采用新型密度聚類進行人臉識別的方法
【技術領域】
[0001] 本發(fā)明設及采用新型密度聚類進行人臉識別的方法。
【背景技術】
[0002] 近年來，人臉識別成為一項熱口的計算機技術研究領域。人臉識別技術作為生物 識別技術的一種，它結合了圖像處理、計算機圖形學、模式識別等多個研究領域。聚類方法 是人臉識別技術的最重要組成部分之一。由于人臉圖像數(shù)據(jù)通常復雜分布，常用的聚類方 法無法很好地識別出復雜的不規(guī)則形狀分類。如何將準確、健壯、高效的聚類方法應用到人 臉識別中是目前急需解決的問題。

【發(fā)明內容】

[0003] 本發(fā)明的目的在于提出一種采用新型密度聚類進行人臉識別的方法，與其他的基 于質屯、的聚類方法相比，具有準確度高，能識別分布無序、非球形等復雜數(shù)據(jù)的優(yōu)點，提高 了人臉識別的準確度。
[0004] 本發(fā)明一種采用新型密度聚類進行人臉識別的方法，包括如下幾個步驟：
[0005] 步驟1、讀取人臉圖像：
[0006] 所用人臉圖像是大小為MXN的灰度圖像，用每個像素作為一個特征點，讀入K張人 臉圖像得到圖像特征矩陣Ai(mxn)，其中i = l，2, . . .，Κ;將圖像特征矩陣Ai(mxn)轉換為特征向 量 fi(ixMN)，其中 fiα:N)=Aiα，l:N)，fi(N+l:2N)=Ai(2，l:N)，依此類推，對特征向量fi的 每個維度做0-1歸一化，即
其中j = 1，2，…，MN，然后更 新特征向量fi;
[0007] 步驟2、計算距離矩陣：
[0008] 用特征向量集f作為待聚類數(shù)據(jù)集P輸入，其人臉特征向量點的數(shù)目記為N，待聚類 數(shù)據(jù)集P中第i個人臉特征向量點記為Pi，計算待聚類數(shù)據(jù)集P中每兩個人臉特征向量點Pi之 間的距離，生成距離矩陣(di,j)NXN，其中di,康示點Pi到pj的距離；
[0009] 步驟3、找出所有人臉特征向量點Pi的密度中屯、點：
[0010] 用r作為掃描半徑對每個人臉特征向量點Pi進行掃描，將待聚類數(shù)據(jù)集P中與Pi的 距離小于r的人臉特征向量點加入到Pi的r-Nei曲bor集合化ii= {pj I di, j非忡，算出集合 化ii中所有人臉特征向量點Pi的平均值
，其中k為集合化ii中人臉特征向量 點的總個數(shù)，在待聚類數(shù)據(jù)集P中找到距離平均值Meani最近的人臉特征向量點作為Pi的密 度中屯、點Ci，即
'其中I |p-meani| h表示點P與mearii的幾何距離；
[0011 ]步驟4、計算人臉向量特征點P j的密度：
[0012]將集合Neii中元素的個數(shù)作為人臉特征向量點Pi的密度值化= size(Neii)，即
[0013] 步驟5、找出所有人臉特征向量點w的密度匯聚點：
[0014] 通過迭代計算尋找每個人臉特征向量點W的局部密度中屯、點，直到最后收斂，收 斂點稱為該點的密度匯聚點：
[001引找到Pi的密度中屯、點Ci = pj，找到pj的密度中屯、點cj = pk，若Pk的密度中屯、點仍然 是Ck = pk，則停止迭代，將Pk作為Pi、Pj、Pk的密度匯聚點，記作cp(i)=cp( j)=cp化）=pk;
[0016] 步驟6、找出所有人臉特征向量點w的局部密度峰值點：
[0017] 若人臉特征向量點Pi的密度匯聚點是其自身，即cp(i)=pi，并且Pi的密度值Pi大 于給定的密度闊值t，則將其加入到局部密度峰值點集合LPS中，記作LPS={pi|(cp(i)=pi) 八(化含t)}
[0018] 步驟7、對局部密度峰值點集合WS中的所有人臉特征向量點pi按最近鄰近算法進 行聚類，每個類別就是一個密度核屯、，將局部密度峰值點集合LPS中每個局部密度中屯、點Ip 的類別記為cl(lp);
[0019] 步驟8、把其它所有非局部密度峰值點P的類別初始化為-1，再劃歸到與其匯聚中 屯、點相同類別，即cl(p)=cl(cp(p))，把cl(p)=-l的點記為離群點；
[0020] 步驟9、輸出聚類結果cl(p):
[0021] cl(p)表示該人臉的類別，若cl(pl)=cl(p2)，表示pi與p2所代表的兩張人臉圖像 是同一人，若cl(p)=-l表示該人臉類別未識別。
[0022] 由于本發(fā)明通過尋找密度核屯、而非單一質屯、來進行聚類，一個類別的密度核屯、由 一些密度相對較高的松散聯(lián)結在一起的匯聚點構成，其它數(shù)據(jù)點按一定結構聚焦在運些點 外圍.因而可W克服了傳統(tǒng)聚類算法難W識別非范數(shù)球形結構的數(shù)據(jù)，提高了人臉識別的 準確度。
【具體實施方式】
[0023] 本發(fā)明一種采用新型密度聚類進行人臉識別的方法，包括如下幾個步驟：
[0024] 步驟1、讀取人臉圖像：
[0025] 所用人臉圖像是大小為MXN的灰度圖像，用每個像素作為一個特征點，讀入K張人 臉圖像得到圖像特征矩陣Ai(mxn)，其中i = l，2，...，K;為了方便計算，將圖像特征矩陣 Ai(MXN)轉換為特征向量fi(ixMN)，其中fi(l :N) =Ai(l，1 :N)，fi(N+l :2N) =Ai(2,1 :N)，依此類 推，對特征向量fi的每個維度做0-1歸一化，即：
，其中j = 1，2，…，MN，然后更新特征向量f i;
[00%] 步驟2、計算距離矩陣：
[0027]用特征向量集f作為待聚類數(shù)據(jù)集P輸入，其人臉特征向量點的數(shù)目記為N，待聚類 數(shù)據(jù)集P中第i個人臉特征向量點記為Pi，計算待聚類數(shù)據(jù)集P中每兩個人臉特征向量點Pi之 間的距離，生成距離矩陣(dij)NXN，其中di,康示點Pi到P撕距離；
[00%]步驟3、找出所有人臉特征向量點Pi的密度中屯、點：
[0029] 用r作為掃描半徑對每個人臉特征向量點Pi進行掃描，W第i個人臉特征向量點Pi 為例，將P中與Pi的距離小于r的人臉特征向量點加入到Pi的r-Neig化or集合化ii={pj|dij <r}中，算出集合化ii中所有人臉特征向量點的平均值
其中k為集合化ii 中人臉特征向量點的總個數(shù)，在待聚類數(shù)據(jù)集P中找到距離平均值Meam最近的人臉特征向 量點作為Pi的密度中屯、點ci，即
其中Mp-meani||2表示點P與 meam的幾何距離；
[0030] 步驟4、計算人臉向量特征點W的密度：<