[发明专利]基于聚类及全局/局部距离综合的多重度量学习方法

说明书

本发明公开了一种基于聚类及全局/局部距离综合的多重度量学习方法，该多重度量学习方法包括：对训练样本集进行K‑Means聚类及构建三元组集合，根据三元组第一个样本的聚类标记将三元组聚成K簇；利用折页损失函数和随机梯度下降法，同时学习K+1个距离度量，包括一个全局距离度量和K个簇内局部距离度量；对需要分类的样本，计算样本所属聚类标记，在该聚类下利用最近邻方法获得测试样本的分类结果。在学习和分类过程中，两个样本的距离由全局距离度量和局部距离度量综合表示，从全局特征和局部特征两个方面更好的表达两个样本之间的距离，从而提高分类的准确度。

技术领域

本发明涉及计算机视觉和模式识别技术领域，具体涉及一种基于聚类及全局/局部距离综合的多重度量学习方法。

背景技术

人脸识别是计算机视觉的研究热点之一，在信息安全和验证方面有非常大的应用前景，可以广泛应用于公安、金融、机场、地铁、边防口岸等重要领域。由于人脸受到光照、年龄、姿势等外在因素的影响，在不同环境中获得的同一张人脸可能会有很大的差异，因此需要学习一种可以反映人们对相似性定义的度量，即距离度量学习，距离度量学习旨在学习一个映射矩阵，以使来自同一个人的人脸图像之间的距离变得更近，而来自不同人的人脸图像之间的距离变远，从而更好的计算两个人脸图像的相似性。

通常，人脸数据库中的图像采集自不同的环境、不同的设备，不同性别或者不同种族的人群也各有自己的特点，即人脸数据库中的样本并非均匀分布的，因此只学习一个全局的距离度量无法充分的描述不同分布下人脸特征。多距离度量学习旨在通过学习多个距离度量，从不同方向描述人脸，其中一种方式是对人脸数据集进行聚类，在学习一个全局距离度量的同时，再在各个簇中分别学习该簇的局部距离度量，在获取数据库全局特征的同时可以获取不同分布数据的局部特征。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于聚类及全局/局部距离综合的多重度量学习方法，对样本进行距离度量学习时，同时学习全局距离度量和聚类后不同簇的局部距离度量。在计算两个样本之间的距离时，综合利用全局距离度量和局部距离度量，提高分类的准确度，从而更加适用于实际场景。

本发明的目的可以通过采取如下技术方案达到：

一种基于聚类及全局/局部距离综合的多重度量学习方法，该多重度量学习方法包括下列步骤：

S1、输入训练集；

S2、利用K-Means聚类获得训练集中每个样本所属的聚类标记；

S3、构建三元组集合，组成训练集，并将三元组第一个样本的聚类标记作为该三元组的聚类标记；

S4、利用多距离度量学习方法，获得K+1个距离度量，包括1个全局距离度量和K个局部距离度量；

S5、输入一张测试样本，计算该样本的聚类标记c，

S6、利用步骤S5获得的测试样本聚类标记c及步骤S4对应的M_c和M₀，利用最近邻，在聚类c中计算与该图像最近的训练样本，并将该训练样本的类别作为测试样本的分类结果。

进一步地，所述的构建三元组集合的具体步骤如下：