采用新型密度聚类进行人脸识别的方法技术

本发明专利技术提出一种采用新型密度聚类进行人脸识别的方法，读取人脸图像，将图像矩阵转换为特征向量，用特征向量集f作为待聚类的数据集P的输入，计算P中每两个人脸特征向量点之间的距离，算出所有点的均值，在P中找到距离均值点最近的点作为密度中心点，计算所有点的密度，迭代寻找密度中心点，将最后的收敛点作为密度汇聚点，将密度汇聚点中是其自身，且密度值大于t的点作为局部密度中心点，对集合LPS中的所有点按最近邻近算法进行聚类，并标记类别标号，把其它所有非局部密度中心点p的类别初始化为-1,划归到与其汇聚中心点相同类别，剩下的类别标号为-1的点记为离群点，最后输出聚类结果，本发明专利技术具有准确度高，能识别复杂数据的优点，提高了人脸识别的准确度。

【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r-Neighbor集合Neii＝{pj|di,j≤r本文档来自技高网...

【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r‑Neighbor集合Neii＝{pj|di,j≤r}中，算出集合Neii中所有人脸特征向量点pi的平均值其中k为集合Neii中人脸特征向量点的总个数，在待聚类数据集P中找到距离平均值Meani最近的人脸特征向量点作为pi的密度中心点ci，即其中||p‑meani||2表示点p与meani的几何距离；步骤4、计算人脸向量特征点pj的密度：将集合Neii中元素的个数作为人脸特征向量点pi的密度值ρi＝size(Neii)，即ρi,r=Σk=1Nl(di,k≤r),]]>其中l(x)=1,x is true0,else;]]>步骤5、找出所有人脸特征向量点pj的密度汇聚点：通过迭代计算寻找每个人脸特征向量点pj的局部密度中心点，直到最后收敛，收敛点称为该点的密度汇聚点：找到pi的密度中心点ci＝pj，找到pj的密度中心点cj＝pk，若pk的密度中心点仍然是ck＝pk，则停止迭代，将pk作为pi、pj、pk的密度汇聚点，记作cp(i)＝cp(j)＝cp(k)＝pk；步骤6、找出所有人脸特征向量点pj的局部密度峰值点：若人脸特征向量点pi的密度汇聚点是其自身，即cp(i)＝pi，并且pi的密度值ρi大于给定的密度阈值t，则将其加入到局部密度峰值点集合LPS中,记作LPS＝{pi|(cp(i)＝pi)∧(ρi≥t)}步骤7、对局部密度峰值点集合LPS中的所有人脸特征向量点pi按最近邻近算法进行聚类，每个类别就是一个密度核心，将局部密度峰值点集合LPS中每个局部密度中心点lp的类别记为cl(lp)；步骤8、把其它所有非局部密度峰值点p的类别初始化为‑1,再划归到与其汇聚中心点相同类别,即cl(p)＝cl(cp(p))，把cl(p)＝‑1的点记为离群点；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。...

【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

【专利技术属性】
技术研发人员：陈叶旺，汤盛宇，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35