。

技術領域

本發明涉及計算機視覺和模式識別技術領域，具體涉及一種基于聚類及全局/局部距離綜合的多重度量學習方法。

背景技術

人臉識別是計算機視覺的研究熱點之一，在信息安全和驗證方面有非常大的應用前景，可以廣泛應用于公安、金融、機場、地鐵、邊防口岸等重要領域。由于人臉受到光照、年齡、姿勢等外在因素的影響，在不同環境中獲得的同一張人臉可能會有很大的差異，因此需要學習一種可以反映人們對相似性定義的度量，即距離度量學習，距離度量學習旨在學習一個映射矩陣，以使來自同一個人的人臉圖像之間的距離變得更近，而來自不同人的人臉圖像之間的距離變遠，從而更好的計算兩個人臉圖像的相似性。

通常，人臉數據庫中的圖像采集自不同的環境、不同的設備，不同性別或者不同種族的人群也各有自己的特點，即人臉數據庫中的樣本并非均勻分布的，因此只學習一個全局的距離度量無法充分的描述不同分布下人臉特征。多距離度量學習旨在通過學習多個距離度量，從不同方向描述人臉，其中一種方式是對人臉數據集進行聚類，在學習一個全局距離度量的同時，再在各個簇中分別學習該簇的局部距離度量，在獲取數據庫全局特征的同時可以獲取不同分布數據的局部特征。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，提供一種基于聚類及全局/局部距離綜合的多重度量學習方法，對樣本進行距離度量學習時，同時學習全局距離度量和聚類后不同簇的局部距離度量。在計算兩個樣本之間的距離時，綜合利用全局距離度量和局部距離度量，提高分類的準確度，從而更加適用于實際場景。

本發明的目的可以通過采取如下技術方案達到：

一種基于聚類及全局/局部距離綜合的多重度量學習方法，該多重度量學習方法包括下列步驟：

S1、輸入訓練集；

S2、利用K-Means聚類獲得訓練集中每個樣本所屬的聚類標記；

S3、構建三元組集合，組成訓練集，并將三元組第一個樣本的聚類標記作為該三元組的聚類標記；

S4、利用多距離度量學習方法，獲得K+1個距離度量，包括1個全局距離度量和K個局部距離度量；

S5、輸入一張測試樣本，計算該樣本的聚類標記c，

S6、利用步驟S5獲得的測試樣本聚類標記c及步驟S4對應的M_c和M₀，利用最近鄰，在聚類c中計算與該圖像最近的訓練樣本，并將該訓練樣本的類別作為測試樣本的分類結果。

進一步地，所述的構建三元組集合的具體步驟如下：