[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

摘要

本发明属于人脸识别技术领域，具体涉及一种基于波段选择和特征融合的高光谱人脸识别方法，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为；步骤2：对高光谱人脸图像各波段进行聚类；步骤3：选择聚类代表；步骤4：提取代表波段的HOG和Gabor融合特征；步骤5：用多数投票法进行分类；本发明从波段选择和特征融合两个方面完成对高光谱人脸数据的降维和识别，在很大程度上解决了识别过程中存在的Hughes现象，提高了识别的鲁棒性，在CMU高光谱人脸数据集上有很好的识别精度。

主权项

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DKL；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：Xi和Xj分别代表第i和第j个波段的图像信息，每幅图像Xi的大小为m×n，x为第i个波段图像Xi的一个像素点，pi(x)为第i个波段图像Xi上的像素点x的概率密度函数，pj(x)为第j个波段图像Xj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DKL中距离最小的位置所对应的那两个簇Cr和Cs合并得到一个新簇(Cr,Cs)；则新簇(Cr,Cs)和任何其他簇Ck之间的距离为：D[(Ck),(Cr,Cs)]＝α·DKL(Ck,Cr)+β·DKL(Ck,Cs)+γ·DKL(Cr,Cs)+δ·|DKL(Ck,Cr)‑DKL(Ck,Cs)|                                   (2)其中α，β，γ和δ是合并系数，其中，nr为第r个簇中的波段个数；ns为第s个簇中的波段个数；nk为第k个簇中的波段个数；DKL(Ck,Cs)是簇Ck和Cs之间的距离值；DKL(Ck,Cr)是簇Ck和Cr之间的距离值；DKL(Cr,Cs)是簇Cr和Cs之间的距离值；2.3根据公式(2)更新不相关矩阵DKL，删除已合并的两个簇Cr和Cs所在的行和列，新生成的簇(Cr,Cs)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Hi(x,y)进行灰度化操作，采用gamma校正法来调节图像的对比度，Hi(x,y)＝Hi(x,y)gamma；4.1.2：将调节对比度后的波段图像Hi(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Hi(x,y)的HOG特征Ο1；4.2 Gabor特征的提取对每个选定波段图像Hi的人脸图像分别进行Gabor特征提取，波段图像Hi(x,y)经过Gabor滤波后输出为：Ο2＝|Hi(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。