[发明专利]一种焦点引导的人脸子空间模糊聚类方法及系统

权利要求书

1.一种焦点引导的人脸子空间模糊聚类方法，其特征在于，包括：

步骤1：采用FaceNet深度神经网络提取待聚类的人脸图像的特征向量集x_j表示第j个人脸特征向量；N表示人脸图像数据集的所有人脸特征向量的数量；

步骤2：采用TDCCI算法获取待聚类的人脸图像特征向量集的焦点f以及初始聚类中心集合V；

步骤2.1：设置聚类数目为C，定义聚类中心集合为V，并初始化

步骤2.2：利用式(1)获得截止半径cd：

式(1)中，d_kj是第k个人脸特征向量x_k到第j个人脸特征向量x_j的欧式距离，且共有个欧式距离；N为特征向量的数量，将所有人脸特征向量的欧式距离进行升序排序，得到排序后的距离序列D；d_max为距离序列D中的最大距离；d_position表示按一定的上限比例对距离序列D进行截断后得到的截断距离；

步骤2.3：按照式(2)计算人第j个人脸特征向量x_j的局部密度ρ_j：

式(2)中，χ(·)表示统计函数，用于统计位于截止半径内的人脸数据的个数：d_ij表示第i个人脸特征向量x_i与第j个人脸特征向量x_j之间的欧式距离；

步骤2.4：判断第j个人脸特征向量x_j为所有人脸特征向量中局部密度最大的向量，若是，则利用式(3)计算第j个特征向量x_j的最小距离δ_j，否则，利用式(4)计算第j个特征向量x_j的最小距离δ_j：

δ_j＝max{d_ij|i＝1,2,…N} (3)

δ_j＝min{d_ij|ρ_i＞ρ_j,i＝1,2,…N} (4)

式(4)中，ρ_i表示第i个人脸特征向量x_i的局部密度；i≠j；

步骤2.5：根据式(5)计算第j个人脸特征向量x_j所对应的参数τ_j：

τ_j＝ρ_j×δ_j (5)

步骤2.6：对参数集合进行降序排列，得到排列后的参数集合τ′及其对应的人脸特征向量集合X′；

步骤2.7：选择排序后参数集合中的第1个参数τ₁′所对应的人脸特征向量x₁′，并作为第一个聚类中心v₁，从而将已经选择的聚类中心的数量num设为1，并将下一个待选择的人脸特征向量index设为2；将V∪v₁赋值给V后作为焦点f，即f＝v₁；

步骤2.8：计算||x′_index-V||；如果||x′_index-V||＜cd，则将index+1赋值给index，并重复步骤2.8；否则，将V∪x′_index赋值给V，并将num+1赋值给num后，执行步骤2.9；

步骤2.9：判断num＝C是否成立，若成立，则表示得到初始聚类中心集合V和焦点f，否则，执行步骤2.8；

步骤3：在焦点f的引导下，采用聚类算法对待聚类的人脸特征向量集进行聚类；

步骤3.1：定义并初始化当前迭代次数iter＝0，并将初始聚类中心集合V作为第iter次迭代的聚类中心矩阵H^(iter)；定义迭代停止阈值为ε，最大迭代次数为iterMax；

步骤3.2：利用式(6)建立第iter次迭代的目标函数

式(6)中，m表示模糊系数，C表示聚类数目，L表示每个人脸特征向量的特征个数，表示第iter次迭代的第c个聚类中心的第k个特征值；当iter＝0时，采用TDCCI方法对聚类中心矩阵H^(iter)进行初始化；表示在模糊特征权重系数为τ时第iter次迭代的第c类的第k个特征的权重值，并设初始值为1/L；且表示第j个特征向量属于第c类的模糊隶属度，且表示所有聚类中心的向量和的重心的第k个特征值；是用于执行第iter次迭代的模糊权重惩罚的参数；参数η用于自适应地调控簇间分离项；c＝1,...,C，k＝1,...,L，j＝1,...,N，并有：

式(7)，q表示焦点f在聚类中心矩阵H^(iter)中的行位置，f_k表示焦点的第k个特征值；

步骤3.3：通过式(9)计算第iter+1次迭代的隶属度得到第iter+1次迭代的隶属度矩阵

式(9)中，表示第j个特征向量和第c个聚类中心之间的加权子空间距离，并有：

步骤3.4：通过式(11)计算第iter+1次迭代的聚类中心从而得到第iter+1次迭代的聚类中心矩阵

步骤3.5：通过式(12)计算第iter+1次迭代的模糊权重惩罚参数矩阵

步骤3.6：通过式(13)更新第iter+1次迭代的特征权重从而得到第iter+1次迭代的特征权重矩阵

式(13)中，表示人脸特征向量的第k特征值和第c个聚类中心之间的特征权重差，并有：

步骤3.7：将iter+1赋值给iter后，若||H^(iter)-H^(iter-1)||＜ε或者iter＞iterMax，则表示得到第iter次迭代的隶属度矩阵U^(iter)，H^(iter)，W^(iter)，R^(iter)；否则，重新执行步骤3.3；

步骤4：对聚类后的人脸特征向量集进行标签化处理，从而得到带标签的人脸数据集。