欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020114259642
申请人: 四川晨瀚科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种人脸图像的迭代式双向连接聚类算法,其特征在于,包括如下步骤:步骤1:计算人脸图像距离矩阵提取人脸特征,从人脸图像数据集X里提取任意两个图像xi和xj,根据公式(1)计算两个图像之间的欧几里得距离;

d(xi,xj)=||xi‑xj||2                     (1)其中,1≤i≤n,1≤j≤n;

步骤2:计算图像间的共享近邻相似度根据公式(2)得到任意两个图像xi和xj间的共享近邻关系SNN,SNNk(xi,xj)={xl|xl∈Nk(xi)Ixl∈Nk(xj)}                  (2)其中k表示近邻个数,Nk(xi)表示图像xi的k近邻集合,Nk(xj)表示图像xj的k近邻集合;

根据共享近邻相似度公式(3)计算图像xi和xj间共享近邻相似度,其中,|SNNk(xi,xj)|表示图像xi和xj间共享近邻的数目;

步骤3:迭代执行数据脱落操作,发现核心数据;

步骤4:实现核心数据的聚类;

步骤5:使用向内的连接策略完成脱落数据的分配;

步骤6:使用基于共享近邻相似度向外连接策略完成类簇的合并。

2.根据权利要求1所述的一种人脸图像的迭代式双向连接聚类算法,其特征在于,所述步骤3包括:

(t)

步骤3.1:对数据脱落进行初始化操作,令t=1,该次迭代所处理的图像数据集合为X=X;

其中t为当前迭代次数;

(t)

步骤3.2:根据公式(4)计算第t次迭代中数据X 的密度值其中, 表示两个图像间的欧几里得距离的平方;Σ为求和公式; 表示第t次迭代图像xi反k近邻集合,其数学定义为 其中 表示第t次迭代图像xi的k近邻集合;

步骤3.3:执行第t次图像数据的脱落操作(t) (t)

按照密度脱落掉当前图像数据中10%的数据,b 是当前图像数据X 按密度从小到大(t)

排列,第10百分位上的密度值。将密度比b 小的数据进行脱落,根据公式(5)得到第t次的脱落集合

(t+1) (t)

步骤3.4:更新迭代状态,令下一次所处理的数据集合X 为当前数据集合X 与脱落集合 的差集;

其中,

步骤3.5:判断迭代是否结束,当满足公式(6)时,迭代终止;

(t) (t‑1)

λ >2·λ            (6)(t) (t‑1)

其中λ 表示第t次中脱落集合 中密度最大值,λ 表示第t‑1次中脱落集合 中(t+1)

密度最大值,即前者比后者大两倍,则终止迭代,令核心数据集Ω=X ,最大迭代次数T为t,如果未满足公式(6),则令t=t+1,跳转步骤3.2。

3.根据权利要求1所述的一种人脸图像的迭代式双向连接聚类算法,其特征在于,所述步骤4包括:

步骤4.1:初始化类簇数目 初始化数据划分 核心数据的未访问集合Γ,其初始为Γ=Ω,根据公式(7)定义距离阈值ε;

ε=mean(Dk)+std(Dk)              (7)其中Dk表示核心数据集合Ω中各个数据点到其k近邻点的距离的集合,mean表示该集合的平均值,std表示该集合的标准差;

定义可达,对于任意的两个核心数据xi和xj,有过存在一个核心数据序列p1,p2,K,pS;其中S为该序列的长度;满足p1为xi,ps为xj,且满足对于任意的1≤s≤S,有d(ps,ps+1)≤ε,即ps和ps+1之间的欧几里得距离小于等于距离阈值ε,则称由xi到xj可达;

步骤4.2:初始化新的类簇,令 随机选择数据集Γ中的一个图像x构成当前类簇,即将当前新生成的类簇 设置为 并将核心数据的未访问集合Γ设置为Γ与{x}的差集,即剔除核心数据的未访问集合Γ中的数据x;

步骤4.3:扩展新的类簇,逐个遍历的未访问集合Γ中的数据,找出所有可以与x存在可达关系的数据点x′,将其并入到当前类簇 中,即 同时将核心数据的未访问集合Γ设置为Γ与{x′}的差集,即剔除核心数据的未访问集合Γ中的数据x′;无法从未访问集合Γ找出符合可达条件的图像数据,则终止遍历,更新数据划分 如果未访问集合Γ是空集合,则完成核心数据聚类,继续往下执行,否则跳转到步骤4.2。

4.根据权利要求1所述的一种人脸图像的迭代式双向连接聚类算法,其特征在于,所述步骤5包括:

步骤5.1:从最内的脱落集合向最外的脱落集合进行逐步聚类工作,完成脱落数据聚类的初始化工作;

令当前层数t为最大脱落迭代次数T;当前数据划分 初始化为核心数据划分 即已聚类数据集合Φ初始化为已完成聚类的核心数据集Ω,即Φ=Ω;

当前层脱落数据Δ初始化为最后一层的脱落数据 其中T为最大脱落迭代次数;

步骤5.2:使用向内的连接策略聚类当前层的脱落数据;

步骤5.3:判断向内连接是否结束,更新当前层数t=t‑1,如果t为0,则脱落数据的向内连接结束;否则,令当前层脱落数据Δ为第t层脱落数据 跳转至步骤5.2。

5.根据权利要求4所述的一种人脸图像的迭代式双向连接聚类算法,其特征在于,所述步骤5.2包括:

逐个选择当前层脱落数据Δ中的图像数据x,从已聚类数据集合Φ中找出与x最近的图像数据x′,假设该已聚类数据x′属于类簇 其中 为当前划分的类簇个数;则将x分配至该类簇 更新 且更新已聚类数据集合Φ=Φ∪x,更新当前层脱落数据Δ为Δ与数据x的差集;当前层脱落数据Δ为空集合时,终止该层的数据分配工作。

6.根据权利要求1所述的一种人脸图像的迭代式双向连接聚类算法,其特征在于,所述步骤6包括:

遍历图像数据集X中各个成对数据,如果存在两个图像数据x和x′分属于两个不同的类簇 和 其中 为当前划分的类簇个数;且两个图像数据的共享近邻相似度大于0.5,合并类簇 和 形成一个新的类簇,即 如果simSNN(x,x′)≥0.5则完成遍历工作,得到新的 其中下标c是完成合并工作后最终的类簇数目。