本发明专利技术公开了一种新的基于特征选择策略的人脸图像聚类方法及系统，应用于计算机人工智能技术领域，包括：在投影矩阵上施加结构化稀疏诱导范数，构造特征选择矩阵，结合隶属度矩阵和簇中心矩阵构建基于特征选择策略的人脸图像聚类模型；通过迭代优化算法求解基于特征选择策略的人脸图像聚类模型，直至模型收敛，得到最优解。本发明专利技术不仅通过在投影矩阵上施加结构化稀疏诱导范数，构造特征选择矩阵，结合隶属度矩阵和簇中心矩阵构建基于特征选择策略的人脸图像聚类模型，使聚类任务和特征选择过程相互促进，还通过迭代优化算法得到最优解；通过人脸图像聚类对比试验得出：本发明专利技术提出的FKFS方法在大多数人脸图像数据集上优于其他方法。于其他方法。于其他方法。
【技术实现步骤摘要】
一种新的基于特征选择策略的人脸图像聚类方法及系统
[0001]本专利技术涉及计算机人工智能
，特别涉及一种新的基于特征选择策略的人脸图像聚类方法及系统。
技术介绍
[0002]聚类是数据挖掘和计算机视觉等领域的研究热点。当标签信息不可用时，很难将不同人脸图像按照类别进行分割，使得同一个体的图像都划分到一个簇中。在过去的几十年里，提出了许多人脸图像聚类算法，如k均值聚类、模糊k均值聚类和谱聚类等。其中，k均值和模糊k均值聚类因算法理论简单而备受关注。k均值也称为硬聚类，如果把每张人脸图像视为一个样本，那么每个样本以百分百的概率被分配给最近的簇中心。然而，由于光照、遮挡、噪声等因素的影响，同一个体的不同图像之间存在较大的差异，导致k均值(K
‑
Means)的聚类性能会受到影响。为了解决这一问题，提出了模糊k均值(FKM)聚类。对于FKM聚类，样本以一定的隶属度与每个簇关联，用模糊指数控制隶属度的稀疏性。FKM聚类虽然能对提高人脸图像聚类精确度产生一定效果，但这对于人脸图像聚类的高精度要求远远不够。
[0003]为此，如何提供一种能够减少噪声和冗余特征对人脸图像聚类的精确度的影响，满足人脸图像聚类的高精度要求的新的基于特征选择策略的人脸图像聚类方法是本领域技术人员亟需解决的问题。
技术实现思路
[0004]有鉴于此，本专利技术提出了一种新的基于特征选择策略的人脸图像聚类方法(FKFS)及系统。本方法通过在投影矩阵上施加结构化稀疏诱导范数，构造特征选择矩阵，结合隶属度矩阵和簇中心矩阵构建基于特征选择策略的人脸图像聚类模型，使人脸图像聚类任务和人脸图像特征选择过程相互促进，一方面，基于所选择的判别性人脸特征，可以提高人脸图像聚类的性能，另一方面，聚类结果可以进一步提高特征选择的质量；并通过迭代算法求解该模型的最优解，包括：当当W和S固定时，求导m
k
等于零，更新M；当M和S固定时，通过迭代重加权优化策略，更新W；当W和M固定时，通过拉格朗日乘子法，更新S，直至模型收敛，得到最优解。最后，通过以ACC(accuracy)、NMI(Normalized Mutual Information)和Purity(Purity)为人脸图像聚类评价标准对基于特征选择策略的人脸图像聚类模型的最优解(FKFS)与FKM、AFKM、FNC、RSFKM、SFKM等人脸图像聚类方法分别在数据集AR、YaleB、Umist、Orlraws10P、WarpPIE10P、ORL32和LFW的子集上的人脸图像聚类试验结果进行对比，得到本专利技术提出的一种新的基于特征选择策略的人脸图像聚类方法(FKFS)及系统在大多数数据集上优于其他方法。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种新的基于特征选择策略的人脸图像聚类方法，包括：
[0007]步骤(1)：在投影矩阵上施加结构化稀疏诱导范数，构造特征选择矩阵，结合隶属度矩阵和簇中心矩阵构建基于特征选择策略的人脸图像聚类模型。
[0008]步骤(2)：通过迭代优化算法求解基于特征选择策略的人脸图像聚类模型，直至模型收敛，得到最优解。
[0009]可选的，步骤(1)中，基于特征选择策略的人脸图像聚类模型如下式：
[0010][0011]其中，W∈R
d
×
p
为特征选择矩阵；p为降维后的维度；β是用来调整W的稀疏性的正则化参数，β越大，W的稀疏行越多；M＝[m1，m2，
…
，m
c
]∈R
p
×
c
为低维空间中的簇中心矩阵，m
k
为第k个簇中心；S是隶属度矩阵，其中S
ik
表示第i个样本对第k个类的隶属度，或者属于第k个类的概率；T代表对矩阵或向量的转置；r是模糊指数。
[0012]可选的，步骤(2)中，迭代优化算法如下：
[0013]当W和S固定时，通过如下式更新M：
[0014][0015]其中，为原始空间中的第k个簇中心；
[0016]可选的，步骤(2)中，迭代优化算法还包括：
[0017]当M和S固定时，通过如下式更新W：
[0018][0019]其中，W的列由S
w
+βD的前p个最小特征值对应的特征向量组成；D是一个对角矩阵，第j个对角元素为1/2||w
j
||2；Tr()表示矩阵的迹。
[0020]可选的，步骤(2)中，迭代优化算法还包括：
[0021]当W和M固定时，通过如下式更新S：
[0022][0023]可选的，在步骤(2)之后，还包括：应用所述基于特征选择策略的人脸图像聚类模型的最优解进行人脸图像聚类试验与对比。
[0024]本专利技术还提供一种新的基于特征选择策略的人脸图像聚类系统，包括：
[0025]第一构建模块：用于在投影矩阵上施加结构化稀疏诱导范数，构造特征选择矩阵。
[0026]第二构建模块：用于结合特征选择矩阵、隶属度矩阵和簇中心矩阵构建基于特征选择策略的人脸图像聚类模型。
[0027]迭代优化模块：用于根据迭代优化算法求解基于特征选择策略的人脸图像聚类模型，直至模型收敛，得到最优解。
[0028]试验对比模块：用于应用基于特征选择策略的人脸图像聚类模型的最优解进行人脸图像聚类试验与对比。
[0029]经由上述的技术方案可知，与现有技术相比，提出了一种新的基于特征选择策略的人脸图像聚类方法(FKFS)及系统。本方法通过在投影矩阵上施加结构化稀疏诱导范数，构造特征选择矩阵，结合隶属度矩阵和簇中心矩阵构建基于特征选择策略的人脸图像聚类模型，使人脸图像聚类任务和人脸图像特征选择过程相互促进，一方面，基于所选择的判别性人脸特征，可以提高人脸图像聚类的性能，另一方面，聚类结果可以进一步提高特征选择的质量；并通过迭代算法求解该模型的最优解，包括：当当W和S固定时，求导m
k
等于零，更新M；当M和S固定时，通过迭代重加权优化策略，更新W；当W和M固定时，通过拉格朗日乘子法，更新S，直至模型收敛，得到最优解。最后，通过以ACC(accuracy)、NMI(Normalized Mutual Information)和Purity(Purity)为人脸图像聚类评价标准对基于特征选择策略的人脸图像聚类模型的最优解(FKFS)与FKM、AFKM、FNC、RSFKM、SFKM等人脸图像聚类方法分别在数据集AR、YaleB、Umist、Orlraws10P、WarpPIE10P、ORL32和LFW的子集上的人脸图像聚类试验结果进行对比，得到本专利技术提出的一种新的基于特征选择策略的人脸图像聚类方法(FKFS)及系统在大多数数据集上优于其他方法。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种新的基于特征选择策略的人脸图像聚类方法，其特征在于，包括：步骤(1)：在投影矩阵上施加结构化稀疏诱导范数，构造特征选择矩阵，结合隶属度矩阵和簇中心矩阵构建基于特征选择策略的人脸图像聚类模型；步骤(2)：通过迭代优化算法求解所述基于特征选择策略的人脸图像聚类模型，直至模型收敛，得到最优解。2.根据权利要求1所述的一种新的基于特征选择策略的人脸图像聚类方法，其特征在于，步骤(1)中，所述基于特征选择策略的人脸图像聚类模型如下式：s.t.，W
T
W＝I，S
ik
≥0，其中，W∈R
d
×
p
为特征选择矩阵；p为降维后的维度；β是用来调整W的稀疏性的正则化参数，β越大，W的稀疏行越多；M＝[m1，m2，
…
，m
c
]∈R
p
×
c
为低维空间中的簇中心矩阵，m
k
为第k个簇中心；S是隶属度矩阵，其中S
ik
表示第i个样本对第k个类的隶属度，或者属于第k个类的概率；T代表对矩阵或向量的转置；r是模糊指数。3.根据权利要求2所述的一种新的基于特征选择策略的人脸图像聚类方法，其特征在于，步骤(2)中，所述迭代优化算法如下：当W和S固定时...
【专利技术属性】
技术研发人员：赵鹏，李博文，张永新，郭培杰，常志玲，赵朝锋，
申请(专利权)人：洛阳师范学院，
类型：发明
国别省市：
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。