一种不完整特征描述的人脸图像聚类方法

摘要

本发明的实施方式提供了一种不完整特征描述的人脸图像聚类方法，属于多视角谱聚类技术领域。该方法包括：将人脸图像的不完整描述特征在核空间实施多视角补全，在局部视角之间相互补全的基础上，考虑联合鲁棒表示特征的生成进行优化；通过在核空间学习人脸图像的鲁棒表示特征，并利用其学习完整的子空间表示；通过引入定制的剪裁张量低秩约束来进行多视角融合，从全局角度学习不同视图子空间表示的张量低秩结构，在捕获视角高阶相关性的同时保持其各异性专属信息。本发明的上述技术克服了现有技术的不足，有效提高人脸图像聚类的准确度。

说明书

技术领域

本发明的实施方式涉及多视角谱聚类领域，具体涉及一种不完整特征描述的人脸图像聚类方法。

背景技术

多视角谱聚类是多视角学习问题的典型应用之一，传统的多视角学习方法大多对视角的完整性具有严格的要求。然而，在现实世界中，并不是所有实例都能在所有视角中观察到。人脸图像的部分特征描述缺失并不罕见，例如描述人脸的LBP特征缺失、SIFT特征缺失等，这将导致相关基核的对应行与列缺失。在近期所提出的大多数不完整多视角聚类方法中，大多方法是将核补全和生成最优的鲁棒表示特征“两阶段”分开进行，这阻止了两个学习过程相互优化以实现最佳聚类；大多基于张量的聚类方法都采用了现有的张量低秩范数，没有充分考虑多个相似矩阵构造的张量具有一些独特的局部结构。

发明内容

本发明的实施方式克服了上述技术的不足，提供了一种不完整特征描述的人脸图像聚类方法。首先设计一种针对人脸图像部分缺失的特征描述在核空间进行补全方法，在核补全的同时获得人脸图像的鲁棒表示特征，鲁棒表示特征指导缺失核元素的补全计算，并用缺失核元素进行后续的鲁棒表示特征的生成，两个过程无缝衔接，以实现更好的人脸图像表示特征的获得；此外，通过集成所有子空间表示构建一个3阶张量，对张量的额叶切片和水平切片分别施加对称低秩约束和列级稀疏的低秩约束。利用其捕捉视角内和视角间关系，进而提高了聚类准确度。

本发明实施方式，包括步骤：

通过设计一种针对人脸图像的不完整特征描述在核空间补全的方法，同时从核重建和联合鲁棒表示特征进行优化的角度考虑补全策略并获得最优的人脸图像的鲁棒表示特征；

根据鲁棒表示特征，构造不同视角的子空间表示；

通过集成所有视角的子空间表示，构建张量子空间表示,并施以剪裁张量低秩约束；

利用张量子空间表示，计算出亲和子空间表示，并将其送入谱聚类算法中，计算出聚类结果；

根据所得到的聚类结果，计算所述人脸图像数据集的图像聚类准确度。

进一步地，所述的利用其他不完整核矩阵来计算每个不完整核矩阵，其计算公式为：

其中，V表示各个数据集的视角总数，β＝[β

进一步地，所述的以一种联合的方式进行核缺失部分的补全并得到人脸图像的鲁棒表示特征：

其中，

进一步地，所述的构造完整子空间表示为：

其中，Z

进一步地，所述的通过集成所有视角的子空间表示构造张量子空间表示，并施以剪裁张量低秩约束，其公式为：

其中,

进一步地，所述最终目标函数表示为：

其中，k表示类簇数，α表示正则化参数，γ

进一步地，所述目标函数值最优时各个变量的值的求解方法包括以下：

利用交替方向乘子算法，在其他变量不变的条件下，针对每个变量迭代求解最小化；

固定其他变量，删除与K无关的函数项目，得到变量

固定其他变量，删除与H无关的函数项目，将目标函数式重写为变量H

固定其他变量，删除与

固定其他变量，删除与

固定其他变量，删除与γ无关的函数项目，得到变量γ的目标函数式，通过柯西-施瓦兹不等式，进行求解；

进一步地，利用低秩的张量子空间表示，采用

本发明提供的一种不完整特征描述的人脸图像聚类方法，具有以下优势：

(1)通过联合优化核缺失元素的计算和人脸图像的鲁棒表示特征的生成来有效处理基核不完整的情况，减少了人脸图像聚类因部分特征描述的缺失对其带来的影响，进而学习到更好的子空间结构。

(2)考虑到多视角子空间聚类中张量的特殊特征，采用一种新的针对多视角子空间聚类的结构化低秩范数，用来表征视角内和视角间的关系，在捕获视角高阶相关性的同时保持其各异性专属信息。

(3)设计了一种数值优化算法来求解该模型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种不完整特征描述的人脸图像聚类方法的流程图；

图2是本发明实施例在不同人脸数据集在不同缺失率下的聚类准确度的趋势图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件或软件结合的形式。

图1示意性地示出了根据本公开实施例的不完整特征描述的人脸图像聚类方法的一种示例性的处理流程100。

如图1所示，处理流程100开始后，首先执行步骤S110。

步骤S110、设计一种针对人脸图像的不完整描述特征在核空间补全的方法，对不完整核矩阵进行核重建和联合补全，并获得人脸图像的鲁棒表示特征：

其中，

步骤S120、根据所得到的鲁棒表示特征，构造子空间表示：

步骤S130、集成所有视角的子空间表示，构造特定剪裁低秩张量子空间表示：

其中,

步骤S140、将上述的不完整特征描述补全方法、构造子空间表示以及构造张量子空间表示放入统一的学习框架，得到目标函数：

根据得到的目标函数，通过如下优化方式得到最优解，具体步骤如下：

步骤S1401、利用交替方向乘子算法，固定

利用坐标下降的方式对每个

其中，

步骤S1402、利用交替方向乘子算法，固定

公式(7)可以改写为公式(8)：

H

步骤S1403、利用交替方向乘子算法，固定

其中，d＝[d

步骤S1404、利用交替方向乘子算法，固定

利用Z

再利用H'

式(12)可通过式(13)优化Z'

令式(13)导数为0，可得到

得到Z'

步骤S1405、利用交替方向乘子算法，固定

引入

式(15)的增广拉格朗日形式为：

其中，δ＞0引入了拉格朗日乘子项，

故

可根据下式对其求解：

步骤S1406、利用交替方向乘子算法，固定

根据柯西-施瓦兹不等式通过式(21)即可求解参数γ：

步骤S150、利用低秩的张量子空间表示矩阵，采用

通过本实施方式先设计一个针对人脸图像的不完整多视角核矩阵补全方法，得到补全后的核矩阵的同时得到人脸图像的鲁棒表示特征。然后，利用鲁棒表示特征得到视角的完整子空间表示。之后，再构造张量，利用定制的剪裁张量低秩范数来捕获视角内和视角间的关系。最后，根据所得的低秩张量子空间表示，获得亲和子空间表示，送进谱聚类中，计算出最后的聚类结果。根据聚类结果，计算出聚类准确度。

为了验证本发明实施例的聚类准确度，本实施方式采用两个公开的含有标签的人脸图像数据集。数据集的细节描述如下：

ORL数据集：由40个不同性别的人的400张面部图像组成，其中每个人有10张不同拍摄角度的人脸图像。该数据集包含三种不同的人脸图像描述特征，分别是强度(Gray)、局部二值模式(LBP)和Gabor，作为人脸图像的3个不同视角。

Yale数据集：由15个人的165幅人脸图像组成，每个人有11张具有不同光线、姿势和表情的照片。该数据集包含三种不同的人脸图像描述特征，分别是强度(Gray)、局部二值模式(LBP)和Gabor，作为人脸图像的3个不同视角。

本实施方式中，采取了高斯核映射、多项式核映射、线性核映射、符号多项式核映射和逆多项式核映射五种核映射方式，得到相应视角的核矩阵。人脸图像的不同描述特征的缺失率取值范围为{0.1,0.2,...0.5}，间隔步长为0.1。正则化参数α的取值范围是2.^{-15,-13,...,9,11}，重构损失参数λ的范围为{10,11,...,20}。图2是在不同缺失率设置下不同人脸图像数据集的聚类准确度趋势图。通常，随着缺失率的增加，所有实施方式的聚类性能都会下降。根据图2可知本实施方式在不同缺失强度下都呈现较好的稳定性，下降幅度较小，体现了一定的鲁棒性。

本实施方式提出了一种不完整特征描述的人脸图像聚类方法，用于生活中有部分特征描述缺失的人脸图像聚类问题，减少了特征缺失对人脸图像聚类性能带来的影响。建立了基于不完整特征描述的人脸图像的谱聚类模型，并对该模型设计了一种替代算法进行优化来保证算法的收敛性。在两个不同的公开人脸图像数据集上的实验结果表明了本实施方法的可靠性。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。