[发明专利]一种人脸图像的迭代式双向连接聚类算法

权利要求书

1.一种人脸图像的迭代式双向连接聚类算法，其特征在于，包括如下步骤：

步骤1：计算人脸图像距离矩阵

提取人脸特征，从人脸图像数据集X里提取任意两个图像x_i和x_j，根据公式(1)计算两个图像之间的欧几里得距离；

d(x_i,x_j)＝||x_i-x_j||₂ (1)

其中，1≤i≤n，1≤j≤n；

步骤2：计算图像间的共享近邻相似度

根据公式(2)得到任意两个图像x_i和x_j间的共享近邻关系SNN，

SNN_k(x_i,x_j)＝{x_l|x_l∈N_k(x_i)Ix_l∈N_k(x_j)} (2)

其中k表示近邻个数,N_k(x_i)表示图像x_i的k近邻集合，N_k(x_j)表示图像x_j的k近邻集合；

根据共享近邻相似度公式(3)计算图像x_i和x_j间共享近邻相似度，

其中，|SNN_k(x_i,x_j)|表示图像x_i和x_j间共享近邻的数目；

步骤3：迭代执行数据脱落操作，发现核心数据；

步骤4：实现核心数据的聚类；

步骤5：使用向内的连接策略完成脱落数据的分配；

步骤6：使用基于共享近邻相似度向外连接策略完成类簇的合并。

2.根据权利要求1所述的一种人脸图像的迭代式双向连接聚类算法，其特征在于，所述步骤3包括：

步骤3.1：对数据脱落进行初始化操作，令t＝1，该次迭代所处理的图像数据集合为X^(t)＝X；

其中t为当前迭代次数；

步骤3.2：根据公式(4)计算第t次迭代中数据X^(t)的密度值

其中，表示两个图像间的欧几里得距离的平方；Σ为求和公式；表示第t次迭代图像x_i反k近邻集合，其数学定义为其中表示第t次迭代图像x_i的k近邻集合；

步骤3.3：执行第t次图像数据的脱落操作

按照密度脱落掉当前图像数据中10％的数据，b^(t)是当前图像数据X^(t)按密度从小到大排列，第10百分位上的密度值。将密度比b^(t)小的数据进行脱落，根据公式(5)得到第t次的脱落集合

步骤3.4：更新迭代状态,令下一次所处理的数据集合X^(t+1)为当前数据集合X^(t)与脱落集合的差集；

其中，

步骤3.5：判断迭代是否结束，当满足公式(6)时，迭代终止；

λ^(t)2·λ^(t-1) (6)

其中λ^(t)表示第t次中脱落集合中密度最大值，λ^(t-1)表示第t-1次中脱落集合中密度最大值，即前者比后者大两倍，则终止迭代，令核心数据集Ω＝X^(t+1)，最大迭代次数T为t，如果未满足公式(6)，则令t＝t+1，跳转步骤3.2。