[发明专利]一种无监督的人脸智能精确识别方法及系统

权利要求书

1.一种无监督的人脸智能精确识别方法，其特征在于，包括步骤：

步骤A、采用密度聚类算法对已提取的人脸图片特征向量进行初步分类，为已分类的人脸图片特征向量分配相应的标签并组成训练集，将未分类的人脸图片特征向量组成测试集；

步骤B、采用逻辑回归算法对所述训练集进行模型参数学习，得到初始化逻辑回归参数；

步骤C、根据所述初始化逻辑回归参数对所述测试集中的任一人脸图片特征向量进行逻辑回归预测处理，并将得到的预测值进行概率归一化计算得到相应的概率值；

步骤D、当所述概率值大于预设的置信率门限值时，则将当前进行逻辑回归预测处理的人脸图片特征向量分配至相应的标签中，并形成新的训练集；

步骤E、判断所述已提取的人脸图片特征向量是否均分配至相应的标签中，若是，则结束分配；若否，则返回步骤B进行迭代运算，直至所有已提取的人脸图片特征向量均分配有相应的标签。

2.根据权利要求1所述的无监督的人脸智能精确识别方法，其特征在于，所述步骤D还包括：

步骤D1、当所述概率值小于预设的置信率门限值时，则判定当前进行逻辑回归预测处理的人脸图片特征向量为离群值。

3.根据权利要求1所述的无监督的人脸智能精确识别方法，其特征在于，经过所述步骤E后，已经分配有标签的人脸图片形成一数据库，并且当在所述数据库中添加新增人脸图片时，所述方法在步骤E后还包括以下步骤：

步骤F1、预先依次取出数据库中每一标签下的人脸图片的N个特征向量；

步骤F2、计算新增人脸图片的特征向量与当前标签下的N个特征向量子集之间的欧氏距离，并统计所述欧氏距离小于欧氏距离门限值的个数；

步骤F3、若所述欧氏距离小于欧氏距离门限值的个数大于或等于最小邻居个数门限，则将新增图片分配至当前标签中。

4.根据权利要求3所述的无监督的人脸智能精确识别方法，其特征在于，所述步骤F2之后还包括：

步骤F4、若所述欧氏距离小于欧氏距离门限值的个数大于第二级最小邻居个数门限且小于最小邻居个数门限，则将当前标签标号记录下来，并进入步骤F41；

步骤F41、对数据库中已标签的人脸图片特征向量进行逻辑回归运算得到当前逻辑回归参数，根据当前逻辑回归参数对新增图片的特征向量进行逻辑回归预测处理，并将得到的预测值进行概率归一化计算得到相应的概率值；当所述概率值大于预设的置信率门限值时，则将新增图片特征向量分配至当前标签中。

5.根据权利要求3所述的无监督的人脸智能精确识别方法，其特征在于，所述步骤F2之后还包括：

步骤F5、若所述欧氏距离小于欧氏距离门限值的个数小于第二级最小邻居个数门限时，则将当前标签舍弃，进入步骤F51；

步骤F51、遍历新增人脸图片的特征向量与剩下每一个标签的N个特征向量子集之间的欧氏距离，并统计所述欧氏距离小于欧氏距离门限值的个数，若得到的欧氏距离小于欧氏距离门限值的个数均小于第二级最小邻居个数门限时，则将所有标签舍弃；

步骤F52、采用密度聚类算法对新增图片的特征向量和数据库中所有离群值的特征向量进行聚类分析，若满足门限要求，则为新增图片分配新的标签。

6.一种无监督的人脸智能精确识别系统，其特征在于，包括：

初步分类模块，用于采用密度聚类算法对已提取的人脸图片特征向量进行初步分类，将已分类的人脸图片特征向量分配相应的标签并组成训练集，将未分类的人脸图片特征向量组成测试集；

模型建立模块，用于采用逻辑回归算法对所述训练集进行模型参数学习，得到初始化逻辑回归参数；

预测处理模块，用于根据所述初始化逻辑回归参数对所述测试集中的任一人脸图片特征向量进行逻辑回归预测处理，并将得到的预测值进行概率归一化计算得到相应的概率值；

标签分配模块，用于当所述概率值大于预设的置信率门限值时，则将当前进行逻辑回归预测处理的人脸图片特征向量分配至相应的标签中，并形成新的训练集；

判断模块，用于判断所述已提取的人脸图片特征向量是否均分配至相应的标签中，若是，则结束分配；若否，则返回模型建立模块进行迭代运算，直至所有已提取的人脸图片特征向量均分配有相应的标签。