基于分块-张量分解和快速Polar傅里叶变换的高光谱人脸识别

发布时间：2021-11-02 21:26

　　人脸作为一种生物特征信息已经广泛的应用到个人身份验证、视频监控、人机交互等方面,和其他生物特征信息如虹膜、指纹等相比,人脸具有非接触性、远距离就可实现目的的特征。但是受非限制性条件的影响（比如姿态、表情、灯光、遮挡）,人脸识别过程仍然存在一些挑战。高光谱采集系统的发展给非限制性条件下的人脸识别带来了新的机遇,高光谱图像在获得空间图像信息之外也额外获得了光谱信息,并且首次实现了光谱信息与图像的真正结合。人脸识别邻域快速的发展,肤色分割、人脸特征提取、分类器等重要技术,直接关乎整个人脸识别系统的效果,受到了研究者的重视。本文充分挖掘了小样本下高光谱人脸的光谱信息,并将其与空间信息进行融合,最终提高了识别准确率。主要工作包括两个方面:肤色分割和特征提取。论文提出了一种基于K-means聚类和最小生成森林的分类算法的高光谱人脸图像肤色分割的新型集成方法,该算法从不同角度充分利用了光谱和空间特征。具体过程:Kmeans算法利用单波段图像上的空间信息完成聚类,利用上下文领域信息重定义单波段聚类结果,并将不同波段的聚类结果对比生成带有标签信息的邻域像素块。然后,采用最小生成森林算法根据光谱信息的相似... 

【文章来源】：山东师范大学山东省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

(a)使用生物识别MRTD进行护照检查的情景(b)基于MRTD的各种生物特征的比较

图 1-2 同一个受试者的姿势、照明、表情、遮挡和亮度的变化为了解决上面的问题有研究转向使用光谱成像技术，它能够通过将光谱分成多个波段来收集特定波长的各种光谱信息，也就是说挖掘除了结构、纹理信息等空间信息之外的隐藏的信息。由于成像传感器和光学器件的进步和红外热像仪的成本大幅下降，光谱成像领域的人脸识别取得了进展，尤其是计算机视觉技术在多波段图像的预处理、建模和分析相关的技术取得了进展。但是，在成像光谱中设计和开发可靠的识别系统，对相关研究人员提出了巨大的挑战。1.2 国内外研究现状1.2.1 基于灰度、彩色图像的人脸识别在开发人脸识别系统时两个关键步骤不能忽视：特征表示和分类器设计[7]。特征表示的目的是从原始图像提取一组特征，其最小化类内变化（同一类别间）并且最大化类间

山东师范大学硕士论文法如 Gabor、LBP[11]等局部人工设计的描述算子用来提取更有效的特征；以及为实脸检测任务而设计的基于 AdaBoost 学习的级联分类器架构[12]。除主成分分析（PCA）[19]和 Fisher 线性判别分析[13]外，已经开发了十几种降维算法择有效的子空间表示和区分人脸图像[14]。人脸虽然通常由以高维数组编码的数千个表示，但它们本质上可以表示在变化的低维子空间中。这些方法旨在使用训练样本低维特征空间，再将测试样本图像表示为低维线性特征空间的组合如图 1-3。特征脸CA 方法从一组训练图像中生成一组较小的主成分数或特征面，作为脸部子空间的基即图像由低维特征向量紧凑地表示，测试脸被重建为特征脸的线性组合。子空间建术在人脸识别任务中的使用极大地推动了人脸识别技术的发展。


本文编号：3472398