[發(fā)明專利]人臉圖像聚類方法、裝置及計算機可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201911289139.1
• 申請日: 2019-12-13
• 公開（公告）號: CN110942108B
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計）人: 陳文勝;曾倩文
• 申請（專利權(quán)）人: 深圳大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/762;G06V10/764;G06V10/77;G06V10/774;G06V10/82;G06N3/048;G06N3/0499;G06N3/084
• 代理公司: 深圳市世紀恒程知識產(chǎn)權(quán)代理事務所 44287
• 代理人: 張志江

本發(fā)明公開了一種人臉圖像聚類方法，該人臉圖像聚類方法包括以下步驟：獲取人臉圖像的訓練樣本數(shù)據(jù)、所述訓練樣本數(shù)據(jù)對應的最高特征量和待聚類人臉圖像的待聚類數(shù)據(jù)集；將所述訓練樣本數(shù)據(jù)和所述最高特征量輸入至BP?Deep?NMF模型中，訓練所述BP?Deep?NMF模型，以獲得所述待聚類人臉圖像的基圖像量；基于所述基圖像量和所述待聚類數(shù)據(jù)集，通過預設(shè)聚類規(guī)則將所述待聚類人臉圖像進行分類，確定所述待聚類數(shù)據(jù)集的聚類結(jié)果，以得到待聚類人臉圖像的分類結(jié)果。本發(fā)明還公開了一種人臉圖像聚類裝置及計算機可讀存儲介質(zhì)。本發(fā)明提出了一種新的BP?Deep?NMF模型，解決了Deep?NMF在人臉數(shù)據(jù)聚類任務中性能較差的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及人臉識別技術(shù)領(lǐng)域，尤其涉及一種人臉圖像聚類方法、裝置及計算機可讀存儲介質(zhì)。

背景技術(shù)

隨著人臉識別和檢索系統(tǒng)應用的推廣，系統(tǒng)中人臉圖像數(shù)據(jù)急劇地增長，人臉聚類技術(shù)已經(jīng)成為提高系統(tǒng)檢索效率的重要基礎(chǔ)。人臉聚類通常是將數(shù)據(jù)庫中的人臉圖片信息聚成一些不同的子類，使得子類之間的相似性盡量小，子類內(nèi)的相似性盡量大，這樣在檢索時，只需在與被檢索目標相似度較高的子類內(nèi)逐個識別，檢索出與之相似性最大的若干記錄。

特征提取這一步驟無論在人臉識別還是人臉聚類技術(shù)上都占有重要地位。主成分分析與奇異值分解都是較為經(jīng)典的特征提取方法，但是這兩種方法提出的特征向量通常含有負元素，因此在原始樣本為非負數(shù)據(jù)下，這些方法不具有合理性與可解釋性。NMF(Non-negative?Matrix?Factorization，非負矩陣分解)是一種處理非負數(shù)據(jù)的特征提取方法，它的應用非常廣泛，比如高光譜數(shù)據(jù)處理、人臉圖像識別等。NMF算法在原始樣本非負數(shù)據(jù)矩陣分解過程中，對提取的特征具有非負性限制，即分解后的所有分量都是非負的，因而可以提取非負的稀疏特征。NMF算法的實質(zhì)也就是將非負矩陣X近似分解為基圖像矩陣W和系數(shù)矩陣H的乘積，即X≈WH，且W和H都是非負矩陣。這樣矩陣X的每一列就可以表示成矩陣W列向量的非負線性組合，這也符合NMF算法的構(gòu)造依據(jù)——對整體的感知是由對組成整體的部分的感知構(gòu)成的(純加性)。近年來，學者們提出了許多對NMF變形的算法，例如，加強局部限制的局部NMF算法、整合判別信息的判別NMF算法、針對對稱矩陣提出的對稱NMF算法。盡管NMF算法及其變體取得了一定的成效，但該方法只考慮了數(shù)據(jù)淺層信息，對于含有豐富特征的數(shù)據(jù)，一次分解而成的單層結(jié)構(gòu)卻無法從多角度學習特征的表示。

目前，DL(Deep?Learning，深度學習)已成為當前的研究熱潮，深度學習通過建立了具有階層結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來希望。受深度學習技術(shù)成功的啟發(fā)，一些研究者在單層NMF算法的基礎(chǔ)上提出了Deep?NMF(Deep?Non-negative?Matrix?Factorization，深度非負矩陣分解)模型。Deep?NMF可以看作是通過將一個復雜的任務分解成幾個簡單的任務，然后在多層結(jié)構(gòu)中一個接一個地處理它們。與此同時，這種深度分解方法可以探索復雜數(shù)據(jù)中的底層特征表示，從而提取到比單層學習更完整、更有辨別力的特征。

目前已有的Deep?NMF模型雖然具有深度分層結(jié)構(gòu)，但這種結(jié)構(gòu)一般是簡單重復使用單層NMF算法來構(gòu)建的，其性能達不到理想的要求，而且Deep?NMF的計算方法的計算效率不高，在人臉數(shù)據(jù)聚類任務中性能較差。特別地，這些方法均不是利用深度神經(jīng)網(wǎng)絡來產(chǎn)生的，因而不能利用深度神經(jīng)網(wǎng)絡強大的特征表達能力和聚類能力。

上述內(nèi)容僅用于輔助理解本發(fā)明的技術(shù)方案，并不代表承認上述內(nèi)容是現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種人臉圖像聚類方法、裝置及計算機可讀存儲介質(zhì)，旨在解決Deep?NMF的特征表達能力和聚類能力較差的技術(shù)問題。

為實現(xiàn)上述目的，本發(fā)明提供一種人臉圖像聚類方法，所述人臉圖像聚類方法包括以下步驟：

獲取人臉圖像的訓練樣本數(shù)據(jù)、所述訓練樣本數(shù)據(jù)對應的最高特征量和待聚類人臉圖像的待聚類數(shù)據(jù)集；