我已经在opencv中运行了面部检测算法来提取视频的每个帧中的面部（以1 fps采样）。我还将每张脸部图像的大小调整为相同尺寸，并且我已经裁剪了一些图像以消除背景噪音和头发。现在问题是我必须聚集这些面部图像 - 每个集群对应一个人。我实现了这里描述的算法http://bitsearch.blogspot.in/2013/02/unsupervised-face-clustering-with-opencv.html
基本上上述算法，迭代地使用OpenCV的LBPH人脸识别器来聚类图像。在该页面本身的描述中，结果并不令人满意。在我的实施中，结果更糟。任何人都可以建议更好的方式来聚集面孔吗？可能正在使用其他一些功能和其他一些聚类算法。集群数量未知。
答案 0 :(得分：0)
我建议看看
FaceNet: A Unified Embedding for Face Recognition and Clustering
我的shortscience summary（如果你想看到数学部分正确呈现，请去那里）：
FaceNet直接将脸部图像映射到$ \ mathbb {R} ^ {128} $，其中距离直接对应于脸部相似度的度量。他们使用三重损失功能。三元组是（人A的面部，人A的其他面部，非A的人的面部）。后来，这被称为（锚，正，负）。
损失功能是由LMNN学习和启发的。这个想法是最小化同一个人的两个图像之间的距离，并最大化与其他人的图像的距离。
大保证金最近邻（LMNN）正在学习伪度量
$$ d（x，y）=（x -y）M（x -y）^ T $$
其中$ M $是一个正定矩阵。伪度量和度量之间的唯一区别是$ d（x，y）= 0 \ Leftrightarrow x = y $不成立。
首先显示简单示例，然后增加难度。这是通过选择三元组来完成的。
他们使用 hard 的三胞胎。对于正例，这意味着锚和正例之间的距离很高。对于反面示例，这意味着锚点和反面示例之间的距离很低。
他们希望拥有
$$ || f（x_i ^ a） - f（x_i ^ p）|| _2 ^ 2 + \ alpha＆lt; || f（x_i ^ a） - f（x_i ^ n）|| _2 ^ 2 $$
其中$ \ alpha $是保证金，$ x_i ^ a是锚点，$ x_i ^ p $是正面值示例，$ x_i ^ n $是负面示例。他们随着时间的推移增加$ \ alpha $。至关重要的是，$ f $映射的图像不在完整的$ \ mathbb {R} ^ {128} $中，而是在单位范围内。否则，只需制作$ f'= 2 \ cdot f $。
即可将$ \ alpha $加倍评估了两个模型：Zeiler & Fergus model和基于Inception model的架构。