利用DBSCAN实现人脸聚类demo（附源码）

这篇博客是对技术研究任务的记录，当时真的是一头雾水，那是刚开始接触机器学习，博客内容是我将研究报告的内容做简单复制粘贴后仍上来的，这个实现是参考一个外国机器学习网站的demo做的功能添加和修改
（原始链接在此 https://www.pyimagesearch.com/2018/07/09/face-clustering-with-python/）感谢其提供了实现聚类的方向
（你也可以参考此链接 http://www.atyun.com/23521.html）

正文

机器学习处理的问题我们可以概括为分类问题和回归问题，这两个都属于监督学习（在大量的已知实例中得到泛化的能力），人脸聚类属于无监督的学习，也就是我们一开始并不知道我们的人脸集中的任何信息（比如有多少个人的人脸，我需要按照什么标准对这些人脸进行区分等等）。实现人脸聚类的大概思路就是，想方法将人脸图片进行编码，将像素点组成的一张图片转变成一个多维的张量（比如矩阵就是个2D张量，或者叫做二维的张量），由于我们得到的张量是根据人脸图片的像素得来的，所以张量中就隐藏着这张人脸的特征信息，接下来，我们采用某个算法（我们使用DBSCAN算法）去将多维中分布的这些点临近的当做一类，以此得到人脸的聚类。简单概括来说，就是两个过程，编码和分类。
在对人脸进行编码时，我们要考虑到一点——一张图片中人脸只是其中一个部分，照我们的聚类实现方式来看，我们应该更关心一张图片中人脸部分的特征，多余的部分（比如衣服，背景等等）将会影响我们的特征提取，因此，我们应该在对图片编码时先识别人脸在图片中的位置，再进行编码时只对人脸部分进行编码（如下图），这样将提高我们的聚类性能。

实现细节

主要说下两部分，一个是人脸识别，一个是聚类算法，先看人脸识别。在人脸识别这块，采用的是python开源的人脸识别库face_recognition，在这里我将进行说明的是，人脸识别是在整个聚类过程中最耗时的部分，尤其是采用CNN进行人脸识别时。当然我们可以跳过人脸识别，而直接对图片进行编码，但是此时，图片中的无关因素将对结果产生巨大影响。

聚类

采用的是scikit-learn库搭建机器学习应用，在该库中，有三种常用的聚类算法，他们分别是K均值聚类、凝聚聚类、DBSCAN。（更多参见https://scikit-learn.org/stable/modules/clustering.html#clustering）
三者都是无监督的聚类算法，但是K均值聚类、凝聚聚类需要我们提供分类的最终类别个数，DBSCAN则不需要提供，但是可以通过调节参数来大概的控制最终的类别个数

特征数据保存

利用python的pickle库，将得到的序列信息保存到文件，我们将采用字典的形式，将每张人脸图片的特征张量和人脸图片路径对应，同时实现不同特征文件之间的结合，从而避免多次的人脸识别和编码过程

对原始图片的操作

程序运行的大量时间都在进行人脸识别（对于一张1024768的图片，若是彩色，则有1024769*3=2,359,296个数需要处理，同时卷积神经网络同时有多个卷积层池化层等等）。所以适当的降低图片分辨率将可以加快程序执行速度（最好是有GPU加持，速度将大大大提高）。所以我们可以考虑在适当范围内降低图片分辨率，来提高速度࿰