[发明专利]一种基于聚类分析自主再学习的人脸识别方法

权利要求书

1.一种基于聚类分析自主再学习的人脸识别方法，其特征在于，包括以下步骤：

步骤1：注册照入库；人脸检测算法对注册照进行人脸检测，获得人脸检测的信息；人脸特征提取算法对人脸检测的信息进行人脸特征向量提取，获得人脸特征向量，并将人脸特征向量储存至后台数据库；

步骤2：摄像头输入视频流信息；

步骤3：根据步骤2输入的视频流信息截取一帧图像，对截取一帧图像进行人脸检测，并获取检测的人脸信息；

步骤4：将步骤3检测的人脸信息输送至人脸特征提取模块，人脸特征提取模块依据人脸特征提取算法获得人脸特征向量；将人脸图像和人脸特征提取算法提取的人脸特征向量保存至存储设备；

步骤5：根据相似度获取备选匹配组；

抓拍视频图像并根据步骤3和步骤4获得抓拍图像对应的人脸特征向量；依据公式1计算抓拍的人脸特征向量与后台数据库的人脸特征向量相似度similarity；当计算出的人脸特征向量相似度similarity大于等于第一阈值，则该抓拍的人脸特征向量所对应的组为备选匹配组；

公式1中x^ρ为抓拍人脸特征向量矩阵，为后台数据库人脸特征向量矩阵；

步骤6：点面综合相似度计算；①TOP-N的相似度为相似度similarity最大的前N个，记为simi_j，其中j＝1，2，3...N，取TOP-N的相似度中对应的N个特征向量；②确定每个特征向量对应的ID；③根据对应的ID对特征向量进行分组，相同的ID为一组；④统计每个特征向量组对应的成员数量，数量为m_i，i为1，2，3...k；⑤依据公式2计算抓拍的人脸特征向量与每个组对应的特征向量的点面综合相似度；⑥当点面综合相似度大于等于设置的第二阈值，其最大的点面综合相似度特征向量对应的人脸即为需要识别的人脸；

公式2中，为成员个数增益常数；member_simi_l为抓拍特征向量与特征组成员的相似度，l为1，2，…m_i；

步骤7：后台数据库更新，自主再学习；

①依据步骤1将后台数据库的人脸特征向量分为p个组，记为第一项；将存储设备中抓拍的人脸特征向量在设置时间阈值内通过聚类分组分为q个组，记为第二项；

②依据公式3计算第二项中的每一组与第一项中的每一组的平均相似度Aveij，其中i为1，2，…p；j为1，2，…q；

③获取第二项中的每一组与第一项的最大相似度，及第二项中的每一组与第一项的最大相似度对应的组，记最大相似度为max[(Ave_ij)]_j，其中i＝1，2，…p，最大相似度对应的组为i_max，其中i＝1，2，…p；

④当最大相似度max[(Ave_ij)]_j，其中i＝1，2，…p；大于等于设置的第三阈值，则聚类分组中的j组与后台数据库中i_max组为同一个人；

⑤将j，其中j＝1，2，3…q组中的每个人脸特征向量与后台数据库分组的i_max组的人脸特征向量，依据公式2求点面；

⑥当点面大于等于设置的第二阈值，依据摄像头抓拍时时间差异和天气差异，当时间差异大或气候差异大，则将点面大的人脸特征向量更新至后台数据库；当时间差异不大且天气差异不大，则无需更新后台数据库；当点面小于设置的第二阈值，无需更新后台数据库；

公式3中，mem_similarity_ij表示第一组特征向量中第i个特征向量与第二组特征向量中第j个特征向量的余弦相似度。

2.依据权利要求1所述的一种基于聚类分析自主再学习的人脸识别方法，其特征在于：步骤7中的聚类分组采用密度峰值快速聚类算法，密度峰值快速聚类算法步骤为：

第一步，输入存储设备上抓拍的特征向量；

第二步，计算所有输入的特征向量两两之间的相似度；

第三步，创建所有输入的特征向量相似度矩阵；

第四步，基于相似度矩阵计算出所有特征向量的局部密度；

第五步，对计算的所有特征向量的局部密度进行排序排列；

第六步，对降序排列的所有特征向量的局部密度进行聚类分组；

第七步，输出聚类分组后的所有特征向量。