基于快速密度聚类算法的无监督人脸识别方法技术

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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于涉及无监督的人脸识别方法，针对人脸识别方法目前存在的问题，提出了一种基于快速密度聚类算法的无监督人脸识别方法。
技术介绍
随着信息技术、人工智能、模式识别、计算机视觉等新技术的快速发展，人脸识别技术在公安，交通等安全系统领域有着各种潜在的应用而受到广泛的关注。人脸识别主要是从人脸图像中自动提取人脸特征，然后根据这些特征进行身份验证。人脸识别的方法按算法的不同主要可以分为以下几类：基于几何特征的人脸识别、基于子空间分析的人脸识别、基于弹性图匹配的人脸识别、基于稀疏表示的人脸识别等等。基于几何特征的人脸识别是最早且最常用的识别方法，该方法采用几何矢量来表示人脸局部特征，利用距离、比率等参数作为识别的特征信息作为人脸识别的方法。基于子空间分析的人脸识别，利用对原始人脸图像进行降维的特征提取，采用一个单一的特征向量来代表整个面部区域，将其作为识别系统的输入。如主成分分析方法(PCA)，线性判别分析方法(LDA)以及独立成分分析方法(ICA)，其目的均在整个面部区域构造子空间，将人脸图像映射到一个较低的维度空间，从而避免维数过高的问题。基于弹性图匹配的人脸识别方法既保留了人脸面部全局结构和属性特征，其基本思想是先对几种人脸特征进行定位，然后通过比较和综合的方法对人脸进行分类。弹性束图匹配(EBGM)，主动形状模型(ASM)和主动外观模型(AAM)是流行的人脸特征定位方法。由于基于统计学习理论的方法日渐成熟，支持向量机(SVM)因其较为稳定的泛化能力和较高的分类能力，被应用到人脸识别技术中。SVM多分类常用一对多法(One-Versus-Best)、一对一法(One-Versus-one)等策略来解决多分类和多识别问题。基于稀疏表示的人脸识别方法(Sparserepresentationrecognition,SRC)在近年来较为新颖的识别方法。稀疏表示所选取的基向量能够很好的表征和描述当前样本的属性特征，因此，稀疏表示具有较好的鉴别功能。同时，因为稀疏表示方法的特殊性，在严重遮挡和较大噪声干扰的情况下，基于稀疏表示的识别方法仍能够较好的处理人脸面部特征以及较好的人脸识别能力，为人脸识别技术提供了新方向和新思路。虽然在人脸建模和分析技术的发展的基础上，人脸识别领域已有重大进步，但大多数人脸识别方法具有一个特定的前提条件，即需要已知不同类别的人脸图像分类情况，并提取足够的样本数据进行训练，利用训练得到的模型对其他人脸图像进行分类和识别。而当训练样本分类不明确时，现有的人脸识别算法不能得到预期的识别效果。
技术实现思路
为了克服已有人脸识别需要已知不同类别的人脸图像分类情况，并提取足够的样本数据进行训练的前提条件，本专利技术提供了一种具有无监督特性，训练样本需求较小、识别能力较强的基于快速密度聚类的无监督人脸识别方法。本专利技术解决其技术问题所采用的技术方案是：一种基于快速密度聚类算法的无监督人脸识别方法，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＝{xii＝1,...,M本文档来自技高网...

【技术保护点】
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：S(x,y)=(2μxμy+C1)(2σxy+C2)(μx2+μy2+C1)(σx2+σy2+C2)---(1)]]>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X和Y的均值，σX、σY分别表示图像X和Y的方差，σXY表示图像X和Y的协方差，即μx=1MΣiMxi]]>μy=1MΣiMyi]]>σx2=1MΣiM(xi-μx)2]]>σy2=1MΣiM(xi-μy)2]]>σxy=1MΣi=1M(xi-μx)(yi-μy)]]>SSIM的值介于0到1之间，如值为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(SSIM)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(x,xi)＝1‑S(x,xi)   (2)其中S(x,xi)表示对象x与xi之间的结果相似性，dist(x,xi)表示对象x与xi之间的距离，其中x和xi代表不同的图像对象；对于任意图像对象xi，其局部密度ρi的计算方式如下：ρi=Σi=1n(e-(dist(x,xi)dc)2)---(3)]]>其中dc是截断距离；对于任意图像对象xi，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：δi=min(dij)j:ρj>ρi---(4)]]>其中dij表示对象xi和对象xj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ρi和距离δi的函数关系δi’＝f(ρi)，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，将其他点按到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，但在其距离不超过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。...

【技术特征摘要】
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，...

【专利技术属性】
技术研发人员：陈晋音，何辉豪，陈军敢，杨东勇，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33