[发明专利]基于快速密度聚类算法的无监督人脸识别方法

说明书

一种基于快速密度聚类算法的无监督人脸识别方法，首先提取人脸图像的像素矩阵，利用结构相似性计算图像间的相似度，利用高斯函数计算图像对象的密度，并以此计算图像对象的密度及其到更高密度图像的最小距离。结合图像对象的密度‑距离分布，通过回归分析拟合密度与距离函数关系，通过残差分析自动确定簇类中心；然后，利用分类器对聚类结果进行训练和识别。本发明提供一种无需预知人脸图像的任何类标信息、识别能力较强的基于快速密度聚类算法的无监督人脸识别方法。

技术领域

本发明属于涉及无监督的人脸识别方法，针对人脸识别方法目前存在的问题，提出了一种基于快速密度聚类算法的无监督人脸识别方法。

背景技术

随着信息技术、人工智能、模式识别、计算机视觉等新技术的快速发展，人脸识别技术在公安，交通等安全系统领域有着各种潜在的应用而受到广泛的关注。人脸识别主要是从人脸图像中自动提取人脸特征，然后根据这些特征进行身份验证。人脸识别的方法按算法的不同主要可以分为以下几类：基于几何特征的人脸识别、基于子空间分析的人脸识别、基于弹性图匹配的人脸识别、基于稀疏表示的人脸识别等等。

基于几何特征的人脸识别是最早且最常用的识别方法，该方法采用几何矢量来表示人脸局部特征，利用距离、比率等参数作为识别的特征信息作为人脸识别的方法。基于子空间分析的人脸识别，利用对原始人脸图像进行降维的特征提取，采用一个单一的特征向量来代表整个面部区域，将其作为识别系统的输入。如主成分分析方法(PCA)，线性判别分析方法(LDA)以及独立成分分析方法(ICA)，其目的均在整个面部区域构造子空间，将人脸图像映射到一个较低的维度空间，从而避免维数过高的问题。基于弹性图匹配的人脸识别方法既保留了人脸面部全局结构和属性特征，其基本思想是先对几种人脸特征进行定位，然后通过比较和综合的方法对人脸进行分类。弹性束图匹配(EBGM)，主动形状模型(ASM)和主动外观模型(AAM)是流行的人脸特征定位方法。由于基于统计学习理论的方法日渐成熟，支持向量机(SVM)因其较为稳定的泛化能力和较高的分类能力，被应用到人脸识别技术中。SVM多分类常用一对多法(One-Versus-Best)、一对一法(One-Versus-one)等策略来解决多分类和多识别问题。基于稀疏表示的人脸识别方法(Sparse representationrecognition,SRC)在近年来较为新颖的识别方法。稀疏表示所选取的基向量能够很好的表征和描述当前样本的属性特征，因此，稀疏表示具有较好的鉴别功能。同时，因为稀疏表示方法的特殊性，在严重遮挡和较大噪声干扰的情况下，基于稀疏表示的识别方法仍能够较好的处理人脸面部特征以及较好的人脸识别能力，为人脸识别技术提供了新方向和新思路。

虽然在人脸建模和分析技术的发展的基础上，人脸识别领域已有重大进步，但大多数人脸识别方法具有一个特定的前提条件，即需要已知不同类别的人脸图像分类情况，并提取足够的样本数据进行训练，利用训练得到的模型对其他人脸图像进行分类和识别。而当训练样本分类不明确时，现有的人脸识别算法不能得到预期的识别效果。

发明内容

为了克服已有人脸识别需要已知不同类别的人脸图像分类情况，并提取足够的样本数据进行训练的前提条件，本发明提供了一种具有无监督特性，训练样本需求较小、识别能力较强的基于快速密度聚类的无监督人脸识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于快速密度聚类算法的无监督人脸识别方法，所述识别方法包括如下步骤：

1)针对人脸图像的像素点信息，采用结构相似性计算方法，获得图像间的相似性，结构相似性计算方法定义如下：

在空间域中，两图像块x＝{x_i i＝1,...,M}与y＝{y_i i＝1,...,M}之间的结构相似性为：