[发明专利]一种基于波段选择和特征融合的高光谱人脸识别方法

权利要求书

1.一种基于波段选择和特征融合的高光谱人脸识别方法，其特征在于，步骤如下：

步骤1：计算高光谱人脸图像波段间的不相关性矩阵D_KL；

对于有λ个波段的高光谱人脸图像根据KL散度计算每幅高光谱人脸图像各波段间的不相关性矩阵D_KL为：

其中：X_i和X_j分别代表第i和第j个波段的图像信息，每幅图像X_i的大小为m×n，x为第i个波段图像X_i的一个像素点，p_i(x)为第i个波段图像X_i上的像素点x的概率密度函数，p_j(x)为第j个波段图像X_j上的像素点x的概率密度函数；

步骤2：对高光谱人脸图像各波段进行聚类；

使用分层聚类方法将高光谱人脸图像的λ个波段聚类成K个簇1≤K≤λ；具体步骤如下：

2.1高光谱人脸图像的每个波段都为一个单独的簇，有K个簇K＝λ；

2.2将不相关矩阵D_KL中距离最小的位置所对应的那两个簇C_r和C_s合并得到一个新簇(C_r,C_s)；

则新簇(C_r,C_s)和任何其他簇C_k之间的距离为：

D[(C_k),(C_r,C_s)]＝α·D_KL(C_k,C_r)+β·D_KL(C_k,C_s)+γ·D_KL(C_r,C_s)+δ·|D_KL(C_k,C_r)-D_KL(C_k,C_s)| (2)

其中α，β，γ和δ是合并系数，

其中，n_r为第r个簇中的波段个数；n_s为第s个簇中的波段个数；n_k为第k个簇中的波段个数；D_KL(C_k,C_s)是簇C_k和C_s之间的距离值；D_KL(C_k,C_r)是簇C_k和C_r之间的距离值；D_KL(C_r,C_s)是簇C_r和C_s之间的距离值；

2.3根据公式(2)更新不相关矩阵D_KL，删除已合并的两个簇C_r和C_s所在的行和列，新生成的簇(C_r,C_s)加入一个新的行和列；

一直进行2.3步的迭代，直到将高光谱人脸图像的λ个波段聚类成K个簇1≤K≤λ；

步骤3：选择聚类代表；

3.1根据步骤2聚类得到的K个簇1≤K≤λ，选择每个簇C_i内的信息量最大的波段图像H_i作为簇C_i的代表波段；

3.2对K个簇分别进行代表波段选择，得到代表波段的集合Η＝{Η_i}＝{Η₁,Η₂,…,Η_K}，1≤i≤K；

步骤4：提取代表波段的HOG和Gabor融合特征；

4.1HOG特征的提取

4.1.1：对波段图像H_i(x,y)进行灰度化操作，采用gamma校正法来调节图像的对比度，H_i(x,y)＝H_i(x,y)^gamma；

4.1.2：将调节对比度后的波段图像H_i(x,y)划分成大小为k×k的小块，每个小块内包含相邻的偶数个单元，每个单元内包含若干个像素；块与块之间以重叠两个单元的方式滑动；

4.1.3：计算每个像素的梯度来获取边缘和纹理信息，得到像素点(x,y)处的梯度幅值和梯度方向

其中，G_x(x,y)，G_y(x,y)，f(x,y)分别表示波段图像H_i(x,y)在像素点(x,y)处水平方向梯度，垂直方向梯度和像素值；

4.1.4：将小块内的每个单元的梯度直方图连接成一个直方图，表示该块的HOG特征；

4.1.5：将每一小块的HOG特征顺序级联得到整幅波段图像H_i(x,y)的HOG特征Ο₁；

4.2 Gabor特征的提取

对每个选定波段图像H_i的人脸图像分别进行Gabor特征提取，波段图像H_i(x,y)经过Gabor滤波后输出为：

Ο₂＝|H_i(x,y)*g(μ,υ,σ)| (6)

其中，g(μ,υ,σ)为采用的Gabor滤波器；

4.3特征融合

对选定的波段图像H_i(x,y)提取HOG特征Ο₁，Gabor特征Ο₂；对于Ο1存在一个变换矩阵U₁，降维后得到Ο′₁，对于Ο₂存在一个变换矩阵U₂，降维后得到Ο′₂，

将Ο′₁和Ο′₂进行级联产生新的融合特征：Ο＝[Ο′₁ Ο′₂]；

步骤5：用多数投票法进行分类；

选择K个最近邻分类器KNN对高光谱人脸图像中选定的K个波段图像Η＝{Η_i}＝{Η₁,Η₂,…,Η_K}分别进行分类，形成一个单输入多输出的系统，投票判断高光谱人脸图像X的类别。

2.如权利要求1所述的高光谱人脸识别方法，其特征在于，所述的步骤3.1代表波段选择具体步骤如下：

簇内的波段图像X_p的权重为：

其中：X_p,X_q∈C_i，1≤p,q≤R，R为簇C_i内波段的数目，ε为避免奇异值的正值，D(X_p,X_q)是返回的波段p和q之间的距离值；

计算簇的R个波段对应的R个权重值W＝{W₁,W₂,…,W_R}，选择权重值最大的波段图像H_i作为簇C_i的代表波段。