[发明专利]人脸图像聚类方法、装置及计算机可读存储介质

说明书

本发明公开了一种人脸图像聚类方法，该人脸图像聚类方法包括以下步骤：获取人脸图像的训练样本数据、所述训练样本数据对应的最高特征量和待聚类人脸图像的待聚类数据集；将所述训练样本数据和所述最高特征量输入至BP‑Deep NMF模型中，训练所述BP‑Deep NMF模型，以获得所述待聚类人脸图像的基图像量；基于所述基图像量和所述待聚类数据集，通过预设聚类规则将所述待聚类人脸图像进行分类，确定所述待聚类数据集的聚类结果，以得到待聚类人脸图像的分类结果。本发明还公开了一种人脸图像聚类装置及计算机可读存储介质。本发明提出了一种新的BP‑Deep NMF模型，解决了Deep NMF在人脸数据聚类任务中性能较差的问题。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸图像聚类方法、装置及计算机可读存储介质。

背景技术

随着人脸识别和检索系统应用的推广，系统中人脸图像数据急剧地增长，人脸聚类技术已经成为提高系统检索效率的重要基础。人脸聚类通常是将数据库中的人脸图片信息聚成一些不同的子类，使得子类之间的相似性尽量小，子类内的相似性尽量大，这样在检索时，只需在与被检索目标相似度较高的子类内逐个识别，检索出与之相似性最大的若干记录。

特征提取这一步骤无论在人脸识别还是人脸聚类技术上都占有重要地位。主成分分析与奇异值分解都是较为经典的特征提取方法，但是这两种方法提出的特征向量通常含有负元素，因此在原始样本为非负数据下，这些方法不具有合理性与可解释性。NMF(Non-negative Matrix Factorization，非负矩阵分解)是一种处理非负数据的特征提取方法，它的应用非常广泛，比如高光谱数据处理、人脸图像识别等。NMF算法在原始样本非负数据矩阵分解过程中，对提取的特征具有非负性限制，即分解后的所有分量都是非负的，因而可以提取非负的稀疏特征。NMF算法的实质也就是将非负矩阵X近似分解为基图像矩阵W和系数矩阵H的乘积，即X≈WH，且W和H都是非负矩阵。这样矩阵X的每一列就可以表示成矩阵W列向量的非负线性组合，这也符合NMF算法的构造依据——对整体的感知是由对组成整体的部分的感知构成的(纯加性)。近年来，学者们提出了许多对NMF变形的算法，例如，加强局部限制的局部NMF算法、整合判别信息的判别NMF算法、针对对称矩阵提出的对称NMF算法。尽管NMF算法及其变体取得了一定的成效，但该方法只考虑了数据浅层信息，对于含有丰富特征的数据，一次分解而成的单层结构却无法从多角度学习特征的表示。

目前，DL(Deep Learning，深度学习)已成为当前的研究热潮，深度学习通过建立了具有阶层结构的深度神经网络，为解决深层结构相关的优化难题带来希望。受深度学习技术成功的启发，一些研究者在单层NMF算法的基础上提出了Deep NMF(Deep Non-negative Matrix Factorization，深度非负矩阵分解)模型。Deep NMF可以看作是通过将一个复杂的任务分解成几个简单的任务，然后在多层结构中一个接一个地处理它们。与此同时，这种深度分解方法可以探索复杂数据中的底层特征表示，从而提取到比单层学习更完整、更有辨别力的特征。

目前已有的Deep NMF模型虽然具有深度分层结构，但这种结构一般是简单重复使用单层NMF算法来构建的，其性能达不到理想的要求，而且Deep NMF的计算方法的计算效率不高，在人脸数据聚类任务中性能较差。特别地，这些方法均不是利用深度神经网络来产生的，因而不能利用深度神经网络强大的特征表达能力和聚类能力。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种人脸图像聚类方法、装置及计算机可读存储介质，旨在解决Deep NMF的特征表达能力和聚类能力较差的技术问题。

为实现上述目的，本发明提供一种人脸图像聚类方法，所述人脸图像聚类方法包括以下步骤：

获取人脸图像的训练样本数据、所述训练样本数据对应的最高特征量和待聚类人脸图像的待聚类数据集；