基于卷積神經網絡的大規(guī)模人臉聚類.pdf

1、人臉識別技術是一種重要的生物特征識別技術，因其方便、安全等特點廣泛應用于金融、安防等領域。為了解決在檢索系統(tǒng)中由于人臉圖像的急速增長而導致識別過慢的問題，本文提出了基于卷積神經網絡的大規(guī)模人臉聚類算法。通過聚類技術，原本規(guī)模較大的人臉數據庫被劃分成若干個相似庫，從而使檢索的范圍進一步縮小，以提高識別效率。
　　大規(guī)模人臉聚類的技術難點在于高效的人臉特征和快速準確的聚類算法。高效的人臉特征主要表現(xiàn)在該特征能從本質上區(qū)分不同的人臉，而

2、不受光照、姿勢、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當同時滿足準確率高和時間復雜度低等要求。為此，本文通過構建卷積神經網絡來提取高效的人臉特征，并在此基礎上探討了經典K-means算法和現(xiàn)代主流的CFSFDP算法(Clustering by Fast Search and Find of Density Peaks)的性能問題。
　　本文的主要內容如下:
　　1)構建了深層的卷積神經網絡，即

3、CNN，并通過該網絡學習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驗且全面考慮人臉的復雜性、非線性和高階性等優(yōu)點。實驗結果表明，基于卷積神經網絡的人臉特征能有效消除光照、姿勢、表情、遮擋物等外在因素的影響，具有良好的魯棒性;
　　2)針對經典K-means算法的不足，本文采用K-means++算法來解決聚類中心點初始化隨機性的問題，降低了聚類中心點陷入局部最小值的可能性，同時設計合適的類簇指標來估算k值，克

4、服了k值需要事先設定的缺點;
　　3)實驗采用MSRA-CFW人臉數據庫作為驗證集，該人臉數據庫的規(guī)模較大且變化模式復雜，并通過Rand Index、信息熵和F1-measure指標來綜合評價聚類結果，同時采用混淆矩陣可視化的方法來解決大規(guī)模聚類難以直觀展示其結果的難題;
　　4)采用CNN、PCA和HOG等特征提取算法與K-means、改進的K-means和CFSFDP等聚類算法來設計對比實驗，實驗結果表明，在大規(guī)模人臉聚