[发明专利]一种基于聚类分析自主再学习的人脸识别方法

说明书

本发明涉及人脸识别技术，公开了一种基于聚类分析自主再学习的人脸识别方法。后台数据库中存储注册照及其人脸特征向量，人脸识别时抓拍人脸特征向量与后台数据库中人脸特征向量比较，并计算每个抓拍人脸特征向量与后台数据库中的人脸特征向量组综合相似度。采用聚类算法分析一段时间内的抓拍图，依据抓拍时的天气、时间及匹配到人的综合相似度，更新到后台数据库。当人脸特征向量达到10个时，则后台数据库的对应人脸特征向量达到饱和；用最新的人脸特征向量替换最老的人脸特征向量。通过该发明设计的人脸识别方法能识别外界变化，完成自主学习，保证人脸识别系统随时间推移准确率和召回率越来越高。

技术领域

本发明涉及人脸识别技术，尤其涉及了一种基于聚类分析自主再学习的人脸识别方法。

背景技术

传统人脸识别算法中抓拍人脸提取特征向量后与后台数据库进行匹配，后台数据库中每个人只有一个特征向量，进行单个特征向量与单个特征向量的匹配，点与点的匹配。

这种的人脸识别算法很难同时保证高召回率、高准确率，并且随时间推移、环境变化和人员容貌变化，识别系统召回率和准确率都会下降，造成体验效果越来越差，维护成本越来越高。

例如专利标题：人脸识别打卡系统，申请号：CN201811395897.7，申请日：2018-11-22的发明专利申请中记载，本发明提供一种人脸识别系统及用于打卡用途的控制系统。本发明对现有技术中存在的人脸识别系统的样本图像更新时操作繁琐的问题，在人脸识别系统的运行时间满足预定条件时，采集人脸的脸部图像作为更新图像；利用更新图像更新样本数据库，其中，样本数据库用于存储样本图像，样本图像是作为人脸识别系统识别样本的脸部图像；采集人脸的脸部图像作为识别图像；以及匹配识别图像与样本数据库中的样本图像进行人脸识别，解决了现有技术中技术问题。

现有技术提供了利用采集人脸的脸部图像作为识别图像，采用的每一个人脸对应一个特征向量，虽然解决了人脸识别的问题，但是其召回率低准确率低，而且不能自主学习，随着时间的推移人脸识别的准确率和召回率会越来越低。

发明内容

本发明针对现有技术人脸识别技术中召回率低准确率低，而且不能自主学习，随着时间的推移人脸识别的准确率和召回率会越来越低的问题，提供了一种基于聚类分析自主再学习的人脸识别方法。

为了解决上述技术问题，本发明通过下述技术方案得以解决。

一种基于聚类分析自主再学习的人脸识别方法，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算法获得人脸特征向量；将人脸图像和人脸特征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；

①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；②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；③当计算出的人脸特征向量相似度大于等于第一阈值，则该抓拍的人脸特征向量所对应的组为预选匹配组；

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；