[发明专利]采用快速密度峰值聚类进行人脸识别的方法

说明书

本发明涉及一种采用快速密度峰值聚类进行人脸识别的方法，包括：读取人脸图像；计算所有数据点p_i的密度；计算所有非密度峰值点的δ值；找出所有局部密度峰值点；快速寻找局部密度峰值点的父结点；找出剩余局部密度峰值点的父节点并计算δ值；由用户输入待聚类的个数M，计算除根结点(p_root)外所有数据点的ρ_i与δ_i的乘积记为γ_i，并对γ_i进行排序，按照从大到小的顺序选取前M个数据点作为待聚类的中心；把其它所有非聚类中心点p_j的类别初始化为‑1,再按照层次划分将其划归到与其聚类中心点相同类别；输出聚类结果cl(p)。本发明具有准确度高，能够快速识别复杂数据的优点，提高了人脸识别的准确度和速度。

技术领域

本发明涉及人脸识别技术领域，具体是一种采用快速密度峰值聚类进行人脸识别的方法。

背景技术

近年来，人脸识别成为一项热门的计算机技术研究领域。人脸识别技术作为生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别等多个研究领域。聚类方法是人脸识别技术的最重要组成部分之一。由于人脸图像数据通常复杂分布，常用的聚类方法无法很好地识别出复杂的不规则形状分类。如何将准确、健壮、高效的聚类方法应用到人脸识别中是目前急需解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提出一种采用快速密度峰值聚类进行人脸识别的方法，具有准确度高、能识别分布无序、非球形等复杂数据的优点，可实现在大规模人脸库中进行快速人脸识别。

为了实现上述目的，本发明的技术方案是：

一种采用快速密度峰值聚类进行人脸识别的方法，包括：

步骤1、读取人脸图像：

读取的人脸图像是大小为M×N的灰度图像，用每个像素作为一个特征点,读入W张人脸图像得到图像特征矩阵A_i(M×N)，其中i＝1,2,...,W；将图像特征矩阵A_i(M×N)转换为特征向量f_i(1×MN),其中f_i(1:N)＝A_i(1,(1:N))，f_i((N+1):2N)＝A_i(2,(1:N))，依此类推，对特征向量f_i的每个维度进行0-1归一化，即其中t＝1,2,L,MN，然后更新特征向量f_i；

步骤2、计算所有数据点p_i的密度：

用特征向量集f作为待聚类数据集P输入，其数据点的数目记为S，待聚类数据集P中第i个数据点记为p_i，其中i＝1,2,...,W；使用覆盖树(cover tree)中的K近邻算法对每个数据点p_i进行扫描，将待聚类数据集P中离p_i最近的K个人脸特征向量点加入到p_i的近邻集合NEI_i中，并在NEI_i中找出离p_i最远的数据点，二者之间距离记为d_i,(K)＝max{d_ij|p_j∈NEI_i}；

其中，数据点p_i的K-密度值表示为：

给定数据点p_i，在整个数据集中与其距离最近但密度比其高的数据点为p_j，即其中W为数据点总个数,称p_j为p_i的父结点，并记δ_i＝d_i,j；

步骤3、计算所有非密度峰值点的δ值