[发明专利]一种基于图像搜索的在线人脸聚类方法

说明书

本发明公开了一种基于图像搜索的在线人脸聚类方法，包括：获取已经聚类分组为多个类别的已归档人像图片和新的人像图片；利用已训练好的卷积神经网络模型针对已归档人像图片和新的人像图片提取人脸特征，然后将提取的人脸特征输入到数据库中；在数据库中对人脸特征向量进行类中心特征检索；基于类中心特征检索的结果判定人脸图像所属的类别并归档到数据库中。与现有技术相比，本发明可以实现快速的在线类中心计算以及人脸聚类。

技术领域

本发明涉及计算机视觉、图像处理领域，特别是一种基于图像搜 索的在线人脸聚类方法。

背景技术

人脸识别技术近年无论是在学术界还是在视频监控、公共安全、门禁认证 等领域，其研究和应用的表现已达到了较高的水平。而如何针对如此庞大的人 脸数据库更好地赋能公共安全服务，以及如何利用这些信息资源将人脸识别准 确率提升到一个新的水平，是目前存在的两个非常具有挑战性的任务。因此， 有效利用未标记的人脸数据成为一种有吸引力的选择，即为无监督人脸聚类算 法。

人脸聚类分析旨在通过人脸之间的相似度，将庞大的人脸图像聚 集成若干簇，即将未标记的数据利用为“伪类”的一种自然想法，使 得这些数据可以像被标记的数据一样用于监督学习。常用的方法有 K-means(K均值)聚类、谱聚类、层次聚类等方法，对未标记的人 脸图像进行分组，这些方法有各自的优点但也有很多不足之处。例如， K-means方法需要预设聚类个数，即需要假定数据可能的类别数量， 但实际积累的数据集中类中心数量是完全不确定的，比如谱聚类要求 聚类的不同类别大小相对平衡，但实际并非如此。因此，当前的聚类 方案缺乏具有复杂聚簇结构的能力，从而产生噪声聚类，尤其是应用 在从实际场景中收集的大规模图像时，这个问题严重限制了性能指标 的提高。

此外，聚类算法的另一个较为严重的问题就是计算量巨大，尤其 是当大规模数据下聚类时，目前常见聚类算法均耗时较长并不能满足 实际工程需求。另外，某些场景下需要进行图像数据实时聚类入库， 因此需要结合图像检索方法，实现一种在线的实时聚类算法。

发明内容

本发明的目的是要解决现有技术中无法提供一种准确、高效的在 线实时人像数据标签化、人脸识别一人一档构建方法的问题，提供一 种基于图像搜索的在线人脸聚类方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于图像搜索的在线人脸聚类方法，包括以下步骤：

S1、获取已经聚类分组为多个类别的已归档人像图片和新的人像 图片；

S2、利用已训练好的卷积神经网络模型针对已归档人像图片和新 的人像图片提取人脸特征，然后将提取的人脸特征输入到数据库中；

S3、在数据库中对人脸特征向量进行类中心特征检索；

S4、基于类中心特征检索的结果判定人脸图像所属的类别并归档 到数据库中。

进一步地，所述S2中利用已训练好的卷积神经网络模型提取已 归档人像图片和新的人像图片的人脸特征向量具体包括：

S21、截取已归档人像图片和新的人像图片中的人脸图像；

S22、对人脸图像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。

进一步地，所述S3具体包括：

S31、采用特征加权方式计算类中心特征：设每个类别中的人脸 特征集合为Fⁿ＝{f₁，f₂，…f_n}，则相应类别的类中心特征计算方法如 式(1)所示：