[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

说明书

本发明公开了一种焦点引导的人脸子空间模糊聚类方法及系统，包括：1提取待聚类的人脸图像特征向量集；2获取待聚类的人脸图像特征向量集的焦点，计算各个特征向量局部密度值，得到焦点和初始聚类中心；3在焦点的引导下，采用模糊聚类算法对待聚类的人脸图像特征向量进行聚类；4对聚类后的人脸数据集进行标签化处理。本发明将焦点信息与传统的FCM聚类方法进行结合，将具有高信息量的焦点引入聚类过程，从而能够有效降低迭代过程并提升人脸数据集的聚类精度。

技术领域

本发明属于数据挖掘领域，具体地说是一种用于人脸聚类的模糊聚类方法及系统。

背景技术

人脸识别作为深度学习一个重要的应用点，它通过训练大量带有标签的人脸数据得到对应的学习模型，人脸数据标签数量越多，得到训练模型效果越好。而现阶段的有标签的数据是通过数据标注员进行人工识别的，工作量大成本高，这是该技术快速发展的一大制约因素。而人脸聚类是作为计算视觉一个重要研究内容。人脸聚类指对数据库中的人脸图像进行分组，将较高相似度的人脸图像分到同一个类，相似度不高分到另一类。通过人脸聚类算法自动对人脸进行标注，可以大大节省人脸标注的时间成本和经济成本。

现在模糊聚类算法应用于人脸聚类存在的问题主要有如下2个：

1)对聚类初始化敏感的问题。大多数模糊聚类算法都对聚类的初始化结果较为敏感，比如FCM、V-FCM、SCAD、ESSC、FRFCM等大多数模糊聚类算法都对聚类的初始化较为敏感，容易陷入局部最优状态。

2)对人脸图像这类高维度数据适应性较差。随着大数据时代的来临，现在数据信息量越来越大、维度也越来越高。大多数算法对此类数据处理效果较差，如FCM、V-FCM、DVPFCM对于处理高维数据没有特别应对的措施；SCAD、ESSC、FRFCM都采用了不同权重的子空间处理方式，相对稍好，但是这些方法都是单纯采用数据驱动的机制，并且对于高维度数据聚类的效率和精度还不能达到理想的水平。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种焦点引导的人脸子空间模糊聚类方法及系统，以期能将具有高信息量的焦点引入聚类过程，以解决模糊聚类应用于高维数据效果差问题，从而能提高人脸数据的聚类精度。

为了实现上述发明目的，本发明采用如下技术方案：

本发明一种焦点引导的人脸子空间模糊聚类方法的特点在于，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。

本发明所述的人脸子空间模糊聚类方法的特点也在于，所述步骤2具体包括：

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；