采用新型密度聚类进行人脸识别的方法

摘要

本发明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。

主权项

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A_i(M×N)，其中i＝1,2,...,K；将图像特征矩阵A_i(M×N)转换为特征向量f_i(1×MN),其中f_i(1:N)＝A_i(1,1:N)，f_i(N+1:2N)＝A_i(2,1:N)，依此类推，对特征向量f_i的每个维度做0‑1归一化，即$f_i\left(j\right)=\frac{f_i\left(j\right)-\min \left(f_{1:K}\left(j\right)\right)}{\max \left(f_{1:K}\left(j\right)\right)-\min \left(f_{1:K}\left(j\right)\right)},$其中j＝1,2,…,MN，然后更新特征向量f_i；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p_i，计算待聚类数据集P中每两个人脸特征向量点p_i之间的距离，生成距离矩阵(d_i,j)_N×N,其中d_i,j表示点p_i到p_j的距离；步骤3、找出所有人脸特征向量点p_i的密度中心点：用r作为扫描半径对每个人脸特征向量点p_i进行扫描，将待聚类数据集P中与p_i的距离小于r的人脸特征向量点加入到p_i的r‑Neighbor集合Nei_i＝{p_j|d_i,j≤r}中，算出集合Nei_i中所有人脸特征向量点p_i的平均值其中k为集合Nei_i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Mean_i最近的人脸特征向量点作为p_i的密度中心点c_i，即其中||p‑mean_i||₂表示点p与mean_i的几何距离；步骤4、计算人脸向量特征点p_j的密度：将集合Nei_i中元素的个数作为人脸特征向量点p_i的密度值ρ_i＝size(Nei_i)，即${\rho }_{i,r}=\underset{k=1}{\overset{N}{\Sigma }}l(d_{i,k}\le r),$其中$l\left(x\right)=\left\{\begin{array}{cc}1,& xistrue\\ 0,& else\end{array}\right.;$步骤5、找出所有人脸特征向量点p_j的密度汇聚点：通过迭代计算寻找每个人脸特征向量点p_j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p_i的密度中心点c_i＝p_j，找到p_j的密度中心点c_j＝p_k，若p_k的密度中心点仍然是c_k＝p_k，则停止迭代，将p_k作为p_i、p_j、p_k的密度汇聚点，记作cp(i)＝cp(j)＝cp(k)＝p_k；步骤6、找出所有人脸特征向量点p_j的局部密度峰值点：若人脸特征向量点p_i的密度汇聚点是其自身，即cp(i)＝p_i，并且p_i的密度值ρ_i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＝{p_i|(cp(i)＝p_i)∧(ρ_i≥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。