一种小样本高光谱人脸识别方法及系统技术方案

本公开提供了小样本高光谱人脸识别方法及系统。其中，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：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；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。

A small sample hyperspectral face recognition method and system

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。本公开的第二个方面提供一种小样本高光谱人脸识别系统。一种小样本高光谱人脸识别系统，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器构成；高光谱人脸识别模型训练及优化模块，其用于：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模块，其用于：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。本公开的第三个方面提供一种计算机可读存储介质。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述的小样本高光谱人脸识别方法中的步骤。本公开的第四个方面提供一种计算机设备。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述的小样本高光谱人脸识别方法中的步骤。本公开的有益效果是：本公开构建的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；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；无需收集大量样本、及不受用户行为的干扰，具有准确性高、计算速度快、且识别灵活鲁棒的优点。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1是本公开实施例提供的一种小样本高光谱人脸识别方法流程图。图2是本公开实施例提供的高光谱人脸识别模型训练及优化的过程图。图3是本公开实施例提供的一种小样本高光谱人脸识别系统结构示意图。具体实施方式下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例1图1是本公开实施例提供的一种小样本高光谱人脸识别方法流程图。如图1所示，本实施例的一种小样本高光谱人脸识别方法，包括：S101：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。朴素贝叶斯分类：将贝叶斯定理公式简单化，即在解决问题时引入了几个假设，使得模型简单易理解。对于要分类的样本，在此待分类样本出现的前提下计算各个类别出现的概率，并且具有概率最大的那个类别，即为此待分类样本的类别。表示为：其中，x表示样本，yi表示样本类别，a表示样本取值；P(x|yi)表示样本x属于样本类别yi的概率；P(yi)表示样本类别yi的概率；P(aj|yi)表示样本取值为aj属于样本类别yi的概率。不同的局部区域携带了互补的分类信息，局部分类器集成将这些局部分类器集成在一起会提升分类的性能。K最近邻分类可以简单地通过将其与训练集中的最相似记录进行比较来找到新的未分类样本的类别。它的思路是：当测试样本与训练样本特征空间中的k个样本最相似(即特征空间中最邻近)时，若大多数k个样本属于同一个类别，则该测试样本也属于这个类别，在KNN算法中所选择的邻近样本都是已经正确分类的对象。粒子群优化(ParticleSwarmOptimization,PSO)是一种基于种群的随机优化技术，它模拟了鱼群或鸟群的社会行为。PSO中的每个个体都不会使用进化算子来操纵个体，而是像其他进化计算算法一样，在搜索空间中变化进化速度，其速度可以根据自己独特的表现进行动态调整。在粒子群优化算法中，系统初始化为包含潜在解决方案(称为粒子)的随机总体，并在问题空间中搜索最优解，同时更新生成最优粒子。粒子的初始最佳位本文档来自技高网...

【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