[发明专利]一种基于关联图的离线人脸聚类方法

权利要求书

1.一种基于关联图的离线人脸聚类方法，其特征在于，包括如下步骤：

S1、获取待聚类人脸图片；

S2、利用已训练好的卷积神经网络模型对待聚类人脸图片提取人脸特征；

S3、采用KNN算法对人脸特征构建K邻近相邻节点集合；

S4、自适应计算K邻近相邻节点集合的聚类阈值；

S5、基于相邻节点构建各节点关联图并进行迭代类别聚合；

S6、基于投票机制进行多标签清洗和节点重聚类。

2.根据权利要求1所述的基于关联图的离线人脸聚类方法，其特征在于，所述S2具体包括：

S21、截取待聚类人脸图片中的人脸图像；

S22、对人脸进行人脸关键点检测，并进行人脸矫正；

S23、将矫正后的人脸图像输入到已训练好的卷积神经网络模型，输出多维的人脸特征向量。

3.根据权利要求2所述的基于关联图的离线人脸聚类方法，其特征在于，所述S3具体包括：

S31、将每一幅人脸图像由卷积神经网络模型输出的人脸特征视作一个节点，计算当前样本节点与其他节点的人脸特征相似度；

S32、将计算的人脸特征相似度进行排序，并按预设相似度阈值选取当前节点的相邻节点，然后构建K邻近相邻节点集合。

4.根据权利要求1所述的基于关联图的离线人脸聚类方法，其特征在于，所述S4具体包括：

S41、根据K邻近节点集合的数据分布，计算该数据集下每个类别的平均预计节点个数size_avg-count作为后续类别聚合中节点上限数量，然后增加一定的余量cmax_size＝α·size_avg-count；

S42、首先确定阈值分布中心的位置，作为自适应阈值的基准参考，先对阈值进行量化，然后计算量化阈值统计直方图，并以频次最高的阈值为中心，以r为半径，计算出整体的基准阈值标准；

S43、以预计节点个数计算topk＝cmax_size范围内的所有节点相似度均值作为关联图分割阈值；

S44、将相邻节点集合的基准阈值和关联图分割阈值加权融合得到最终聚类阈值，最终的自适应阈值为T＝α·T_max+β·T_topk。

5.根据权利要求4所述的基于关联图的离线人脸聚类方法，其特征在于，所述S5具体包括：

S51、基于预设相似度阈值，初次遍历所有节点及其相邻节点构建关联图，并将处于同一关联图的节点赋予同一类别标签；

S52、将初次聚类后为赋予标签的剩余节点，以聚合分割阈值为起点，按预设阈值步长进行基于关联图不断更新每个节点的类别标签，从而实现节点的分类，进而得到初始的聚类结果。

6.根据权利要求5所述的基于关联图的离线人脸聚类方法，其特征在于，所述S6具体包括：

S61、对上述步骤中产生的多标签节点进行标签清洗，首先计算该节点所属类别间的两两重合度后进行融合，如果类别融合后该节点类别标签数置1，则该节点置为正常分类节点；否者，将其类别标签清空；

S62、将聚类迭代过程中形成的丢弃节点与被S61中清理标签的节点进行合并构建孤立节点集合；

S63、清理孤立节点标签，将其作为无类别标签节点；

S64、获取已有分类的类别标签映射表；

S65、获取无标签节点的相邻节点，通过节点类别标签对原节点进行标签重定义：若相邻节点均在无标签节点集合中，则将原节点及其相邻节点作为新的类别加入已有聚类结果中；若相邻节点中存在有标签节点，则通过数量投票确定原节点的归属；

S66、根据新标签，对节点进行重归类；

S67、更新无类别标签节点，进行下一次迭代。