基于改进AP聚类算法的人脸标注技术研究

利用网络新闻图像以及与图像相关的文字说明构造一个有人名标注的人脸库。人脸库中的人脸通过对新闻图像进行人脸检测得到，人名从与图像相关的文字说明中提取得到。通过一个聚类过程得到人脸与人名之间的对应关系，并通过一个合并聚类的过程可以识别出同一个人的不同名字。对AP聚类算法进行改进，实验表明相比于k-means与AP算法，改进的AP聚类算法能充分利用网络新闻图文互补的特性，从而得到更准确的人脸与人名对应关系。

基于多模态信息融合的新闻图像人脸标注

针对传统新闻图像中人脸标注方法主要依赖人脸相似度信息,分辨噪声和非噪声人脸能力以及非噪声人脸标注能力较差的问题,提出一种基于多模态信息融合的新闻图像人脸标注方法。首先根据人脸和姓名的共现关系,利用改进的K近邻算法,获得基于人脸相似度信息的人脸姓名匹配度;然后,分别从图像中提取人脸大小和位置的信息对人脸重要程度进行表征,从文本中提取姓名位置信息对姓名重要程度进行表征;最后,使用反向传播神经网络来融合上述信息完成人脸标签的推理,并提出一个标签修正策略来进一步改善标注结果。在Label Yahoo!News数据集上的测试效果表明,所提方法的标注准确率、精度和召回率分别达到了77.11%、73.58%和78.75%,与仅基于人脸相似度的算法相比,具有较好的分辨噪声和非噪声人脸能力以及非噪声人脸标注能力。

基于主动学习的人脸标注研究

在大数据时代,图片数量非常巨大,但是具有标签的图片非常少。在学习和研究中,常常需要分类标注图片,而大部分图片都是与人脸相关的,因此人脸标注成为了一种进行图片分类标注的有效方法,但人工标注的成本较大。针对有标签图片数量较少以及人工标注成本较大的问题,提出了在主动学习算法的基础上建立计算人脸类标签后验分布的判别模型的方法。该方法基于马尔可夫随机场和高斯过程,考虑到了样本位置、特征的客观联系,在样本之间加入了匹配约束和非匹配约束,匹配约束表示样本之间具有相同的类标签,非匹配约束表示样本之间具有不同的类标签。实验结果表明,根据判别模型得到的类标签后验分布选择样本进行人工标注,大大提高了分类器的精确度。

基于家庭数字相册的人脸检测与标注

针对家庭数字相册提出一种对数码照片进行人脸检测,并给检测出的人脸进行人名标注的管理方法。首先利用Adaboost方法对家庭数字相册中的照片进行人脸检测。通过对人脸图像进行灰度归一化和几何归一化等预处理得到标准的人脸图像。利用主分量分析与核主分量分析2种方法进行人脸特征提取,并对比其试验结果,最后采用欧式距离来度量人脸相似度,最终得到人脸相似度匹配的姓名推荐列表。

基于邻近人脸的人脸聚类算法

为了解决大规模无标注人脸数据的标注任务繁重、人工标注成本高的问题,提出一种基于邻近人脸的无监督人脸聚类算法。首先使用双异构神经网络抽取出人脸特征向量,再根据特殊的距离度量办法来度量出人脸之间的距离;然后使用密度聚类的方法选取出目标人脸的邻近人脸,再按照特定方法合并邻近人脸并去除重复出现在多个簇的人脸完成人脸聚类。在实验中,该算法的准确率高达96.74%,表现极为优秀,使用该算法只需要少量人工介入标注即可完成大量人脸的标注任务。