The present disclosure provides a small sample hyperspectral face recognition method and system. Among them, the small sample hyperspectral face recognition method includes the following steps: building a hyperspectral face recognition model: the hyperspectral face recognition model consists of a parallel connected local classifier and a k nearest neighbor classifier; the local classifier consists of several parallel connected naive Bayes classifiers; the hyperspectral face recognition model training and optimization steps, the process of which is: acquiring hyperspectral people Face image is taken as sample and face category is marked; hyperspectral face image sample is divided into candidate local areas equal to the number of naive Bayes classifier, local features of each candidate local area are extracted and input to the corresponding naive Bayes classifier for training; low frequency components of spectral Fourier transform in hyperspectral image sample are taken as global features, and K-MAX is trained Neighbor classifier; hyperspectral face recognition model optimized by training; test output hyperspectral face classification steps.
【技术实现步骤摘要】
一种小样本高光谱人脸识别方法及系统
本公开属于人脸识别领域,尤其涉及一种小样本高光谱人脸识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息,不必然构成在先技术。目前,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)识别过程仍然存在一些挑战。专利技术人发现,自动处理和识别人脸的过程中出现以下问题:(a)照明水平和性质的变化;(b)随着照度水平的降低,信噪比迅速上升;(c)处理在无约束条件下获得的图像,包括夜间和远距离等;(d)大量样本难以获得;上述问题可能导致人脸识别计算速度差且识别准确率低。
技术实现思路
为了解决上述问题,本公开的第一个方面提供一种小样本高光谱人脸识别方法,具有方便实时,计算速度快,识别准确率高等优点。为了实现上述目的,本公开采用如下技术方案:一种小样本高光谱人脸识别方法,包括:构建高光谱人脸识别模型步骤:所述高光谱人脸识别模型由并联连接的局部分类器和K最近邻分类器构成;局部分类器由若干个并联连接的朴素贝叶斯分类器构成;高光谱人脸识别模型训练及优化步骤,其过程为:获取高光谱人脸图像作为样本并标注人脸类别;将高光谱人脸图像样本划分成与朴素贝叶斯分类器数量相等的候选局部区域,提取各个候选局部区域的局部特征,并输入至相应朴素贝叶斯 ...
【技术保护点】
1.一种小样本高光谱人脸识别方法,其特征在于,包括:/n构建高光谱人脸识别模型步骤:所述高光谱人脸识别模型由并联连接的局部分类器和K最近邻分类器构成;局部分类器由若干个并联连接的朴素贝叶斯分类器构成;/n高光谱人脸识别模型训练及优化步骤,其过程为:/n获取高光谱人脸图像作为样本并标注人脸类别;/n将高光谱人脸图像样本划分成与朴素贝叶斯分类器数量相等的候选局部区域,提取各个候选局部区域的局部特征,并输入至相应朴素贝叶斯分类器进行训练;/n提取高光谱图像样本中光谱傅里叶变换的低频分量作为全局特征,训练K最近邻分类器;利用粒子群优化算法分别优化局部分类器和高光谱人脸识别模型,得到优化训练完成的高光谱人脸识别模型;/n测试输出高光谱人脸类别步骤:提取待测试高光谱人脸图像的局部特征和全局特征输入至优化训练完成的高光谱人脸识别模型中,输出高光谱人脸类别。/n
【技术特征摘要】
1.一种小样本高光谱人脸识别方法,其特征在于,包括:
构建高光谱人脸识别模型步骤:所述高光谱人脸识别模型由并联连接的局部分类器和K最近邻分类器构成;局部分类器由若干个并联连接的朴素贝叶斯分类器构成;
高光谱人脸识别模型训练及优化步骤,其过程为:
获取高光谱人脸图像作为样本并标注人脸类别;
将高光谱人脸图像样本划分成与朴素贝叶斯分类器数量相等的候选局部区域,提取各个候选局部区域的局部特征,并输入至相应朴素贝叶斯分类器进行训练;
提取高光谱图像样本中光谱傅里叶变换的低频分量作为全局特征,训练K最近邻分类器;利用粒子群优化算法分别优化局部分类器和高光谱人脸识别模型,得到优化训练完成的高光谱人脸识别模型;
测试输出高光谱人脸类别步骤:提取待测试高光谱人脸图像的局部特征和全局特征输入至优化训练完成的高光谱人脸识别模型中,输出高光谱人脸类别。
2.如权利要求1所述的一种小样本高光谱人脸识别方法,其特征在于,提取候选局部区域的局部特征的过程为:
将候选局部区域采用四阶张量表示,张量的四个维度分别为类别维度、两个空间维度和一个光谱维度;
在约束条件下分解张量,得到正交因子和核心系数张量特征,进而生成具有标签信息的辨别特征作为局部特征。
3.如权利要求2所述的一种小样本高光谱人脸识别方法,其特征在于,所述约束条件包括正交性和稀疏性约束条件。
4.如权利要求1所述的一种小样本高光谱人脸识别方法,其特征在于,在高光谱人脸识别模型训练及优化步骤中,还包括:
利用Fisher比率评价不同局部区域的类别分离性能。
5.一种小样本高光谱人脸识别系统,其特征在于,包括:
构建高光谱人脸识别模型模块,其用于:所述高光谱人脸识别模型由并联连接的局部分类器和K最近邻分类器构成;局部分类器由若干个并联连接的朴素贝叶斯分类...
【专利技术属性】
技术研发人员:赵曰峰,吴蒙蒙,刘永雷,李秀秀,魏小琴,蔡阳健,
申请(专利权)人:山东师范大学,
类型:发明
国别省市:山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。