[发明专利]一种基于黄金分割法的人脸图像聚类方法

说明书

一种基于黄金分割法的人脸图像聚类方法，包括以下步骤：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；2)应用K‑Means++聚类算法实现对图像表征的聚类；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。本发明显著提升人脸图像聚类性能。

技术领域

本发明涉及一种人脸图像聚类方法，尤其是一种基于黄金分割法的人脸图像聚类方法。

背景技术

随着计算机视觉和模式识别技术的快速发展，图像作为一种最普遍的视觉信息呈现模式，具有广泛的应用前景。在“大数据”时代，每天都产生大量的图片。例如，在社交媒体上，据Facebook的报道每天平均产生着3.5亿张图片，其中大部分是人脸图像。在司法调查中，依然有着庞大数量的图片急需鉴别和归类。在社会治安维护和监控管理上，由摄像头捕捉的大量人脸图像需要进行身份认证和入库比对。但是，这些人脸图像通常没有身份标签，或者是标签遗失了。在面对如此庞大的图像数据库时，应用人工标注的方法难以保证身份辨认的准确性和有效性，并且是非常费时费力的。

机器学习的兴起为解决这一棘手的问题提供了有效的方案。近年来，深度卷积神经网络DCNN在图像特征提取和身份识别上展现出了优越的性能：根据目前国内外的研究，其识别性能已经远远超过了人眼。同时，数据聚类技术日益成熟，为解决大规模图像数据识别与归类问题提供了方法依据。但是，应用聚类技术需要提前给定图像聚类的数目。通常而言，面对大规模的图像数据库，该聚类数可能是成百上千甚至难以确定的。

发明内容

为了克服现有人脸图像聚类方法的性能较差的不足，为了显著提升人脸图像聚类性能，本发明提供了一种基于黄金分割法的人脸图像聚类方法。

本发明解决其技术问题所采用的技术方案是：

一种基于黄金分割法的人脸图像聚类方法，所述识别方法包括如下步骤：

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(Dlib ResNet)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来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；