[发明专利]基于核化密度峰值的人脸图片聚类方法

说明书

技术领域

本发明涉及人脸识别领域，尤其涉及基于核化密度峰值的人脸图片聚类方法。

背景技术

近年来，随着摄像技术和网络技术的快速发展与普及，每天都在不断地产生大量的人脸图像数据信息。但与其他的数据集不同，这些人脸图像数据往往具有高维性和稀疏性。为了从急剧增长的人脸图像数据中自动高效地挖掘出潜在的、有价值的信息和知识，人脸图像聚类技术应运而生。然而一些经典的基于密度的聚类方法仍存在不足，比如如果样本的密度聚类效果分布不均，执行聚类的效率效果较差。因此，提供一种高准确度的人脸图片聚类方法，成为目前亟待解决的问题。

发明内容

本发明要解决的技术问题是，提供一种基于核化密度峰值的人脸图片聚类方法，以提高聚类结果的准确度。

本发明的技术方案是：一种基于核化密度峰值的人脸图片聚类方法，所述方法包括步骤：

S1、提供一由多个人脸图像特征值构成的样本矩阵，根据核函数计算样本矩阵中任意两个数据点之间的距离值；

S2、提供所述样本矩阵对应的类簇个数c，根据所有的所述距离值以及密度峰值算法获取c个数据点作为聚类中心；

S3、根据所述聚类中心确定每个聚类簇簇表，输出聚类结果；

其中，c为大于0的正整数。

较佳的，上述步骤S2包括步骤：

S21、提供一聚类参数，根据所述聚类参数以及密度峰值算法获取每个数据点的局部密度值以及最小距离值；

S22、选出局部密度值以及最小距离值符合筛选条件的c个数据点作为聚类中心。

较佳的，每个所述数据点的局部密度值的计算方法为：

ρ_i＝∑_jf((k(d_i，d_i)-2k(d_i，d_j))+k(d_j，d_j)-d_c)

每个数据点的最小距离值为：

其中，i∈[1,n]，j∈[1,n]，其中n为正整数，且样本矩阵中共有n个数据点，d_i表示第i个数据点在样本矩阵中对应的数据值，d_j表示第j个数据点在样本矩阵中对应的数据值此外，函数k为核函数，d_c为所述聚类参数，ρ_i表示第i个数据点的局部密度值，δ_i表示第i个数据点的最小距离值。

较佳的，所述筛选条件为c个所述聚类中心点的局部密度值高于其他数据点的局部密度值；以及，任一所述聚类中心点的最小距离值高于具有与该聚类中心点的局部密度值相同的数据点的最小距离值。

较佳的，上述步骤S3包括步骤：

S31、根据所述聚类参数以及所述聚类中心确定每个聚类簇簇边；

S32、根据每个数据点的局部密度值分配该数据点所在类簇；

S33、输出聚类结果，显示决策图以及数据点聚类后的结果分布图。

上述技术方案具有如下优点或有益效果：上述基于核化密度峰值的人脸图片聚类方法中，与其他传统方法相比，此聚类方法能够更高效地识别数据本身的特征，找出任意形状的簇，得出更为准确的聚类结果效果。在人脸图片聚类中，将核函数的思想应用到聚类分析中，通过核方法，将样本映射到高维空间中，使样本点在高维空间中的距离扩大，从而提高了聚类结果的准确度。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明基于核化密度峰值的人脸图片聚类方法的流程示意图一；

图2为本发明基于核化密度峰值的人脸图片聚类方法的流程示意图二；

图3为本发明基于核化密度峰值的人脸图片聚类方法的流程示意图三。

具体实施方式

下面结合附图和具体实施例对本发明基于核化密度峰值的人脸图片聚类方法进行详细说明。

如图1所示，基于核化密度峰值的人脸图片聚类方法，包括步骤：

S1、提供一样本矩阵，根据核函数计算任意两个数据点之间的距离值；

S2、提供该样本矩阵对应的类簇个数，根据所有的距离值以及密度峰值算法获取与类簇个数相同个数的数据点作为聚类中心；

S3、根据聚类中心确定每个聚类簇簇边，输出聚类结果。