海量人脸库应用环境下的人脸快速识别方法

摘要

本发明是一种海量人脸库应用环境下的人脸快速识别方法。引入二分K-均值聚类算法BKM结合PCA+LDA算法对大规模人脸库进行特征提取。首先对人脸库计算每个样本的均值向量，本着类内聚合度最大、类间耦合度最小的原则映射到某个维度空间；然后在这个维度空间对其进行聚类；得到聚类结果后，将各个样本按照其簇属性重新组合分组；最后在每个簇上使用线性子空间人脸特征提取算法进行特征提取。

主权项

一种海量人脸库应用环境下的人脸快速识别方法，其特征在于如下步骤：步骤一：输入海量人脸数据库、人脸库中样本的数量N值、人脸库中样本类别数C值；步骤二：1)对人脸库的所有测试样本计算样本均值；2)计算中心化样本矩阵：将人脸库所有测试样本减去步骤1中所得样本均值；3)计算中心化样本矩阵的内积矩阵；4)计算内积矩阵的特征值与特征向量，将特征值由大到小排列，取前N‑C个较大的特征值所对应的特征向量，组成子空间矩阵WPCA；5)定义每个类的类内离散度和类间离散度；6)计算能够使得样本可分性得到最大化的某一维度空间WLDA；7)最终以类内聚合度最大、类间耦合度最小的原则映射的空间为：W＝WPCA*WLDA将所有的训练样本均值向量向这个空间投影；8)随机选择两个样本点作为簇中心，将所有样本按照距离最近的原则划分其所属簇；9)计算簇均值，若簇均值与当前簇中心不重合，则以簇均值为中心重新划分簇，否则转向步骤10；10)以生成的两个簇为输入数据，在每个簇中分别随机选择两个坐标点作为簇中心，按照步骤8)至步骤9)迭代划分，直至当前生成的簇的个数等于K；11)在每个簇上使用PCA+LDA算法进行特征提取，得到K组人脸特征；步骤三：输出K组人脸特征。