[发明专利]一种聚类结果评价方法和系统

权利要求书

1.一种人脸图像的聚类结果评价方法，其特征在于，包括：

提取人脸图像采集设备采集的人脸图像的特征，利用深度学习神经网络对所述特征进行计算以得到人脸特征矩阵；所述人脸特征矩阵的数据量为M；

对所述人脸特征矩阵进行聚类处理，得到聚类簇C＝{C₁,C₂,...,C_K}，其中K为正整数；

统计所述聚类簇C中的纯净簇总数C_P，其中P为正整数且0≤P≤K；

计算理想聚类簇数C_I；

计算数据融合率修正系数η，其中

计算聚类评价指标HI，其中根据所述聚类评价指标确定所述人脸图像的聚类结果的精确度。

2.如权利要求1所述的方法，其特征在于，其中所述统计所述聚类簇C中的纯净簇总数C_P，包括：

将所述聚类簇中的任一簇C_i的特征矩阵F_i与所述特征矩阵F_i的转置矩阵F_i^T相乘获得上三角矩阵U_i，所述特征F_i具有N个特征向量；

将所述矩阵U_i中每一个元素与相似度阈值比较，若大于所述相似度阈值则赋值1，否则赋值0，获得矩阵U_i′；

对所述矩阵U_i′中的元素，统计下标含n的所有矩阵元素之和s，其中，n取值范围从0到N-1；若存在n使得s小于N-2则认为所述C_i为非纯净簇；否则，C_i为纯净簇。

3.如权利要求1或2任一所述的方法，其特征在于，其中所述计算理想聚类簇数C_I包括：

对所述特征中的特征值向量进行两两比对，若余弦相似度大于预设阈值，则融合所述特征值向量以获得融合特征向量，遍历所述特征获得所述融合特征向量的数目。

4.如权利要求3所述的方法，其特征在于，其中所述融合所述特征值向量以获得融合特征向量包括：

将待融合特征向量的每一项元素的均值作为融合特征向量的对应元素。

5.如权利要求4所述的方法，其特征在于，其中所述计算理想聚类簇数C_I包括：

S1：在所述特征中取一条特征值向量，与剩下的所有特征值向量进行两两比对，若比对两个特征值向量的余弦相似度大于预设阈值，则将所述两个特征值向量的特征值向量融合，用融合后的特征值向量代替所取的特征向量继续遍历所述特征；若比对两个特征值向量的余弦相似度均小于预设阈值则不进行操作；

S2：剔除已融合的特征值向量，用融合后的特征值向量代替被融合特征值向量参与比对；

S3：对所述特征中的所有特征值向量重复S1、S2，遍历完成时，最终的特征值向量个数即为理想聚类簇数C_I。

6.一种人脸图像的聚类结果评价系统，其特征在于，包括：

提取模块，用于提取人脸图像采集设备采集的人脸图像的特征，利用深度学习神经网络对所述特征进行计算以得到人脸特征矩阵，所述人脸特征矩阵的数据量为M；

聚类模块，用于对所述人脸特征矩阵进行聚类处理，得到聚类簇C＝{C₁,C₂,…,C_K}，其中K为正整数；

统计模块，用于统计所述聚类簇C中的纯净簇总数C_P，其中P为正整数且0≤P≤K；

第一计算模块，用于计算理想聚类簇数C_I；

第二计算模块，用于计算数据融合率修正系数η，其中

第三计算模块，用于计算聚类评价指标HI，其中根据所述聚类评价指标确定所述人脸图像的聚类结果的精确度。