(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210538854.X (22)申请日 2022.05.17 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 唐益明　陈仁好　潘志富　谢文军　 席雷　孙晓　李冰　任福继　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种知识诱导的多核模糊聚类的人脸图像 分类方法 (57)摘要 本发明公开了一种知识诱导的多核模糊聚 类的人脸图像分类方法， 其步骤包括： 1提取待聚 类的人脸图像特征向量集； 2获取待聚类的人脸 图像特征向量集的人脸特征知识点， 计算各个人 脸特征向量的全局相对密度值和最小距离， 得到 高密度的人脸特征知识点； 3在人脸特征知识点 的引导下， 采用模糊聚类算法对待聚类的人脸图 像特征向量进行聚类； 4对聚类后的人脸数据集 进行标签化处理， 从而 得到相应人脸图像的类别 标签。 本发 明将知识信息与多核模糊聚类方法进 行结合， 将具有高信息量的人脸特征知识点引入 人脸聚类过程， 从而能够有效识别人脸类别， 并 提升人脸聚类分类的准确率。 权利要求书5页 说明书13页 附图2页 CN 114937299 A 2022.08.23 CN 114937299 A 1.一种知识诱 导的多核模糊聚类的人脸图像分类方法， 其特 征在于， 包括： 步骤1： 采用FaceNet深度神经网络提取待聚类的人脸图像的特征向量集 其 中， xi表示第i个人脸特 征向量； N表示人脸图像数据集的所有人脸特 征向量的数量； 步骤2： 采用RDKE算法获取待聚类的人脸 图像特征向量集X的人脸特征知识点矩阵G＝ [gt]t＝1,2,· · ·,n； 其中， gt表示第t个人脸特 征知识点， n表示人脸特 征知识点数量； 步骤3： 在人脸特征知识点矩阵G＝[gt]t＝1,2,· · ·,n的引导下， 采用KI ‑MKFC算法对待聚类 的人脸特征向量集X进行聚类， 得到聚类后的包含人脸特征向量分类信息的模糊隶属度矩 阵U， 且模糊隶属度矩阵U中的每一行表示 一个人脸图像特 征向量； 步骤4： 对聚类后的模糊隶属度矩阵U进行标签化处理， 并取其每行的最大值所对应的 列号为相应人脸图像特 征向量的标签 类别， 从而实现人脸图像的分类。 2.根据权利要求1所述的知识诱导的人脸多核模糊聚类的人脸图像分类方法， 其特征 在于， 所述 步骤2包括： 步骤2.1： 设置聚类数目为C、 全局相对密度阈值 ερ、 最小距离阈值 εδ； 步骤2.2： 利用式(1)获得最邻近参数 e： 式(1)中， h表示中间参数； 表示向下 取整； 步骤2.3： 按照式(2)计算第i个人脸特 征向量xi的局部绝对密度ρi： 式(2)中， Sinn表示与第i个人脸特征向量xi距离最近的e个特征向量的集合， dij表示第i 个人脸特征向量xi和第j个人脸特征向量xj之间的欧式距离； dmean表示所有 人脸特征向量之 间的平均距离， 并有： 式(3)中， S表示所有人脸特 征向量的索引下 标集合； 步骤2.4： 按照式(4)计算第i个人脸特 征向量xi到其他人脸特 征向量的最小距离 δi： 式(4)中， ρj表示第j个人脸特 征向量xj的局部绝对密度； 步骤2.5： 根据式(5)计算第i个人脸特 征向量xi的直接从属的数量 ηi： 式(5)中， ζ( ·)表示直接从属判别函数， 用来判别最小距离小于阈值的其他人脸特征 向量是否为第i个人脸特 征向量xi的直接从属， 并由式(6)得到； 权　利　要　求　书 1/5 页 2 CN 114937299 A 2式(6)中， th表示阈值， δj表示第j个人脸特征向量xj到其他人脸特征向量的最小距离， xj→xi表示第i个人脸特 征向量xi是第j个人脸特 征向量xj最近的高密度邻居； &表示且； 步骤2.6： 根据式(7)计算第i个人脸特 征向量xi的全局相对密度ρ ′i： 式(7)中， ζ ′(·)表示直接 从属判别函数， 用来判别第i个人脸特征向量xi的ηi个最近邻 居范围内的其 他人脸特 征向量是否为第i个人脸特 征向量xi的直接从属， 并由式(8)得到； 式(8)中， Sηi表示包含第i个人脸特 征向量xi的ηi个最近邻居的子集； 步骤2.7： 根据所有人脸特征向量的全局相对密度和最小距离， 画出决策图， 并从所述 决策图中选出n个全局相对密度大于 阈值ερ且最小距离大于 阈值εδ的点所对应的人脸特征 向量， 并作为高密度的人脸特 征知识点G＝[gt]t＝1,2,· · ·,n。 3.根据权利要求2所述的知识诱导的多核模糊聚类的人脸图像分类方法， 其特征在于， 所述步骤3包括： 步骤3.1： 定义当前迭代次数iter、 第iter次迭代时的模糊隶属度矩阵U(iter)以及人脸 特征知识影响矩阵R(iter)； 定义迭代停止阈值为ε， 最大迭代次数为iterMax； 初始化iter＝ 0； 步骤3.2： 利用式(6)建立第iter次迭代的目标函数 式(9)中， m表示模糊系数， 且m＞1； p表示作用关系系数， 且p＞1； 表示第iter次迭 代时第i个人脸特征向量xi属于第c类的模糊隶属度， 并满 足式(10)； β 表示人脸特征向量和 人脸特征知识点之间的一个偏移程度值， 且β ∈[0,1]， 并由式(11)得到； λ表示人脸特征知 识点作用项权重值， 并由式(12)得到； γ是协方差矩阵， 并由式(13)得到； 表示第iter 次迭代时在核函数特征空间中的第i个人脸特征向量xi与第c类聚类中心vc的距离， 并由式 (14)得到； 表示第t个人脸特征知识点对第c类聚类中心vc的影响值； 表示第iter 次迭代时在核函 数特征空 间中的第t个高密度的人脸特征知识点gt与第c类聚类中心vc的距 离， 并由式(15)得到； 式(12)中， b表示中间参数；权　利　要　求　书 2/5 页 3 CN 114937299 A 3