[发明专利]一种基于图卷积的人脸聚类优化方法

权利要求书

1.一种基于图卷积的人脸聚类优化方法，其特征在于：包括以下几个步骤，

步骤1、数据集准备与预处理；使用预训练人脸识别模型提取待训练人脸识别数据，得到人脸特征F以及人脸特征相似度，对于每一个人脸特征F一般表示为p维人脸特征向量，则有F∈R^p；随后使用人脸图像质量判定方法对待训练人脸识别数据的人脸图像进行判定，人脸图像质量分类值Q，以及得到人脸图像质量分；

步骤2、使用人脸特征相似度与人脸图像质量分构建人脸特征相似图，得到GCN网络输入数据；是通过图神经网络G＝{V，E，A}利用人脸特征相似度与人脸图像质量分构建输入样本图Tⁱ，并得到每个图样本中的节点属性矩阵和邻接矩阵

步骤3、将得到含有点属性矩阵和邻接矩阵的每个图样本与GCN网络进行重建，并通过重建后GCN网络输出每个图样本中每个人脸节点是否属于该人脸类别结果；

步骤4、根据输出的人脸类别结果进行判定，如果某一人脸不属于这个类，则将该人脸从此类中移除，同时，对距离该类有较高相似度的人脸进行核验，如果待核验人脸属于该类别，则将该人脸加入此类别中；实现了人脸聚类优化与提纯的目的。

2.根据权利要求1所述的一种基于图卷积的人脸聚类优化方法，其特征在于，所述的步骤2中，使用人脸特征相似度与人脸图像质量分构建人脸特征相似图，得到GCN网络输入数据；是通过图神经网络G＝{V，E，A}利用人脸特征相似度与人脸图像质量分构建输入样本图Tⁱ，并得到每个图样本中的节点属性矩阵和邻接矩阵的方法是，

其中图神经网络G＝{V，E，A}表示由若干节点V，若干连边E和邻接关系矩阵A组成的图神经网络，其中每个节点具有d维属性向量，当一个图存在N个节点，则图神经网络输入的节点属性矩阵X∈R^N×D和邻接矩阵A∈R^N×N,设v_i∈V,e_ij＝(v_i，v_j)∈E作为节点Vi与节点Vj的一条连边，则NxN邻接矩阵A，其中A_ij＝ω_ij＞0如果c_ij∈E,A_ij＝w_ij＝0如果

其中，通过D表示人脸识别训练数据集，用表示某个人脸训练图像样本，其中i表示训练人脸ID中第i号人脸ID，j表示第i号人脸ID下第j张人脸图像，同样，用表示人脸图像样本人脸特征向量，用表示人脸图像样本人脸图像质量分数，对图神经网络G＝{V，E，A}一个输入样本Tⁱ从某一人脸ID下随机采样k个人脸样本作为正样本，k小于该ID下人脸样本总数N，一般k大于3，选取H集合中最优质量人脸样本为作为优质节点样本,再从不属于i的人脸ID样本随机选取个人脸样本做为异常节点样本且通常取小于等于5,其中被标记为正样本类别标签为0,被标记为异常样本类别标签为1，并在样本间使用人脸向量间求得的相似度距离，并建立节点间邻接关系形成一个图神经网络一个输入样本图；

其中，X∈R^N×D表示为图神经网络G＝{V，E，A}输入的节点属性矩，其中节点属性向量个数即是正样本和异常样本个数和，建立人脸节点的属性数据向量，节点属性数据向量由节点间相似度计算得到，定义M_ij为不同人脸图像样本间相似度，则有M_ij＝φ(F_i，F_j)；其中人脸节点属性包括：与优质节点相似度，节点与其他节点中最优相似度，节点与其他节点中次优相似度、和节点与其他节点中最差相似度；根据人脸节点属性构建节点属性数据；

综上，采样图神经网络图神经网络输入样本图集合K,其中每个图样本均由节点属性矩阵和邻接矩阵组成，从而作为GCN网络的输入数据。