【技术实现步骤摘要】
一种基于链接预测的人脸聚类方法
本专利技术属于计算机视觉领域，特别涉及一种应用深度学习实现人脸聚类与识别的方法。
技术介绍
人脸聚类是挖掘未标注人脸数据的重要工具，在人脸标注和检索等领域有着广泛的应用。随着面部数据量的不断增多，使得继续扩大人脸数据集的规模变得越来越困难，即使是人工手工标注，也难免会引入噪声。面部聚类能够大大减少了数据标注的工作量，实现自动化，因此在生活中具有广泛的应用。面部聚类的一般过程如下：首先通过机器学习或者深度学习的方法对面部数据提取特征，然后通过对提取后的特征以及关系对面部数据进行分组。聚类的目标是对同一类的图像给定同一种标签，不同类的图像给定不同的标签。虽然现在许多聚类的技术和产品在面部聚类上的效果已经很不错了，但是如何在大规模数据上对面部数据进行更快更准确的聚类这个问题仍未解决。现有的人脸聚类方法大致可以分为两类，即无监督方法和有监督方法。无监督方法，比如K-Means(“StuartLloyd.Leastsquaresquantizationinpcm.IEEEtransactions...
【技术保护点】
1.一种基于链接预测的人脸聚类方法，其特征在于：包括如下步骤：/n步骤一，选取人脸图像数据库，对数据库中的人脸图像进行预处理，然后提取单个人脸图像的特征，并得到单个人脸图像的近邻关系列表；/n步骤二，构建人脸关系图，根据步骤一得到的单个人脸图像的近邻关系列表以及特征对于每一个人脸构建局部子图，得到人脸关系局部子图集合；/n步骤三，链接预测，通过步骤二得到的人脸关系局部子图集合，输入到图卷积网络中进行预测，并通过线性层对节点之间的关系进行预测，得到更改后的近邻列表，通过不断地更新迭代，最后判断该节点是否与中心存在连接，来达到将节点划分的目的，并得到节点的聚类结果；/n步骤四，...
【技术特征摘要】
1.一种基于链接预测的人脸聚类方法，其特征在于：包括如下步骤：
步骤一，选取人脸图像数据库，对数据库中的人脸图像进行预处理，然后提取单个人脸图像的特征，并得到单个人脸图像的近邻关系列表；
步骤二，构建人脸关系图，根据步骤一得到的单个人脸图像的近邻关系列表以及特征对于每一个人脸构建局部子图，得到人脸关系局部子图集合；
步骤三，链接预测，通过步骤二得到的人脸关系局部子图集合，输入到图卷积网络中进行预测，并通过线性层对节点之间的关系进行预测，得到更改后的近邻列表，通过不断地更新迭代，最后判断该节点是否与中心存在连接，来达到将节点划分的目的，并得到节点的聚类结果；
步骤四，根据已经得到的聚类结果，选择其中存在孤立点的簇进行合并调整，得到最终的聚类结果。
2.根据权利要求1所述的基于链接预测的人脸聚类方法，其特征在于：所述步骤一中，对数据库中的人脸图像进行预处理是使用SeetFace人脸识别引擎从数据库中的图片提取人脸图像并矫正。
3.根据权利要求1所述的基于链接预测的人脸聚类方法，其特征在于：所述步骤一中，通过深度卷积神经网络提取人脸图像的面部特征Fn＝{fi|fi＝g(xi),xi∈X}，其中，n表示提取面部特征的维度，g(·)表示将特征提取出来的CNN网络，X表示人脸图像集，xi表示第i个人脸图像；使用已经提取好的人脸图像的面部特征Fn，计算相似度，最终得到每一张人脸图像的k-近邻关系列表，将C(·)定义为人脸图像集X中一张人脸图像的近邻列表C，则人脸图像xi的近邻列表表示为其中，k表示当前人脸图像xi的最大近邻的数量。
4.根据权利要求1所述的基于链接预测的人脸聚类方法，其特征在于：所述步骤二中，通过每张人脸图像的邻近关系列表C(xi)，将人脸数据连接成一个图G，从图G中构建人脸关系图，构建关系图的步骤包括：
(1)构建中心节点：首先定义积极节点数μ，它表示近邻关系列表中的前μ个节点，然后对于一个节点xi，如果它已经被访问过了，则继续寻找下一个节点的中心子图，如果还没被访问，那么将xi的近邻列表C(xi)中的μ个积极节点选择出来，并判断这个几个节点之间能否存在一个完全图的关系，如果存在，那么这个图就组成了一个中心子图如果不存在，那么这一个节点就自己构成一个中心子图重复以上过程在图G中搜索每个节点xi组成的完全图最后得到中心子图的集合
(2)加入其他近邻的节点：通过已经得到的中心子图集合Gc，将每一个中心子图作为子图的中心，然后从中节点的近邻关系列表中挑选一部分节点来构建人脸关系图；根据节点在近邻列表中的顺序以及特征之间差异对几...
【专利技术属性】
技术研发人员：张立言，王文博，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
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。