[发明专利]一种人脸图像的迭代式双向连接聚类算法

说明书

一种人脸图像识别的迭代式双向连接聚类算法，针对人脸图像数据重叠较高的特点，在基于密度聚类的基础上，采用数据脱落策略，找出图像数据集中的核心数据，完成核心数据的聚类工作，最后采用双向连接方式实现脱落数据的分配操作。其特征在于，包含以下步骤：根据公式计算人脸图像的距离矩阵；计算图像间的共享近邻相似度；进行数据的迭代脱落过程，发现核心数据；完成核心数据聚类；通过双向连接准则完成剩余数据的分配。本发明的一种人脸图像识别的迭代式双向连接聚类算法中，每一类簇都被用独特的颜色表示，离群值用灰色表示，对离群值的判断更优，相比于现有的算法可产生更正确且更多的最优簇结构。

技术领域

本发明涉及图像处理领域，具体涉及一种人脸图像识别的迭代式双向连接聚类算法。

背景技术

人脸识别是图像识别领域的研究方向之一，具有非常广阔的应用前景。人脸识别技术主要包括人脸检测、人脸特征提取和人脸识别三个过程。但是随着人脸数据库“量”的增长以及识别“速”的要求提高，以及人脸图像数据点非均匀分布的特征，传统的检索策略便十分耗时，不利于高效率识别人脸图像特征。

聚类分析是数据分析的一种重要方法，其本质是将数据按照其特征进行分组，使得组内数据的相似度尽可能小。目前聚类分析在数据挖掘、机器学习及模式识别等领域得到了广泛的应用，常用于对不同群体的细分，尤其是在人脸图像识别领域的应用。但目前应用于人脸图像识别领域的聚类算法存在以下问题：(1)密度估计函数的设计较复杂，且人脸图像集数据点分布不均匀时，无法进行有效处理；(2)人脸图像集合呈现细长分布时，聚类效果很差。

本发明将聚类分析算法与人脸识别技术结合。首先计算人脸图像间的欧几里得距离，进而计算人脸图像数据的密度值，并通过脱落策略找出人脸图像数据中的核心区域，完成核心数据的聚类，最后使用双向连接策略完成脱落数据的分配。

发明内容

为克服上述现有聚类算法在处理人脸图像集中遇到的几个问题，本发明提出了一种人脸图像识别的迭代式双向连接聚类算法，包括以下步骤：

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(Shared NearestNeighbour，简称SNN)，

SNN_k(x_i,x_j)＝{x_l|x_l∈N_k(x_i)∩x_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，