一种无监督的人脸智能精确识别方法及系统技术方案

本发明专利技术公开一种无监督的人脸智能精确识别方法及系统，其中，方法包括步骤：采用密度聚类算法对已提取的人脸图片特征向量进行初步分类，采用逻辑回归算法对训练集进行模型参数学习，得到初始化逻辑回归参数；根据初始化逻辑回归参数对所述测试集中人脸图片特征向量进行逻辑回归预测处理，并将得到的预测值进行概率归一化计算得到相应的概率值；当所述概率值大于预设的置信率门限值时，则将当前进行逻辑回归预测处理的人脸图片特征向量分配至相应的标签中，并形成新的训练集；本发明专利技术实现了在增强系统聚类能力的同时确保人脸图片识别的精确度；并且本发明专利技术是基于无监督的分类算法，避免了人工标注标签，节省了人力物力，并提高了人脸图片识别的处理速度。

An Unsupervised Accurate Face Recognition Method and System

The invention discloses an unsupervised method and system for intelligent and accurate face recognition. The method includes steps: using density clustering algorithm to preliminarily classify the extracted feature vectors of face images, using logical regression algorithm to learn the model parameters of the training set, and obtaining the initial logistic regression parameters; The initial logistic regression parameters are used to predict the feature vectors of face images in the test set, and the predicted values are normalized to obtain the corresponding probabilistic values. When the probabilistic values are larger than the preset confidence threshold, the features of face images that are currently processed by logistic regression prediction are used. The eigenvector is allocated to the corresponding label and a new training set is formed; the present invention realizes the accuracy of face image recognition while enhancing the clustering ability of the system; and the present invention is based on unsupervised classification algorithm, avoids labeling manually, saves manpower and material resources, and improves face image recognition. Processing speed.

【技术实现步骤摘要】
一种无监督的人脸智能精确识别方法及系统
本专利技术涉及人脸识别领域，尤其涉及一种无监督的人脸智能精确识别方法及系统。
技术介绍
随着近几年视频存储、大数据分析等领域的蓬勃发展，人脸识别已经不仅仅要求能在照片中检测出人脸，而且要能够准确地从多张照片中找出同一人的照片，并能应用于各种智能设备中。现如今常用的人脸识别方法是将人脸进行人工标注标签，然后存储在数据库中，当摄像设备再一次拍摄到人脸时，将新拍摄的照片和数据库存储的照片进行比对，在存储库中找出相似度最高的照片，并将该照片的标签作为新增照片的标签。实际应用中，常常会遇到测试样本(即人脸图像)只有特征向量，没有指定相应标签的无监督情况，这种基于无监督的分类算法，逐渐得到业界的重视；然而，现阶段的无监督分类算法还不成熟，要不准确度不太高，要么召回率不高，要么速度很慢，或者无法适应任意分布的特征向量。因此，如何准确快速地对特征向量进行聚类，为所述特征向量分配正确的标签，成为现有技术亟需解决的问题。因此，现有技术还有待于改进和发展。
技术实现思路
鉴于上述现有技术的不足，本专利技术的目的在于提供一种无监督的人脸智能精确识别方法及系统，旨在解决现有本文档来自技高网...

【技术保护点】
1.一种无监督的人脸智能精确识别方法，其特征在于，包括步骤：A、采用密度聚类算法对已提取的人脸图片特征向量进行初步分类，为已分类的人脸图片特征向量分配相应的标签并组成训练集，将未分类的人脸图片特征向量组成测试集；B、采用逻辑回归算法对所述训练集进行模型参数学习，得到初始化逻辑回归参数；C、根据所述初始化逻辑回归参数对所述测试集中的任一人脸图片特征向量进行逻辑回归预测处理，并将得到的预测值进行概率归一化计算得到相应的概率值；D、当所述概率值大于预设的置信率门限值时，则将当前进行逻辑回归预测处理的人脸图片特征向量分配至相应的标签中，并形成新的训练集；E、判断所述已提取的人脸图片特征向量是否均分配至...

【技术特征摘要】
1.一种无监督的人脸智能精确识别方法，其特征在于，包括步骤：A、采用密度聚类算法对已提取的人脸图片特征向量进行初步分类，为已分类的人脸图片特征向量分配相应的标签并组成训练集，将未分类的人脸图片特征向量组成测试集；B、采用逻辑回归算法对所述训练集进行模型参数学习，得到初始化逻辑回归参数；C、根据所述初始化逻辑回归参数对所述测试集中的任一人脸图片特征向量进行逻辑回归预测处理，并将得到的预测值进行概率归一化计算得到相应的概率值；D、当所述概率值大于预设的置信率门限值时，则将当前进行逻辑回归预测处理的人脸图片特征向量分配至相应的标签中，并形成新的训练集；E、判断所述已提取的人脸图片特征向量是否均分配至相应的标签中，若是，则结束分配；若否，则返回步骤B进行迭代运算，直至所有已提取的人脸图片特征向量均分配有相应的标签。2.根据权利要求1所述的无监督的人脸智能精确识别方法，其特征在于，所述步骤D还包括：D1、当所述概率值小于预设的置信率门限值时，则判定当前进行逻辑回归预测处理的人脸图片特征向量为离群值。3.根据权利要求1所述的无监督的人脸智能精确识别方法，其特征在于，经过所述步骤E后，已经分配有标签的人脸图片形成一数据库，并且当在所述数据库中添加新增人脸图片时，所述方法在步骤E后还包括以下步骤：F1、预先依次取出数据库中每一标签下的人脸图片的N个特征向量；F2、计算新增人脸图片的特征向量与当前标签下的N个特征向量子集之间的欧氏距离，并统计所述欧式距离小于欧氏距离门限值的个数；F3、若所述欧氏距离小于欧氏距离门限值的个数大于或等于最小邻居个数门限，则将新增图片分配至当前标签中。4.根据权利要求3所述的无监督的人脸智能精确识别方法，其特征在于，所述步骤F2之后还包括：F4、若所述欧式距离小于欧式距离门限值的个数大于第二级最小邻居个数门限且小于最小邻居个数门限，则将当前标签标号记录下来，并进入步骤F41；F41、对数据库中已标签的人脸图片特征向量进行逻辑回归运算得到当前逻辑回归参数，根据当前逻辑回归参数对新增图片的特征向量进行逻辑回归预测处理，并将得到的预测值进行概率归一化计算得到相应的概率值；当所述概率值大于预设的置信率门限值时，则将新增图片特征向量分配至当前标签中。5.根据权利要求3所述的无监督的人脸智能精确识别方法，其特征在于，所述步骤F2之后还包括：F5、若所述欧氏距离小于欧式距离门限值的个数小于第二级最小邻居个数门限时，则将当前标签舍弃，进入F51；F51、遍历新增人脸图片的特征向量与剩下每一个标签的N个特征向量子集之间的欧氏距离，并统计所述欧式距离小于欧氏距离门限值的个数，若得到的欧氏距离小于欧式距离门限值的个数均小于第二级最小邻居个数门限时，则将所有标签舍弃；F52、采用密度聚类算法对新增图片的特征向量和数据库中所有离群值的特征向量进行聚类分析，若满足门限要求，则为新增图片分配新的标签。6.一种无监督的人脸智能精确识别系统，其特征在于...

【专利技术属性】
技术研发人员：蒋佳，朱林楠，占宏锋，
申请(专利权)人：TCL集团股份有限公司，
类型：发明
国别省市：广东,44