基于卷積神經(jīng)網(wǎng)絡(luò)的大規(guī)模人臉聚類.pdf

1、人臉識(shí)別技術(shù)是一種重要的生物特征識(shí)別技術(shù)，因其方便、安全等特點(diǎn)廣泛應(yīng)用于金融、安防等領(lǐng)域。為了解決在檢索系統(tǒng)中由于人臉圖像的急速增長(zhǎng)而導(dǎo)致識(shí)別過(guò)慢的問(wèn)題，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的大規(guī)模人臉聚類算法。通過(guò)聚類技術(shù)，原本規(guī)模較大的人臉數(shù)據(jù)庫(kù)被劃分成若干個(gè)相似庫(kù)，從而使檢索的范圍進(jìn)一步縮小，以提高識(shí)別效率。
　　大規(guī)模人臉聚類的技術(shù)難點(diǎn)在于高效的人臉特征和快速準(zhǔn)確的聚類算法。高效的人臉特征主要表現(xiàn)在該特征能從本質(zhì)上區(qū)分不同的人臉，而

2、不受光照、姿勢(shì)、表情、遮擋物等因素的影響。區(qū)別于一般的聚類算法，大規(guī)模的人臉聚類算法應(yīng)當(dāng)同時(shí)滿足準(zhǔn)確率高和時(shí)間復(fù)雜度低等要求。為此，本文通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取高效的人臉特征，并在此基礎(chǔ)上探討了經(jīng)典K-means算法和現(xiàn)代主流的CFSFDP算法(Clustering by Fast Search and Find of Density Peaks)的性能問(wèn)題。
　　本文的主要內(nèi)容如下:
　　1)構(gòu)建了深層的卷積神經(jīng)網(wǎng)絡(luò)，即

3、CNN，并通過(guò)該網(wǎng)絡(luò)學(xué)習(xí)得到高效的人臉特征。跟傳統(tǒng)的特征提取算法相比，該方法具有不依賴于經(jīng)驗(yàn)且全面考慮人臉的復(fù)雜性、非線性和高階性等優(yōu)點(diǎn)。實(shí)驗(yàn)結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)的人臉特征能有效消除光照、姿勢(shì)、表情、遮擋物等外在因素的影響，具有良好的魯棒性;
　　2)針對(duì)經(jīng)典K-means算法的不足，本文采用K-means++算法來(lái)解決聚類中心點(diǎn)初始化隨機(jī)性的問(wèn)題，降低了聚類中心點(diǎn)陷入局部最小值的可能性，同時(shí)設(shè)計(jì)合適的類簇指標(biāo)來(lái)估算k值，克

4、服了k值需要事先設(shè)定的缺點(diǎn);
　　3)實(shí)驗(yàn)采用MSRA-CFW人臉數(shù)據(jù)庫(kù)作為驗(yàn)證集，該人臉數(shù)據(jù)庫(kù)的規(guī)模較大且變化模式復(fù)雜，并通過(guò)Rand Index、信息熵和F1-measure指標(biāo)來(lái)綜合評(píng)價(jià)聚類結(jié)果，同時(shí)采用混淆矩陣可視化的方法來(lái)解決大規(guī)模聚類難以直觀展示其結(jié)果的難題;
　　4)采用CNN、PCA和HOG等特征提取算法與K-means、改進(jìn)的K-means和CFSFDP等聚類算法來(lái)設(shè)計(jì)對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，在大規(guī)模人臉聚