[发明专利]一种基于谱聚类和增强学习的自适应人脸图像聚类方法

摘要

一种基于谱聚类和增强学习的自适应人脸图像聚类方法，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)应用谱聚类算法实现对图像表征的聚类；3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数，首先，给定期望聚类搜索范围，设定搜索步长及搜索起始点；接着执行Q‑Learning算法，在搜索范围内尝试所有可能的调参行为，并选择使得聚类性能最优的行为给予最大正向回报；直至所有行为都无法使得性能优化，或满足最大迭代次数，结束搜索；多次训练后搜索结束点即为最优参数的设定值。本发明通过动态调参和自适应搜索，能够帮助找到全局最优聚类数目和降维数，提升人脸图像聚类性能。

主权项

1.一种基于谱聚类和增强学习的自适应人脸图像聚类方法，其特征在于，所述识别方法包括如下步骤：/n1)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：/n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；/n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；/n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；/n2)应用谱聚类算法实现对图像表征的聚类，操作步骤如下：/n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；/n步骤2.2：基于高斯径向核函数构建邻接矩阵W和相似矩阵S，计算过程如下；/n /n其中，各参数定义如下：/nσ：径宽参数；/nW_ij：邻接矩阵W中第i行j列的元素；/nS_ij：相似矩阵S中第i行j列的元素；/nX_i：第i个人脸表征；/nX_j：第j个人脸表征；/ni,j：整数变量；/n步骤2.3：计算度矩阵其中/n步骤2.4：计算拉普拉斯矩阵L：L＝D-W；/n步骤2.5：计算标准化拉普拉斯矩阵L^*：L^*＝D^-1/2LD^-1/2；/n步骤2.6：基于L^*构建一个新的表征矩阵X^*，计算L^*的前m个最大的特征值对应的特征向量，并把它们作为新表征矩阵X^*的列向量，视为降维后新的人脸表征；/n步骤2.7：对X^*进行L2范数化操作；/n步骤2.8：对新表征X^*执行K-Means得到K个聚类划分，结果表示为C＝{C₁,C₂,···,C_K}；/n3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数，首先，给定期望聚类搜索范围，设定搜索步长及搜索起始点；接着，执行Q-Learning算法，在搜索范围内尝试所有可能的调参行为，并选择使得聚类性能最优的行为给予最大正向回报；直至所有行为都无法使得性能优化，或满足最大迭代次数，结束搜索；多次训练后搜索结束点即为最优参数的设定值。/n