[发明专利]人脸图像聚类方法、装置、设备及计算机可读存储介质

权利要求书

1.一种人脸图像聚类方法，其特征在于，所述人脸图像聚类方法包括以下步骤：

从人脸数据库中获取人脸训练图像，并基于所述人脸训练图像轮番依次对全连接神经网络的基矩阵、深层系数矩阵和激活函数参数进行更新，其中，所述深层系数矩阵为所述全连接神经网络输入层的输入量；

在更新完成所述基矩阵、所述深层系数矩阵和所述激活函数参数后，得到BP-DGNMF模型；

获取待聚类人脸图像，并将所述待聚类人脸图像输入至所述BP-DGNMF模型，以基于更新完成后的基矩阵和激活函数参数确定所述待聚类人脸图像对应的深层特征集合；

基于所述深层特征集合，对所述待聚类人脸图像执行聚类操作，得到所述待聚类人脸图像对应的聚类结果。

2.如权利要求1所述的人脸图像聚类方法，其特征在于，所述基于所述人脸训练图像轮番依次对全连接神经网络的基矩阵、深层系数矩阵和激活函数参数进行更新的步骤包括：

在依次更新一次全连接神经网络的基矩阵、深层系数矩阵和激活函数参数时，获取深层系数矩阵，并将所述深层系数矩阵输入至全连接神经网络，以将所述深层系数矩阵作为所述全连接神经网络的输入量；

(1)固定所述深层系数矩阵和所述激活函数参数，并基于所述人脸训练图像，通过反向传播神经网络算法从后往前对所述全连接神经网络的基矩阵进行更新，直至迭代第一预设步数；

(2)迭代所述第一预设步数后，固定所述激活函数参数以及迭代所述第一预设步数后对应的基矩阵，并基于所述激活函数参数、迭代所述第一预设步数后对应的基矩阵和所述人脸训练图像，通过梯度下降法对所述深层系数矩阵进行更新，直至迭代第二预设步数；

(3)迭代所述第二预设步数后，固定迭代所述第一预设步数后对应的基矩阵以及迭代所述第二预设步数后对应的深层系数矩阵，并基于所述第一预设步数后对应的基矩阵、迭代所述第二预设步数后对应的深层系数矩阵以及所述人脸训练图像，通过梯度下降法对所述激活函数参数进行更新，直至迭代第三预设步数；

(4)迭代所述第三预设步数后，将迭代所述第一预设步数后对应的基矩阵作为所述基矩阵，将迭代所述第二预设步数后对应的深层系数矩阵作为所述深层系数矩阵，以及将迭代所述第三预设步数后对应的激活函数作为所述激活函数参数；

循环执行所述步骤(1)、(2)、(3)和(4)，直至满足迭代停止条件。

3.如权利要求2所述的人脸图像聚类方法，其特征在于，所述基于所述人脸训练图像，通过反向传播神经网络算法从后往前对所述全连接神经网络的基矩阵进行更新的步骤包括：

基于所述深层系数矩阵、所述全连接神经网络的激活函数参数和所述人脸训练图像，通过反向传播神经网络算法从后往前对所述全连接神经网络的基矩阵进行更新，直至迭代第一预设步数。

4.如权利要求3所述的人脸图像聚类方法，其特征在于，所述基于所述深层系数矩阵、所述全连接神经网络的激活函数参数和所述人脸训练图像，通过反向传播神经网络算法从后往前对所述全连接神经网络的基矩阵进行更新，直至迭代第一预设步数的步骤包括：

基于所述深层系数矩阵、所述全连接神经网络的激活函数参数和所述人脸训练图像，通过反向传播神经网络算法从后往前确定各层基矩阵的第一梯度；

基于所述第一梯度，对所述全连接神经网络的基矩阵进行更新，直至迭代第一预设步数。

5.如权利要求2所述的人脸图像聚类方法，其特征在于，所述基于所述激活函数参数、迭代所述第一预设步数后对应的基矩阵和所述人脸训练图像，通过梯度下降法对所述深层系数矩阵进行更新，直至迭代第二预设步数的步骤包括：

基于所述激活函数参数、迭代所述第一预设步数后对应的基矩阵和所述人脸训练图像，确定第二损失函数对所述深层系数矩阵的第二梯度，其中，所述第二损失函数为添加了图正则约束的重构损失函数；

基于所述第二梯度，通过梯度下降法对所述深层系数矩阵进行更新，直至迭代第二预设步数。

6.如权利要求2所述的人脸图像聚类方法，其特征在于，所述迭代停止条件为循环执行的次数达到最大迭代次数。