[发明专利]基于快速密度聚类算法的无监督人脸识别方法

摘要

一种基于快速密度聚类算法的无监督人脸识别方法，首先提取人脸图像的像素矩阵，利用结构相似性计算图像间的相似度，利用高斯函数计算图像对象的密度，并以此计算图像对象的密度及其到更高密度图像的最小距离。结合图像对象的密度‑距离分布，通过回归分析拟合密度与距离函数关系，通过残差分析自动确定簇类中心；然后，利用分类器对聚类结果进行训练和识别。本发明提供一种无需预知人脸图像的任何类标信息、识别能力较强的基于快速密度聚类算法的无监督人脸识别方法。

主权项

1.一种基于快速密度聚类算法的无监督人脸识别方法，其特征在于：所述识别方法包括如下步骤：1)针对人脸图像的像素点信息，采用结构相似性计算方法，获得图像间的相似性，结构相似性计算方法定义如下：在空间域中，两图像块x＝{xi i＝1,...,M}与y＝{yi i＝1,...,M}之间的结构相似性为：其中C1和C2是两个小的正常数，M是图像块的像素点个数，μx、μy分别表示图像块x和y的均值，σx、σy分别表示图像块x和y的方差，σxy表示图像块x和y的协方差，即结构相似度SSIM的值介于0到1之间，如果结构相似度SSIM的值为1，则说明x与y是完全相似的；2)采用快速密度聚类算法对公式(1)中相似性矩阵进行聚类，过程如下：2.1)使用结构相似性计算方法来计算图像间相似性，然后利用高斯核函数计算图像的密度值；dist(z,zi)＝1‑S(z,zi)             (2)其中S(z,zi)表示对象z与zi之间的结构相似性，dist(z,zi)表示对象z与zi之间的距离，其中z与zi代表不同的图像对象；对于任意图像对象zi，其局部密度ρi的计算方式如下：其中dc是截断距离；对于任意图像对象zi，其到具有更高局部密度的其他图像对象的最小距离定义δi如下：其中dij表示对象zi和对象zj之间的距离；其中对于具有最高局部密度的图像对象，定义它的δi＝maxj(dij)；2.2)通过线性回归模型和残差分析确定奇异点,该奇异点即为聚类所得聚类中心；根据聚类中心本身密度大，被密度比它小的邻居点包围，并且与其它密度更大的对象之间有相对较大的距离的特性，采用非线性函数y＝b₀+b₁/x转换为线性函数去拟合，令则y＝b₀+b₁*X'，利用线性函数模型拟合所有数据局部密度ρ_i和距离δ_i的函数关系δ_i’＝f(ρ_i)，使用残差分析确定密度和距离分布图中的奇异点信息，其中奇异点为远离拟合曲线的点，即是聚类的簇中心，奇异点个数是聚类的簇个数；2.3)确定聚类中心后，将其他点按照比其密度更高的最近点的类标一致原则划分到各自的聚簇中；2.4)通过设定过滤器，严格剔除聚簇边缘的离群对象，过滤器的定义如下:确定聚类中心并将其余点划分到相应聚簇后，算法首先对于固定的聚簇，要确定其边界区域，该区域内的数据点具有以下特征：数据点本身属于该聚簇，但在距离不超过R的范围内，R＝n*dc，其中n为正常数，存在属于其他聚簇的对象，则通过该边界区域内的对象，为该聚簇确定一个平均局部密度，通过该局部密度，将大于该局部密度的所有对象划分到该聚簇中，而将其他对象剔除；3)利用步骤2)中的聚类结果进行训练和人脸识别，过程如下：3.1)从聚类结果中提取聚类中心及少量簇内对象作为训练样本，采用PCA方法进行特征提取；3.2)利用分类器对人脸进行识别，并得到最后识别结果。