一种基于k-means的人脸识别算法

《一种基于k-means的人脸识别算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、一种基于k-means的人脸识别算法摘要目前，随着AI技术的兴起，人脸识别正在移动支付，智能系统等领域发挥着重要的作用。由于人的面部特征是与年龄变化紧密相关的，因此，嵌入年龄因素的人脸识别技术是有很大难度的。本研宄结合人脸的特征因素，引用夹角余弦距离刻画相似度，并用k-means算法对所有向量进行聚类，并使分类尽可能符合实际状况。分析聚类返回数据，得到一些相似度指标，例如照片到所?倮啾鹬行牡木嗬刖?值等，根据这些相似度指标给出判别标准。结合具体的实验数据得到验证精度在90%以上。本文采集自网络，本站发布的论文均是优质论文，供学习和研宄使用，文中立场与本

2、网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除己转载的信息，如果需耍分享，请保留本段说明。关键词人脸识别；灰度图；选区；k-means；相似性中图分类号TP3文献标识码A文章编号1674-6708(2017)186-0053-01随着社会的不断发展，人脸识别现已成为模式识别、图像处理等学科的一大研究热点，可以广泛地应用到安全部门、身份鉴别、电视会议、数字监控等领域［2］。由于年龄变化引起人脸形状和纹理上的变化，导致人脸识别率下降，因此，对不同年龄段的人脸识别技术的社会需求口益增进。精确的人脸识别技术不仅要可以识别年龄差距较小

3、的照片，还要可以识别年龄差距较大时的照片是否是同一个人。本文主要解决的问题是基于不同年龄段的人脸照片识别问题，即当给出两张不同时期的照片时，要求算法识别出其是否为同一人。1数据预处理众所周知，灰度图只包含亮度信息，不包含色彩信息。亮度由暗到明，变化是连续的。要表示灰度图，需要把亮度值进行量化，本文将每一张灰度照片的亮度值数据读出作为矩阵的行向量。得到具有m行的矩阵。为Y剔除图片中一些客观因素带来的误差，本文对照片进行了分区处理，选出毎张照片的中包含人脸的矩形，记录矩形的左上和右下角坐标。2聚类分析经过以上处理，我们已经将每张照片抽象成为n维欧氏空间中的

4、一个质点，即矩阵中的每一行都作为一个n维向量。接下来我们采用聚类分析的方法对m个质点采用K-均值方法进行聚类，由于不同个体之间人脸特征的差异性，我们将聚类之后的得到的每一簇质点作为一类，即一个人脸样本，共得到Z个样本。3求解相似度指标我们将每个点到每个聚类中心的距离排序，即将矩阵D（每个点到每个聚类中心的距离的m*z矩阵）的每一行排序得到矩阵A1。将质点序号作为横轴，质点到聚类中心的距离作为纵轴，将矩阵A1的每一列数值带入，描出m个点，做出拟合曲线，这样即可绘制出z条曲线。由图像可以清晰的看出每个质点到本身聚类中心的距离与到次近的聚类中心的距离之间存在

5、明显分界。这表明我们经过聚类分析之后得到的同一簇照片的相似度很高，且与不同类的照片之间差距较大。具体做法是：多次求出矩阵A1的第一列的均值K1’后对K1’再求均值记为K1，多次求出矩阵A1的第二列均值K2’再对K2’求均值记为K2，多次求出第一列最大值Ml’再对Ml’求均值记为Ml，多次求出第二列最小值M2’再对M2’求均值记为M2，计算Ml和M2的算数平均数记为脚。4判别标准对于任意给定的两张照片，先将两张照片进行图像灰度处理，和选区处理，得到n维欧氏空间中的两个点，计算两个点之间的余弦距离记为d。1）若d〈=Kl;则认为两只照片一定属于同一个人。2

6、）若K13）若脚4）若K25结果分析我们选择了50组数据进行模型结果的计算，由于篇幅右限，局部测试结果如图2所示。通过结果分析我们可以得出如下结论：1）在仅有50次随机抽取验证中，我们建立的模型可保持86%的正确率，成功判别的效果还是非常可观的，而且若在更多样本数量的情况下，正确率还可以进一步提升2）在所有正确判别的个案中，4种结果比例：“一定相似”占9.3%、“很大可能相似”占2.3%、“有可能相似”占14.0%、“不相似”占74.4%，即很容易看出我们的模型对于不相似(不是同一个人)的照片有更高更可靠的判别效果。参考文献[1]杨浩，张二喜，蒋卓芸.

7、基于距离测度的PCA人脸识别研究[J].陕西理工学院学报：自然科学版，2016(4)：45-50.[2]刘昶，周激流，郎方年，等.基于加权判别局部多线性嵌入的人脸识别[J].仪器仪表学报，2011，32(10)：2248-2255.[3]叶长明，蒋建国，詹曙，等.不同姿态人脸深度图识别的研究[JL电子测量与仪器学报，2011，25(10)：48-56.