[发明专利]采用快速密度峰值聚类进行人脸识别的方法

摘要

本发明涉及一种采用快速密度峰值聚类进行人脸识别的方法，包括：读取人脸图像；计算所有数据点pi的密度；计算所有非密度峰值点的δ值；找出所有局部密度峰值点；快速寻找局部密度峰值点的父结点；找出剩余局部密度峰值点的父节点并计算δ值；由用户输入待聚类的个数M，计算除根结点(proot)外所有数据点的ρi与δi的乘积记为γi，并对γi进行排序，按照从大到小的顺序选取前M个数据点作为待聚类的中心；把其它所有非聚类中心点pj的类别初始化为‑1,再按照层次划分将其划归到与其聚类中心点相同类别；输出聚类结果cl(p)。本发明具有准确度高，能够快速识别复杂数据的优点，提高了人脸识别的准确度和速度。

主权项

1.一种采用快速密度峰值聚类进行人脸识别的方法，其特征在于，包括：步骤1、读取人脸图像：读取的人脸图像是大小为M×N的灰度图像，用每个像素作为一个特征点,读入W张人脸图像得到图像特征矩阵A_i(M×N)，其中i＝1,2,...,W；将图像特征矩阵A_i(M×N)转换为特征向量f_i(1×MN),其中f_i(1:N)＝A_i(1,(1:N))，f_i((N+1):2N)＝A_i(2,(1:N))，依此类推，对特征向量f_i的每个维度进行0‑1归一化，即其中t＝1,2,…,MN，然后更新特征向量f_i；步骤2、计算所有数据点p_i的密度：用特征向量集f作为待聚类数据集P输入，其数据点的数目记为S，待聚类数据集P中第i个数据点记为p_i；使用覆盖树中的K近邻算法对每个数据点p_i进行扫描，将待聚类数据集P中离p_i最近的K个人脸特征向量点加入到p_i的近邻集合NEI_i中，并在NEI_i中找出离p_i最远的数据点，二者之间距离记为d_i,(K)＝max{d_ij|p_j∈NEI_i}；其中，数据点p_i的K‑密度值表示为：给定数据点p_i，在整个数据集中与其距离最近但密度比其高的数据点为p_j，即其中W为数据点总个数,称p_j为p_i的父结点，并记δ_i＝d_i,j；步骤3、计算所有非密度峰值点的δ值若一个点p_i在其NEI_i内不是密度最高的点，则称p_i为非局部密度峰值点，即在p_i的NEI_i内找出离其最近的密度更高的数据点p_j，即满足并计算δ_i＝d_i,j；步骤4、找出所有局部密度峰值点若一个点p_i在其NEI_i内是密度最高的点，则称p_i为局部密度峰值点，即在所有数据点中找出局部密度峰值点，加入到局部密度峰值点集合LDP中；令K₁＝K；步骤5、快速寻找局部密度峰值点的父结点记集合LDP中局部密度峰值点的个数为LPN，若LPN小于或等于给定的局部密度峰值点个数阙值LPT则转至步骤6，否则，通过迭代计算使LPN小于或等于LPT，具体步骤如下：(5.1)K₁＝2×K₁；(5.2)将LDP中的所有数据点p_i存入数据集P₁，即P₁＝{p_i|p_i∈LDP}，并将LDP置空；(5.3)将数据集P₁中各个数据点的近邻集合清空；(5.4)应用覆盖树中的K近邻算法对数据集P₁中每个数据点p_i进行扫描，将待聚类数据集P中离p_i最近的K₁个数据点加入到p_i的近邻集合中,仍然记为NEI_i；保持数据点的K‑密度值不变；(5.5)在P₁中找出所有非局部密度峰值点；对每个非局部峰值点p_i找出其父结点，并计算δ_i；(5.6)在P₁中找出所有局部密度峰值点，加入到局部密度峰值点集合LDP中,统计LDP中数据点个数LPN，若LPN小于或等于LPT则转至步骤6，否则进行循环迭代步骤5，每次循环通过扩大一倍K近邻搜索点的个数来寻找父节点；步骤6、找出剩余局部密度峰值点的父节点并计算δ值(6.1)找出LDP中K‑密度值最大的数据点记为p_root，将其作为根结点；(6.2)对每个LDP中的数据点p_i,按暴力算法在整个数据集中找出K‑密度值大但距离最近的点p_j作为p_i的父结点；(6.3)计算δ_i＝d_i,j；步骤7、由用户输入待聚类的个数M，计算除根结点p_root外所有数据点的ρ_i与δ_i的乘积记为γ_i，并对γ_i进行排序，按照从大到小的顺序选取前M个数据点作为待聚类的中心，每个类别就是一个密度核心；对每个密度核心为p_i的类别记为cl(p_i)；步骤8、把其它所有非聚类中心点p_j的类别初始化为‑1,再按照层次划分将其划归到与其聚类中心点相同类别,即孩子结点的类别与其父结点类别一致；步骤9、输出聚类结果cl(p)cl(p)表示该人脸的类别，若cl(p₁)＝cl(p₂)，表示p₁与p₂所代表的两张人脸图像是同一人，若cl(p)＝‑1表示该人脸类别未识别。