[发明专利]一种基于链接预测的人脸聚类方法

说明书

本发明公开了一种基于链接预测的人脸聚类方法，包括如下步骤：步骤一，选取人脸图像数据库，提取单个人脸图像的特征，并得到单个人脸图像的近邻关系列表；步骤二，根据单个人脸图像的近邻关系列表以及特征对于每一个人脸构建局部子图，得到人脸关系局部子图集合；步骤三：通过人脸关系局部子图集合，输入到图卷积网络中进行预测，并通过线性层对节点之间的关系进行预测，得到更改后的近邻列表，通过不断地更新迭代，最后判断该节点是否与中心存在连接，来达到将节点划分的目的，并得到节点的聚类结果；步骤四：根据已经得到的聚类结果，选择其中存在孤立点的簇进行合并调整，得到最终的聚类结果。本发明能够提高聚类的速度和准确率。

技术领域

本发明属于计算机视觉领域，特别涉及一种应用深度学习实现人脸聚类与识别的方法。

背景技术

人脸聚类是挖掘未标注人脸数据的重要工具，在人脸标注和检索等领域有着广泛的应用。随着面部数据量的不断增多，使得继续扩大人脸数据集的规模变得越来越困难，即使是人工手工标注，也难免会引入噪声。面部聚类能够大大减少了数据标注的工作量，实现自动化，因此在生活中具有广泛的应用。面部聚类的一般过程如下：首先通过机器学习或者深度学习的方法对面部数据提取特征，然后通过对提取后的特征以及关系对面部数据进行分组。聚类的目标是对同一类的图像给定同一种标签，不同类的图像给定不同的标签。虽然现在许多聚类的技术和产品在面部聚类上的效果已经很不错了，但是如何在大规模数据上对面部数据进行更快更准确的聚类这个问题仍未解决。

现有的人脸聚类方法大致可以分为两类，即无监督方法和有监督方法。无监督方法，比如K-Means(“StuartLloyd.Leastsquaresquantizationinpcm.IEEEtransactions oninformation theory,28(2):129–137,1982.1,6”)和DBSCAN(“Martin Ester,Hans-PeterKriegel,J¨org Sander,Xiaowei Xu,et al.A density-based algorithm fordiscovering clusters in large spatial databases with noise.In KDD,1996.1,2,6,7”)等方法依赖于特定的假设，导致其缺乏处理真实数据集的复杂聚类结构的能力。为了提高对不同数据的适应性，在“Zhongdao Wang,Liang Zheng,Yali Li,and ShengjinWang.Linkage based face clustering via graph convolution network.InProceedings of the IEEE Conference on Computer Vision and PatternRecognition,pages 1117–1125,2019.1,2,4,5,6”、“Lei Yang,Xiaohang Zhan,DapengChen,Junjie Yan,Chen Change Loy,and Dahua Lin.Learning to cluster faces on anafIn Proceedings of the IEEE Conference on Computer Vision andPattern Recognition,pages 2298–2306,2019.1,2,5,6,7”提出了监督聚类方法来学习聚类模式。然而，这几种方法无论是准确性还是效率都不能令人满意。同时，为了能够完成大规模人脸数据聚类这项任务，现有方法普遍是生成许多子图来数据，这样就会导致两个主要问题。首先，处理子图包括基于简单假设的启发式步骤。子图生成和预测聚合都依赖于启发式过程，因此限制了它们的性能上限。此外，这些方法所需的子图通常高度重叠，导致过多的冗余计算成本。

因此，在对人脸图像的处理过程中，我们寻求一种能够更准确有效地学习聚类的算法。为了更高的准确性，我们希望结构中的所有的参数都可以学习，通过改变图中的链接值对参数进行更好的学习。另一方面，为了减少冗余计算，我们打算减少所需子图的数量。

发明内容