研究目的
通过结合低秩张量分解提取的局部特征和极坐标离散快速傅里叶变换提取的全局特征,开发一种鲁棒的高光谱人脸识别方法,并构建集成分类器以提高识别精度。
研究成果
所提出的方法有效结合了高光谱人脸识别中的局部与全局特征,在准确率上达到了与现有方法相当的水平。该方法凸显了光谱信息与空间信息的互补性,但建议未来工作应增强判别性信息并改进集成技术。
研究不足
该研究受限于现有的公共高光谱人脸数据库规模较小、个体随时间变化的潜在差异,以及高数据维度带来的计算复杂性。局部集成分类器相比全局分类器未显示出显著优势,表明在图像块选择和集成方法上仍有改进空间。
1:实验设计与方法选择:
本研究采用一种新型集成分类器,结合张量分解的局部特征与PFFT的全局特征。通过Fisher比率进行图像块筛选,利用张量分解实现降维,并采用PFFT提取轮廓特征。
2:样本选择与数据来源:
使用香港理工大学高光谱人脸数据库(PolyU-HSFD),包含25名受试者、400-720nm波段的33个光谱通道,图像分辨率为220×180×33像素。
3:实验设备与材料清单:
配备CRI公司VariSpec液晶可调谐滤光片(LCTF)的高光谱相机及卤素灯光源系统。
4:实验流程与操作步骤:
对图像进行预处理后筛选图像块,通过张量分解提取局部特征,利用PFFT获取全局特征,并基于粒子群优化算法(PSO)构建集成分类器。
5:数据分析方法:
采用十折交叉验证计算识别率,并与PCA、SVM、CRC_RLS和PLS等方法进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容