發(fā)布時間：2021-11-02 21:26

　　人臉作為一種生物特征信息已經廣泛的應用到個人身份驗證、視頻監(jiān)控、人機交互等方面,和其他生物特征信息如虹膜、指紋等相比,人臉具有非接觸性、遠距離就可實現目的的特征。但是受非限制性條件的影響（比如姿態(tài)、表情、燈光、遮擋）,人臉識別過程仍然存在一些挑戰(zhàn)。高光譜采集系統(tǒng)的發(fā)展給非限制性條件下的人臉識別帶來了新的機遇,高光譜圖像在獲得空間圖像信息之外也額外獲得了光譜信息,并且首次實現了光譜信息與圖像的真正結合。人臉識別鄰域快速的發(fā)展,膚色分割、人臉特征提取、分類器等重要技術,直接關乎整個人臉識別系統(tǒng)的效果,受到了研究者的重視。本文充分挖掘了小樣本下高光譜人臉的光譜信息,并將其與空間信息進行融合,最終提高了識別準確率。主要工作包括兩個方面:膚色分割和特征提取。論文提出了一種基于K-means聚類和最小生成森林的分類算法的高光譜人臉圖像膚色分割的新型集成方法,該算法從不同角度充分利用了光譜和空間特征。具體過程:Kmeans算法利用單波段圖像上的空間信息完成聚類,利用上下文領域信息重定義單波段聚類結果,并將不同波段的聚類結果對比生成帶有標簽信息的鄰域像素塊。然后,采用最小生成森林算法根據光譜信息的相似... 

【文章來源】：山東師范大學山東省

【文章頁數】：64 頁

【學位級別】：碩士

【部分圖文】：

(a)使用生物識別MRTD進行護照檢查的情景(b)基于MRTD的各種生物特征的比較

圖 1-2 同一個受試者的姿勢、照明、表情、遮擋和亮度的變化為了解決上面的問題有研究轉向使用光譜成像技術，它能夠通過將光譜分成多個波段來收集特定波長的各種光譜信息，也就是說挖掘除了結構、紋理信息等空間信息之外的隱藏的信息。由于成像傳感器和光學器件的進步和紅外熱像儀的成本大幅下降，光譜成像領域的人臉識別取得了進展，尤其是計算機視覺技術在多波段圖像的預處理、建模和分析相關的技術取得了進展。但是，在成像光譜中設計和開發(fā)可靠的識別系統(tǒng)，對相關研究人員提出了巨大的挑戰(zhàn)。1.2 國內外研究現狀1.2.1 基于灰度、彩色圖像的人臉識別在開發(fā)人臉識別系統(tǒng)時兩個關鍵步驟不能忽視：特征表示和分類器設計[7]。特征表示的目的是從原始圖像提取一組特征，其最小化類內變化（同一類別間）并且最大化類間

山東師范大學碩士論文法如 Gabor、LBP[11]等局部人工設計的描述算子用來提取更有效的特征；以及為實臉檢測任務而設計的基于 AdaBoost 學習的級聯分類器架構[12]。除主成分分析（PCA）[19]和 Fisher 線性判別分析[13]外，已經開發(fā)了十幾種降維算法擇有效的子空間表示和區(qū)分人臉圖像[14]。人臉雖然通常由以高維數組編碼的數千個表示，但它們本質上可以表示在變化的低維子空間中。這些方法旨在使用訓練樣本低維特征空間，再將測試樣本圖像表示為低維線性特征空間的組合如圖 1-3。特征臉CA 方法從一組訓練圖像中生成一組較小的主成分數或特征面，作為臉部子空間的基即圖像由低維特征向量緊湊地表示，測試臉被重建為特征臉的線性組合。子空間建術在人臉識別任務中的使用極大地推動了人臉識別技術的發(fā)展。


本文編號：3472398