[发明专利]一种基于黄金分割法的人脸图像聚类方法

权利要求书

1.一种基于黄金分割法的人脸图像聚类方法，其特征在于，所述方法包括如下步骤：

1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示，步骤如下：

步骤1.1：预处理是对图像做初步的修正处理；

步骤1.2：基于Dlib人脸标注的68个特征点，准确定位图像中的人脸区域并裁剪该区域；

步骤1.3：应用预训练的DCNN提取裁剪后人脸的特征，并输出128维的特征向量作为该人脸的表征；

2)应用K-Means++聚类算法实现对图像表征的聚类，操作步骤如下：

步骤2.1：以列矩阵形式表示人脸表征的集合X＝(X₁,X₂,···,X_n)，其中X为128维度的人脸表征，n为人脸的数目；

步骤2.2：给定聚类数目K，随机初始化选择一个表征作为聚类中心点；

步骤2.3：对于每一个X_i，X_i∈X，计算它到最近聚类中心点的欧氏距离D(X_i)并计算所有距离的总和

步骤2.4：在SumD(X)的范围内生成一个随机数κ，使用如下准则：κ-＝D(X_i)直至κ＜0选择下一个聚类中心，这样使得拥有较大D(X_i)的表征点有更高的概率被选择作为下一个聚类中心点；

步骤2.5：重复步骤2.3至步骤2.4直至K个聚类中心点(U₁,U₂,···,U_K)选择完毕；

步骤2.6：计算各个人脸表征X_i与各个初始化聚类中心U_j的欧氏距离：D_ij＝||X_i-U_j||₂；

步骤2.7：根据最小的D_ij确定X_i的簇标记：λ_i＝arg min_{j∈{1,2,···,K}}D_ij；

步骤2.8：将X_i 划入对应的簇：

步骤2.9：计算新的聚类中心并代替原聚类中心U_j；

步骤2.10：重复步骤2.6至步骤2.9，直到

步骤2.11：输出簇划分结果C＝{C₁,C₂,···,C_K}；

3)基于0.618黄金分割法确定最优聚类数目，过程为：首先，给定聚类范围[a,b]，K∈[a,b]，在范围内任意初始化给定聚类数目K₀，基于聚类结果的内部性能评估指标构建优化函数f(K)；接着，基于0.618黄金分割优化算法一维动态搜索函数最优解，该最优解即为最优聚类数目K^*，对应聚类结果C^*即为该人脸图像库的最佳聚类；

所述步骤3)中，所述动态搜索步骤如下：

计算聚类内部性能指标DBI系数作为优化函数关于K的对应输出值f(K)，对应簇划分C＝{C₁,C₂,···,C_K}，该过程表示为：

D_U(C_i,C_j)＝||U_i-U_j||₂

其中，各参数与函数实现定义如下：

K：聚类数目；

avg(C)：簇内人脸表征均值；

|C|：簇C中的人脸表征数目；

D_U(C_i,C_j)：C_i和C_j簇间的中心距离；

U：簇C的中心；

由于不同的K产生的不同聚类结果皆可计算其DBI系数，因此构建关于K的优化目标函数f(K)，最优的聚类数K^*必然对应着最小的DBI值，因此f(K)在K^*的邻域[a,b]内视为单峰函数，应用0.618黄金分割法搜索步骤如下：

步骤3.1：给定初始聚类数目范围[a₀,b₀]，误差条件ε；

步骤3.2：计算λ₀＝a₀+0.382(b₀-a₀),μ₀＝a₀+0.618(b₀-a₀)；

步骤3.3：计算函数值f₁＝f([λ_k])和f₂＝f([μ_k])，其中变量值向下取整；

步骤3.4：若b_k-a_k≤ε，则结束搜索；若b_k-a_k＞ε，则转至步骤3.5；

步骤3.5：若f₁＞f₂，则转至步骤3.6；若f₁＜f₂，则转至步骤3.7；

步骤3.6：a_k+1＝λ_k,b_k+1＝b_k,λ_k+1＝μ_k,μ_k+1＝a_k+1+0.618(b_k+1-a_k+1)，计算函数值f₂＝f([μ_k+1])，转至步骤3.8；

步骤3.7：a_k+1＝a_k,b_k+1＝μ_k,μ_k+1＝λ_k,λ_k+1＝a_k+1+0.382(b_k+1-a_k+1)，计算函数值f₁＝f([λ_k+1])，转至步骤3.8；

步骤3.8：置k：＝k+1，转至步骤3.4；

记上述一维搜索最后得到的聚类数目范围为[a_k,b_k]，因此取该范围中间值作为最优聚类数目：最优聚类数目向下取整。