随着视频监控软硬件和人脸抓拍技术的迅速发展,人脸数据在迅速增加。如何对人脸大数据进行聚类分析,提取出有价值的知识,是当前研究急需解决的一个问题。论文针对该问题展开,主要目标是通过深度学习理论提取人脸特征,并通过人脸相似度矩阵进行聚类,实现大数据的增量快速聚类。论文主要工作与成果如下:1.研究实现了人脸深度特征模型。针对近年来深度学习理论的广泛使用,论文采用卷积神经网络进行人脸特征值提取。该方法首先构造了包括多层卷积下采样层在内的8层卷积网络,利用卷积操作提取人脸的边缘特征,并通过下采样完成特征降维。最后通过实验分析验证深度人脸特征的类间可分性和类内聚类性。2.针对实际聚类过程中存在的动态数据以及大数据量的问题,提出结合密度峰和代表点分析的快速聚类算法。该算法需先通过联合贝叶斯算法计算每个人脸特征值之间的差异,然后使用结合密度峰和代表点分析的快速人脸聚类算法对这些特征值进行动态聚类。实验分析提出的聚类方法能够快速收敛。然后结合上一章的人脸深度特征提取算法,构造人脸相似度矩阵,实现人脸抓拍增量数据的动态聚类。3.开发实现了人脸识别分析管理系统。在上述算法基础上,针对药监行业开发实现人脸识别分析管理系统,能够对市内各个药店摄像头与社保卡刷卡记录进行管理,并通过人脸数据增量聚类发现异常人员。系统主要功能包括基础数据管理、照片特征值管理、数据查询和统计、设备异常监控和疑似人员报警等功能。