基于聚类算法人脸识别方法的研究

　　摘要：研究基于聚类算法进行人脸识别的方法。通过学习过程训练RBF神经网络的连接权值、隐含层中心和宽度等参数。通过仿真实验数据对比分析了人脸图像子图像的保留个数、每幅子图像保留奇异值向量的个数以及聚类因数、因数的选取，为聚类算法人脸识别取得良好的应用效果提供了量化的指导。

　　关键词：聚类算法;人脸识别;RBF神经网络;仿真实验

　　引言

　　在智能小区的安防系统中，人脸识别技术的应用，提高了安防报警系统的安全可靠性。人脸识别技术因其具有非接触性、特征提取方便、防伪性能高等优势得到广泛的应用。人脸识别技术综合了计算机、通信、光学、电子、机械等多学科技术，在控制领域和智能建筑领域有着广阔的应用前景 [1~8] 。本文研究了基于聚类算法判别人脸图像的方法，达到应用于智能小区门禁系统和楼宇门禁系统的实际应用要求，如图1所示。

　　基于图像分块进行人脸识别时，随着分块数目的增多，子图像保留的奇异值个数、维数的控制，以及子图像权重的赋值等问题，若只依靠主观经验来决定，则缺乏客观依据[9~10]。径向基函数(RBF-Radial Basis Function)网络是一种性能良好的前馈型三层神经网络，具有全局逼近性质和最佳逼近性能，训练方法快速易行，RBF 函数还具有局部响应的生物合理性。在隐含层中心确定的情况下，RBF网络只需对隐含层至输出层的单层权值学习修正，比多层感知器具有更快的收敛速度。利用 YALE人脸数据库，通过RBF网络对奇异值个数、子图像数目、特征值数量、聚类因数 、聚类个数、 因数的测试结果，为人脸图像的识别提供客观地指导。

　　利用相关参数的仿真实验结果，为进一步研究子图像赋值情况，提高人脸识别的速度和精确度提供了有效的帮助和参数支持。

　　聚类算法的初始化

　　RBF神经网络可描述为：

　　式中为隐含层第i个节点与输出层第k个输出节点的连接权值。

　　隐含层聚类的初始化过程如下。

　　(1)在每个类别收敛于一个聚类中心的假设前提下，将隐含层的节点数初始设定为输出层的节点数，即u=s，再根据RBF神经网络的训练情况具体调整。

　　(2)隐含层第k个神经元的中心Ck为 k 类特征矢量的均值。

　　(3)计算从均值Ck到属于类别k的最远点kfarP的欧氏距离。

　　(4)计算各个j聚类中心到k聚类中心的距离。再根据dmin(k,l)和dk，dl的关系，对以下几种情况进行判断。

　　情况(a)：若满足的条件，则表明类别k与其他类别l无重叠。

　　情况(b)：若满足的条件，则表明类别k与其他类别l有重叠，需要进一步考虑以下情况 。

　　(i)当满足的条件时，则表明两个类别虽有重叠，但是互相不包含。

　　(ii)当满足的条件时，则表明类别k包含于其他类别之中，可能导致RBF神经网络分类错误。

　　(5)按照以下分离原则对每类样本进行判别并细分。

　　(i)包含规则：若满足，则表明类别k包含于类别l之中，类别l应被进一步细分为两个聚类。

　　(ii)正确归类规则：若类别k包含许多其他类别l的数据，则需要将类别k进一步细分为两个聚类。

　　重复上述步骤，直至选定的全部人脸图像的训练样本都被处理为止，整个RBF神经网络的结构随之确定。