(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221018373 6.1 (22)申请日 2022.02.25 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 段立娟　解晨瑶　张文博　乔元华　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 专利代理师 张慧 (51)Int.Cl. G06V 40/16(2022.01) G06F 17/16(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) (54)发明名称 一种应用 于人脸识别的自适应快速无监督 特征选择方法 (57)摘要 本发明涉及一种应用于人脸识别的自适应 快速无监督特征选择方法， 用于解决高维度人脸 图像中往往存在大量无意义和冗余特征导致分 析困难的问题。 具体方案为首先提出一种自适应 快速密度峰值聚类方法对人脸图像特征进行聚 类操作， 然后定义特征重要性评价函数， 在每个 特征簇中选择出最具代表性特征， 加入特征子 集， 完成特征选择。 实施本发明能够达到得到的 特征子集更精确， 特 征选择更快速的效果。 权利要求书3页 说明书9页 附图3页 CN 114529975 A 2022.05.24 CN 114529975 A 1.一种应用于人脸识别的自适应快速无监督特征选择方法， 其特征在于包括以下步 骤： S1.获取原 始人脸图像数据矩阵D， 并进行 数据标准 化处理， 得到原 始人脸图像特 征； S2.对特征进行自适应快速密度峰值聚类， 将相似度较高的特 征聚类形成同类特 征簇； S3.同类特 征簇中通过 特征重要性评价 函数选择 出最具代 表性特征； S4.每个特征簇最具代 表性特征加入特 征子集， 得到最优特 征子集。 2.根据权利要求1所述的一种应用于人脸识别的自适应快速无监督特征选择方法， 其 特征在于： 进一 步的， 步骤S1具体包括以下步骤： 首先， 对原始人脸图像数据矩阵D进行归一化处理， 得到归一化后的人脸图像数据矩阵 X， 其中， 原始人脸图像数据矩阵D∈Rn×w×h， n为人脸图像数量， w为人脸图像的宽， h为人脸 图像的高， Dij为单张人脸图像中(i， j)位置处的元素， 将单张二维人脸图像拉平为一维行向 量， 数据矩阵变为D'∈Rn×d,其中d＝w ×h为人脸图像的特征数， D'ij为数据矩阵(i， j)位置 处的元素， D'ij的归一化计算公式如下： 其中， D′j＝[D'1j,D'2j,…,D'nj]T； 然后， 对归一化后的矩阵X＝{xij}按行展开， 记为： X＝[x1,x2,…,xn]T∈Rn×d， 其中， xi＝[xi1,xi2,...,xid]； 对归一化后的矩阵X＝{xij}按列展开， 记为： X＝[f1,f2,…,fd]∈Rn×d， 其中， fi＝[x1i,x2i,...,xni]T， f1,f2,…,fd即为原始人脸图像的d个特 征。 3.根据权利要求1所述的一种应用于人脸识别的自适应快速无监督特征选择方法， 其 特征在于： 进一 步的， 步骤S2具体包括以下步骤： S21.通过最小化局部密度信息熵函数H(dc)来确定参数dc， 模型表示如下： 其中， ρi表示第i个特 征的局部密度， 具体利用高斯 函数计算得到， 计算公式如下： 其中， dij表示第i个特 征与第j个特 征之间的欧式距离； Z表示所有特 征局部密度之和， 计算公式如下： S22.计算特 征距离 δi： 当ρi最大时， 第i个特征的特征距离为该特征与其他特征之间欧氏距离最大的欧式距 离， 当ρi不是最大时， 第i个特征的特征距离定义为特征fi与其他所有局部密度大于ρi的特 征之间欧氏距离最小的欧式距离， 具体表示 为：权　利　要　求　书 1/3 页 2 CN 114529975 A 2S23.确定聚类中心： 利用局部密度ρi和特征距离δi确定聚类中心， 聚类中心即为γ排名前n对应的特征， 最 优化问题用于计算特 征排名n， 最优化问题 表示如下： 其中， γ为ρi* δi排序后的结果， n 为特征排名， α 为切线所对应的倾 斜角， α ＝ ‑20。 ； S24.确定特 征所属类簇： 将特征分配到不同类中， 除聚类中心外的特征分配到欧式距离最近的聚类中心的所属 类别中， 完成全部特 征的聚类。 4.根据权利要求1所述的一种应用于人脸识别的自适应快速无监督特征选择方法， 其 特征在于： 进一 步的， 所述 步骤S3具体为： S31.计算特 征标准差Si： 同类特征簇中特 征fi的特征标准差Si表示为： 其中， m为与fi同类的特 征簇中特 征数量， fij＝xji； S32.计算特 征表达能力Cor ri： 特征fi的特征表达能力Cor ri表示为： 其中δ(i,j)为特征fi、 fj之间的Pearson相关系数的绝对值大于阈值t的指示函数， 表示 为： 其中， 阈值t取值 为该特征与其他特征Pearso n相关系数 上0.1分位 点； 特征fi、 fj之间的Pearso n相关系数定义表示 为： 其中， 为特征平均值， 计算公式为 S33.确定特 征重要性评价 函数： 以特征标准差和特 征相关系数定义特 征重要性评价 函数， 计算公式为： Scorei＝Si+λCorri 其中Scorei表示的是特征 fi的特征得分， 自适应参数λ是为了平衡特征标准差Si与特征 表达能力Cor ri之间数量级的差异而引入的， 具体表示 为：权　利　要　求　书 2/3 页 3 CN 114529975 A 3