聚类法 人脸识别 matlab,采用新型密度聚类进行人脸识别的方法

采用新型密度聚类进行人脸识别的方法

【技术领域】

[0001] 本发明设及采用新型密度聚类进行人脸识别的方法。

【背景技术】

[0002] 近年来，人脸识别成为一项热口的计算机技术研究领域。人脸识别技术作为生物 识别技术的一种，它结合了图像处理、计算机图形学、模式识别等多个研究领域。聚类方法 是人脸识别技术的最重要组成部分之一。由于人脸图像数据通常复杂分布，常用的聚类方 法无法很好地识别出复杂的不规则形状分类。如何将准确、健壮、高效的聚类方法应用到人 脸识别中是目前急需解决的问题。

【发明内容】

[0003] 本发明的目的在于提出一种采用新型密度聚类进行人脸识别的方法，与其他的基 于质屯、的聚类方法相比，具有准确度高，能识别分布无序、非球形等复杂数据的优点，提高 了人脸识别的准确度。

[0004] 本发明一种采用新型密度聚类进行人脸识别的方法，包括如下几个步骤：

[0005] 步骤1、读取人脸图像：

[0006] 所用人脸图像是大小为MXN的灰度图像，用每个像素作为一个特征点，读入K张人 脸图像得到图像特征矩阵Ai(mxn)，其中i = l，2, . . .，Κ;将图像特征矩阵Ai(mxn)转换为特征向 量 fi(ixMN)，其中 fiα:N)=Aiα，l:N)，fi(N+l:2N)=Ai(2，l:N)，依此类推，对特征向量fi的 每个维度做0-1归一化，即

其中j = 1，2，…，MN，然后更 新特征向量fi;

[0007] 步骤2、计算距离矩阵：

[0008] 用特征向量集f作为待聚类数据集P输入，其人脸特征向量点的数目记为N，待聚类 数据集P中第i个人脸特征向量点记为Pi，计算待聚类数据集P中每两个人脸特征向量点Pi之 间的距离，生成距离矩阵(di,j)NXN，其中di,康示点Pi到pj的距离；

[0009] 步骤3、找出所有人脸特征向量点Pi的密度中屯、点：

[0010] 用r作为扫描半径对每个人脸特征向量点Pi进行扫描，将待聚类数据集P中与Pi的 距离小于r的人脸特征向量点加入到Pi的r-Nei曲bor集合化ii= {pj I di, j非忡，算出集合 化ii中所有人脸特征向量点Pi的平均值

，其中k为集合化ii中人脸特征向量 点的总个数，在待聚类数据集P中找到距离平均值Meani最近的人脸特征向量点作为Pi的密 度中屯、点Ci，即

'其中I |p-meani| h表示点P与mearii的几何距离；

[0011 ]步骤4、计算人脸向量特征点P j的密度：

[0012]将集合Neii中元素的个数作为人脸特征向量点Pi的密度值化= size(Neii)，即

[0013] 步骤5、找出所有人脸特征向量点w的密度汇聚点：

[0014] 通过迭代计算寻找每个人脸特征向量点W的局部密度中屯、点，直到最后收敛，收 敛点称为该点的密度汇聚点：

[001引找到Pi的密度中屯、点Ci = pj，找到pj的密度中屯、点cj = pk，若Pk的密度中屯、点仍然 是Ck = pk，则停止迭代，将Pk作为Pi、Pj、Pk的密度汇聚点，记作cp(i)=cp( j)=cp化)=pk;

[0016] 步骤6、找出所有人脸特征向量点w的局部密度峰值点：

[0017] 若人脸特征向量点Pi的密度汇聚点是其自身，即cp(i)=pi，并且Pi的密度值Pi大 于给定的密度阔值t，则将其加入到局部密度峰值点集合LPS中，记作LPS={pi|(cp(i)=pi) 八(化含t)}

[0018] 步骤7、对局部密度峰值点集合WS中的所有人脸特征向量点pi按最近邻近算法进 行聚类，每个类别就是一个密度核屯、，将局部密度峰值点集合LPS中每个局部密度中屯、点Ip 的类别记为cl(lp);

[0019] 步骤8、把其它所有非局部密度峰值点P的类别初始化为-1，再划归到与其汇聚中 屯、点相同类别，即cl(p)=cl(cp(p))，把cl(p)=-l的点记为离群点；

[0020] 步骤9、输出聚类结果cl(p):

[0021] cl(p)表示该人脸的类别，若cl(pl)=cl(p2)，表示pi与p2所代表的两张人脸图像 是同一人，若cl(p)=-l表示该人脸类别未识别。

[0022] 由于本发明通过寻找密度核屯、而非单一质屯、来进行聚类，一个类别的密度核屯、由 一些密度相对较高的松散联结在一起的汇聚点构成，其它数据点按一定结构聚焦在运些点 外围.因而可W克服了传统聚类算法难W识别非范数球形结构的数据，提高了人脸识别的 准确度。

【具体实施方式】

[0023] 本发明一种采用新型密度聚类进行人脸识别的方法，包括如下几个步骤：

[0024] 步骤1、读取人脸图像：

[0025] 所用人脸图像是大小为MXN的灰度图像，用每个像素作为一个特征点，读入K张人 脸图像得到图像特征矩阵Ai(mxn)，其中i = l，2，...，K;为了方便计算，将图像特征矩阵 Ai(MXN)转换为特征向量fi(ixMN)，其中fi(l :N) =Ai(l，1 :N)，fi(N+l :2N) =Ai(2,1 :N)，依此类 推，对特征向量fi的每个维度做0-1归一化，即：

，其中j = 1，2，…，MN，然后更新特征向量f i;

[00%] 步骤2、计算距离矩阵：

[0027]用特征向量集f作为待聚类数据集P输入，其人脸特征向量点的数目记为N，待聚类 数据集P中第i个人脸特征向量点记为Pi，计算待聚类数据集P中每两个人脸特征向量点Pi之 间的距离，生成距离矩阵(dij)NXN，其中di,康示点Pi到P撕距离；

[00%]步骤3、找出所有人脸特征向量点Pi的密度中屯、点：

[0029] 用r作为扫描半径对每个人脸特征向量点Pi进行扫描，W第i个人脸特征向量点Pi 为例，将P中与Pi的距离小于r的人脸特征向量点加入到Pi的r-Neig化or集合化ii={pj|dij

其中k为集合化ii 中人脸特征向量点的总个数，在待聚类数据集P中找到距离平均值Meam最近的人脸特征向 量点作为Pi的密度中屯、点ci，即

其中Mp-meani||2表示点P与 meam的几何距离；

[0030] 步骤4、计算人脸向量特征点W的密度：<