CN110532867B - 一种基于黄金分割法的人脸图像聚类方法 - Google Patents

Abstract

一种基于黄金分割法的人脸图像聚类方法，包括以下步骤：1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示；2)应用K‑Means++聚类算法实现对图像表征的聚类；3)基于0.618黄金分割法确定最优聚类数目，过程为：首先，给定聚类范围[a,b]，K∈[a,b]。在范围内任意初始化给定聚类数目K₀，基于聚类结果的内部性能评估指标构建优化函数f(K)；接着，基于0.618黄金分割优化算法一维动态搜索函数最优解。该最优解即为最优聚类数目K^*，对应聚类结果C^*即为该人脸图像库的最佳聚类。本发明显著提升人脸图像聚类性能。

Description

一种基于黄金分割法的人脸图像聚类方法

技术领域

本发明涉及一种人脸图像聚类方法，尤其是一种基于黄金分割法的人脸图像聚类方法。

背景技术

随着计算机视觉和模式识别技术的快速发展，图像作为一种最普遍的视觉信息呈现模式，具有广泛的应用前景。在“大数据”时代，每天都产生大量的图片。例如，在社交媒体上，据Facebook的报道每天平均产生着3.5亿张图片，其中大部分是人脸图像。在司法调查中，依然有着庞大数量的图片急需鉴别和归类。在社会治安维护和监控管理上，由摄像头捕捉的大量人脸图像需要进行身份认证和入库比对。但是，这些人脸图像通常没有身份标签，或者是标签遗失了。在面对如此庞大的图像数据库时，应用人工标注的方法难以保证身份辨认的准确性和有效性，并且是非常费时费力的。

机器学习的兴起为解决这一棘手的问题提供了有效的方案。近年来，深度卷积神经网络DCNN在图像特征提取和身份识别上展现出了优越的性能：根据目前国内外的研究，其识别性能已经远远超过了人眼。同时，数据聚类技术日益成熟，为解决大规模图像数据识别与归类问题提供了方法依据。但是，应用聚类技术需要提前给定图像聚类的数目。通常而言，面对大规模的图像数据库，该聚类数可能是成百上千甚至难以确定的。

发明内容

为了克服现有人脸图像聚类方法的性能较差的不足，为了显著提升人脸图像聚类性能，本发明提供了一种基于黄金分割法的人脸图像聚类方法。

本发明解决其技术问题所采用的技术方案是：

一种基于黄金分割法的人脸图像聚类方法，所述识别方法包括如下步骤：

1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示，步骤如下：

步骤1.1：预处理是对图像做初步的修正处理；

步骤1.2：基于Dlib人脸标注的68个特征点，准确定位图像中的人脸区域并裁剪该区域；

步骤1.3：应用预训练的DCNN(Dlib ResNet)提取裁剪后人脸的特征，并输出128维的特征向量作为该人脸的表征；

2)应用K-Means++聚类算法实现对图像表征的聚类，操作步骤如下：

步骤2.1：以列矩阵形式表示人脸表征的集合X＝(X₁,X₂,···,X_n)，其中X为128维度的人脸表征，n为人脸的数目；

步骤2.2：给定聚类数目K，随机初始化选择一个表征作为聚类中心点；

步骤2.3：对于每一个X_i(X_i∈X)，计算它到最近聚类中心点的欧氏距离D(X_i)并计算所有距离的总和

步骤2.4：在SumD(X)的范围内生成一个随机数κ。使用如下准则：κ-＝D(X_i)直至κ＜0来选择下一个聚类中心，这样使得拥有较大D(X_i)的表征点有更高的概率被选择作为下一个聚类中心点；

步骤2.5：重复步骤2.3至步骤2.4直至K个聚类中心点 (U₁,U₂,···,U_K)选择完毕；

步骤2.6：计算各个人脸表征X_i与各个初始化聚类中心U_j的欧氏距离：

步骤2.7：根据最小的D_ij确定X_i的簇标记：λ_i＝argmin_{j∈{1,2,···,K}}D_ij；

步骤2.8：将X_i 划入对应的簇：

步骤2.9：计算新的聚类中心

并代替原聚类中心 U_j；

步骤2.10：重复步骤2.6至步骤2.9，直到U_j ^*＝U_j；

步骤2.11：输出簇划分结果C＝{C₁,C₂,···,C_K}；

3)基于0.618黄金分割法确定最优聚类数目，过程为：首先，给定聚类范围[a,b]，K∈[a,b]。在范围内任意初始化聚类数目K₀，基于聚类结果的内部性能评估指标构建优化函数f(K)；接着，基于0.618 黄金分割优化算法一维动态搜索函数最优解，该最优解即为最优聚类数目K^*，对应聚类结果C^*即为该人脸图像库的最佳聚类。

进一步，所述步骤3)中，所述动态搜索步骤如下：

计算聚类内部性能指标DBI系数作为优化函数关于K的对应输出值f(K)，对应簇划分C＝{C₁,C₂,···,C_K}，该过程表示为：

其中，各参数与函数实现定义如下：

K：聚类数目；

avg(C)：簇内人脸表征均值；

|C|：簇C中的人脸表征数目；

D_U(C_i,C_j)：C_i和C_j簇间的中心距离；

U：簇C的中心；

由于不同的K产生的不同聚类结果皆可计算其DBI系数，因此可构建关于K的优化目标函数f(K)，最优的聚类数K^*必然对应着最小的DBI值，因此f(K)可在K^*的邻域[a,b]内视为单峰函数，应用0.618 黄金分割法搜索步骤如下：

步骤3.1：给定初始聚类数目范围[a₀,b₀]，误差条件ε；

步骤3.2：计算λ₀＝a₀+0.382(b₀-a₀),μ₀＝a₀+0.618(b₀-a₀)；

步骤3.3：计算函数值f₁＝f([λ_k])和f₂＝f([μ_k])，其中变量值向下取整；

步骤3.4：若b_k-a_k≤ε，则结束搜索；若b_k-a_k＞ε，则转至步骤3.5；

步骤3.5：若f₁＞f₂，则转至步骤3.6；若f₁＜f₂，则转至步骤3.7；

步骤3.6：a_k+1＝λ_k,b_k+1＝b_k,λ_k+1＝μ_k,μ_k+1＝a_k+1+0.618(b_k+1-a_k+1)。计算函数值f₂＝f([μ_k+1])，转至步骤3.8；

步骤3.7：a_k+1＝a_k,b_k+1＝μ_k,μ_k+1＝λ_k,λ_k+1＝a_k+1+0.382(b_k+1-a_k+1)。计算函数值f₁＝f([λ_k+1])，转至步骤3.8；

步骤3.8：置k：＝k+1，转至步骤3.4；

记上述一维搜索最后得到的聚类数目范围为[a_k,b_k]，因此取该范围中间值作为最优聚类数目：

最优聚类数目向下取整。

本发明的技术构思为：在当前“大数据”时代背景下，许多领域如社交媒体、司法调查等，产生了海量的未标识人脸图像。为解决大规模人脸图像数据库的人脸身份识别和归类的问题，我们结合DCNN 和K-Means++聚类算法提供了一种有效的解决方案。首先，采用DCNN 实现对人脸图像的表征。接着，应用K-Means++聚类算法对获得的人脸表征实现识别和归类。在面对大规模数据库的聚类任务时，合理的聚类数目通常是未知且难以确定的。对此，我们提出一种基于0.618 黄金分割法的一维动态搜索最优聚类数目的方法。该方法能有效搜索并找到合理的聚类数目，从而提升聚类性能。

本发明的有益效果主要表现为：1、为解决大规模人脸图像数据库中图像识别和归类的问题，我们提出一种基于DCNN和K-Means++ 算法的图像聚类方法。该方法应用DCNN实现人脸表征，能保证识别的准确性和有效性。2、应用0.618黄金分割算法动态搜索最优聚类数目，从而解决聚类任务中最重要的聚类数目未知的问题。该问题的解决能极大地改善聚类的性能，且应用该搜索方法不会过度增加计算的复杂度和时间损耗，因此适合于大规模数据库的图像聚类。

附图说明

图1是基于DCNN的人脸图像表征实现示意图；

图2是K-Means++算法流程图；

图3是黄金分割算法的流程图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

参照图1～图3，一种基于黄金分割法的人脸图像聚类方法，包括 3个部分：应用DCNN实现对人脸图像的表征(如图1)，K-Means++ 聚类算法实现对大量人脸表征的识别与归类(如图2)，以及采用黄金分割算法一维搜索最优的聚类数目(如图3)，从而提升聚类性能。包括如下步骤：

1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示，该过程包括预处理、人脸对齐和特征提取，步骤如下：

步骤1.1：预处理是对图像做初步的修正处理，例如社交媒体图片需要做亮度均衡处理，法医学的生物检材图片需要做去噪处理等。预处理能够显著提高特征提取的性能；

步骤1.2：基于Dlib人脸标注的68个特征点，准确定位图像中的人脸区域并裁剪该区域；

步骤1.3：应用预训练的DCNN(Dlib ResNet)提取裁剪后人脸的特征，并输出128维的特征向量作为该人脸的表征；

2)应用K-Means++聚类算法实现对图像表征的聚类，操作步骤如下：

步骤2.1：以列矩阵形式表示人脸表征的集合X＝(X₁,X₂,···,X_n)，其中X为128维度的人脸表征，n为人脸的数目；

步骤2.2：给定聚类数目K，随机初始化选择一个表征作为聚类中心点；

步骤2.3：对于每一个X_i(X_i∈X)，计算它到最近聚类中心点的欧氏距离D(X_i)并计算所有距离的总和

步骤2.4：在SumD(X)的范围内生成一个随机数κ。使用如下准则：κ-＝D(X_i)直至κ＜0来选择下一个聚类中心，这样使得拥有较大 D(X_i)的表征点有更高的概率被选择作为下一个聚类中心点；

步骤2.5：重复步骤2.3至步骤2.4直至K个聚类中心点 (U₁,U₂,···,U_K)选择完毕；

步骤2.6：计算各个人脸表征X_i与各个初始化聚类中心U_j的欧氏距离：

步骤2.7：根据最小的D_ij确定X_i的簇标记：λ_i＝argmin_{j∈{1,2,···,K}}D_ij；

步骤2.8：将X_i 划入对应的簇：

步骤2.9：计算新的聚类中心

并代替原聚类中心 U_j；

步骤2.10：重复步骤2.6至步骤2.9，直到

步骤2.11：输出簇划分结果C＝{C₁,C₂,···,C_K}；

3)基于0.618黄金分割法确定最优聚类数目，过程为：首先，给定聚类范围[a,b]，K∈[a,b]。在范围内任意初始化给定聚类数目K₀，基于聚类结果的内部性能评估指标构建优化函数f(K)；接着，基于 0.618黄金分割优化算法一维动态搜索函数最优解，该最优解即为最优聚类数目K^*，对应聚类结果C^*即为该人脸图像库的最佳聚类。

进一步，所述步骤3)中，该动态搜索步骤如下：

计算聚类内部性能指标DBI系数作为优化函数关于K的对应输出值f(K)，对应簇划分C＝{C₁,C₂,···,C_K}，该过程表示为：

其中，各参数与函数实现定义如下：

K：聚类数目；

avg(C)：簇内人脸表征均值；

|C|：簇C中的人脸表征数目；

D_U(C_i,C_j)：C_i和C_j簇间的中心距离；

U：簇C的中心；

由于不同的K产生的不同聚类结果皆可计算其DBI系数，因此可构建关于K的优化目标函数f(K)，最优的聚类数K^*必然对应着最小的DBI值，因此f(K)可在K^*的邻域[a,b]内视为单峰函数，应用0.618 黄金分割法搜索步骤如下：

步骤3.1：给定初始聚类数目范围[a₀,b₀]，误差条件ε；

步骤3.2：计算λ₀＝a₀+0.382(b₀-a₀),μ₀＝a₀+0.618(b₀-a₀)；

步骤3.3：计算函数值f₁＝f([λ_k])和f₂＝f([μ_k])，其中变量值向下取整；

步骤3.4：若b_k-a_k≤ε，则结束搜索；若b_k-a_k＞ε，则转至步骤3.5；

步骤3.5：若f₁＞f₂，则转至步骤3.6；若f₁＜f₂，则转至步骤3.7；

步骤3.6：a_k+1＝λ_k,b_k+1＝b_k,λ_k+1＝μ_k,μ_k+1＝a_k+1+0.618(b_k+1-a_k+1)。计算函数值f₂＝f([μ_k+1])，转至步骤3.8；

步骤3.7：a_k+1＝a_k,b_k+1＝μ_k,μ_k+1＝λ_k,λ_k+1＝a_k+1+0.382(b_k+1-a_k+1)。计算函数值f₁＝f([λ_k+1])，转至步骤3.8；

步骤3.8：置k：＝k+1，转至步骤3.4；

记上述一维搜索最后得到的聚类数目范围为[a_k,b_k]，因此取该范围中间值作为最优聚类数目：

最优聚类数目向下取整。

Claims (1)

1.一种基于黄金分割法的人脸图像聚类方法，其特征在于，所述方法包括如下步骤：

1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示，步骤如下：

步骤1.1：预处理是对图像做初步的修正处理；

步骤1.2：基于Dlib人脸标注的68个特征点，准确定位图像中的人脸区域并裁剪该区域；

步骤1.3：应用预训练的DCNN提取裁剪后人脸的特征，并输出128维的特征向量作为该人脸的表征；

2)应用K-Means++聚类算法实现对图像表征的聚类，操作步骤如下：

步骤2.1：以列矩阵形式表示人脸表征的集合X＝(X₁,X₂,···,X_n)，其中X为128维度的人脸表征，n为人脸的数目；

步骤2.2：给定聚类数目K，随机初始化选择一个表征作为聚类中心点；

步骤2.3：对于每一个X_i，X_i∈X，计算它到最近聚类中心点的欧氏距离D(X_i)并计算所有距离的总和

步骤2.4：在SumD(X)的范围内生成一个随机数κ，使用如下准则：κ-＝D(X_i)直至κ＜0选择下一个聚类中心，这样使得拥有较大D(X_i)的表征点有更高的概率被选择作为下一个聚类中心点；

步骤2.5：重复步骤2.3至步骤2.4直至K个聚类中心点(U₁,U₂,···,U_K)选择完毕；

步骤2.6：计算各个人脸表征X_i与各个初始化聚类中心U_j的欧氏距离：D_ij＝||X_i-U_j||₂；

步骤2.7：根据最小的D_ij确定X_i的簇标记：λ_i＝arg min_{j∈{1,2,···,K}}D_ij；

步骤2.8：将X_i 划入对应的簇：

步骤2.9：计算新的聚类中心

并代替原聚类中心U_j；

步骤2.10：重复步骤2.6至步骤2.9，直到

步骤2.11：输出簇划分结果C＝{C₁,C₂,···,C_K}；

3)基于0.618黄金分割法确定最优聚类数目，过程为：首先，给定聚类范围[a,b]，K∈[a,b]，在范围内任意初始化给定聚类数目K₀，基于聚类结果的内部性能评估指标构建优化函数f(K)；接着，基于0.618黄金分割优化算法一维动态搜索函数最优解，该最优解即为最优聚类数目K^*，对应聚类结果C^*即为该人脸图像库的最佳聚类；

所述步骤3)中，所述动态搜索步骤如下：

计算聚类内部性能指标DBI系数作为优化函数关于K的对应输出值f(K)，对应簇划分C＝{C₁,C₂,···,C_K}，该过程表示为：

D_U(C_i,C_j)＝||U_i-U_j||₂

其中，各参数与函数实现定义如下：

K：聚类数目；

avg(C)：簇内人脸表征均值；

|C|：簇C中的人脸表征数目；

D_U(C_i,C_j)：C_i和C_j簇间的中心距离；

U：簇C的中心；

由于不同的K产生的不同聚类结果皆可计算其DBI系数，因此构建关于K的优化目标函数f(K)，最优的聚类数K^*必然对应着最小的DBI值，因此f(K)在K^*的邻域[a,b]内视为单峰函数，应用0.618黄金分割法搜索步骤如下：

步骤3.1：给定初始聚类数目范围[a₀,b₀]，误差条件ε；

步骤3.2：计算λ₀＝a₀+0.382(b₀-a₀),μ₀＝a₀+0.618(b₀-a₀)；

步骤3.3：计算函数值f₁＝f([λ_k])和f₂＝f([μ_k])，其中变量值向下取整；

步骤3.4：若b_k-a_k≤ε，则结束搜索；若b_k-a_k＞ε，则转至步骤3.5；

步骤3.5：若f₁＞f₂，则转至步骤3.6；若f₁＜f₂，则转至步骤3.7；

步骤3.6：a_k+1＝λ_k,b_k+1＝b_k,λ_k+1＝μ_k,μ_k+1＝a_k+1+0.618(b_k+1-a_k+1)，计算函数值f₂＝f([μ_k+1])，转至步骤3.8；

步骤3.7：a_k+1＝a_k,b_k+1＝μ_k,μ_k+1＝λ_k,λ_k+1＝a_k+1+0.382(b_k+1-a_k+1)，计算函数值f₁＝f([λ_k+1])，转至步骤3.8；

步骤3.8：置k：＝k+1，转至步骤3.4；

记上述一维搜索最后得到的聚类数目范围为[a_k,b_k]，因此取该范围中间值作为最优聚类数目：

最优聚类数目向下取整。

Images