【技术实现步骤摘要】
本专利技术涉及采用新型密度聚类进行人脸识别的方法。
技术介绍
近年来,人脸识别成为一项热门的计算机技术研究领域。人脸识别技术作为生物识别技术的一种,它结合了图像处理、计算机图形学、模式识别等多个研究领域。聚类方法是人脸识别技术的最重要组成部分之一。由于人脸图像数据通常复杂分布,常用的聚类方法无法很好地识别出复杂的不规则形状分类。如何将准确、健壮、高效的聚类方法应用到人脸识别中是目前急需解决的问题。
技术实现思路
本专利技术的目的在于提出一种采用新型密度聚类进行人脸识别的方法,与其他的基于质心的聚类方法相比,具有准确度高,能识别分布无序、非球形等复杂数据的优点,提高了人脸识别的准确度。本专利技术一种采用新型密度聚类进行人脸识别的方法,包括如下几个步骤:步骤1、读取人脸图像:所用人脸图像是大小为M×N的灰度图像,用每个像素作为一个特征点,读入K张人脸图像得到图像特征矩阵Ai(M×N),其中i=1,2,...,K;将图像特征矩阵Ai(M×N)转换为特征向量fi(1×MN),其中fi(1:N)=Ai(1,1:N),fi(N+1:2N)=Ai(2,1:N),依此类推,对特征向量fi的每个维度做0-1归一化,即其中j=1,2,…,MN,然后更新特征向量fi;步骤2、计算距离矩阵:用特征向量集f作为待聚类数据集P输入,其人脸特征向量点的数目记为N,待聚类数据集P中第i个人脸特征向量点 ...
【技术保护点】
一种采用新型密度聚类进行人脸识别的方法,其特征在于包括如下几个步骤:步骤1、读取人脸图像:所用人脸图像是大小为M×N的灰度图像,用每个像素作为一个特征点,读入K张人脸图像得到图像特征矩阵Ai(M×N),其中i=1,2,...,K;将图像特征矩阵Ai(M×N)转换为特征向量fi(1×MN),其中fi(1:N)=Ai(1,1:N),fi(N+1:2N)=Ai(2,1:N),依此类推,对特征向量fi的每个维度做0‑1归一化,即fi(j)=fi(j)-min(f1:K(j))max(f1:K(j))-min(f1:K(j)),]]>其中j=1,2,…,MN,然后更新特征向量fi;步骤2、计算距离矩阵:用特征向量集f作为待聚类数据集P输入,其人脸特征向量点的数目记为N,待聚类数据集P中第i个人脸特征向量点记为pi,计算待聚类数据集P中每两个人脸特征向量点pi之间的距离,生成距离矩阵(di,j)N×N,其中di,j表示点pi到pj的距离;步骤3、找出所有人脸特征向量点pi的密度中心点:用r作为扫描半径对每个人脸特征向量点pi进行扫描,将待聚类数据集P中与pi的距离小于r的人脸特征向量点加入到pi的 ...
【技术特征摘要】
1.一种采用新型密度聚类进行人脸识别的方法,其特征在于包
括如下几个步骤:
步骤1、读取人脸图像:
所用人脸图像是大小为M×N的灰度图像,用每个像素作为一个
特征点,读入K张人脸图像得到图像特征矩阵Ai(M×N),其中i=1,2,...,K;
将图像特征矩阵Ai(M×N)转换为特征向量fi(1×MN),其中
fi(1:N)=Ai(1,1:N),fi(N+1:2N)=Ai(2,1:N),依此类推,对特征向量fi的每个维度做0-1归一化,即fi(j)=fi(j)-min(f1:K(j))max(f1:K(j))-min(f1:K(j)),]]>其中
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。