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),人脸识别过程仍然存在一些挑战。高光谱采集系统的发展给非限制性条件下的人脸识别带来了新的机遇,高光谱图像在获得空间图像信息之外也额外获得了光谱信息,并且首次实现了光谱信息与图像的真正结合。人脸识别邻域快速的发展,肤色分割、人脸特征提取、分类器等重要技术,直接关乎整个人脸识别系统的效果,受到了研究者的重视。本文充分挖掘了小样本下高光谱人脸的光谱信息,并将其与空间信息进行融合,最终提高了识别准确率。主要工作包括两个方面:肤色分割和特征提取。论文提出了一种基于K-means聚类和最小生成森林的分类算法的高光谱人脸图像肤色分割的新型集成方法,该算法从不同角度充分利用了光谱和空间特征。具体过程:Kmeans算法利用单波段图像上的空间信息完成聚类,利用上下文领域信息重定义单波段聚类结果,并将不同波段的聚类结果对比生成带有标签信息的邻域像素块。然后,采用最小生成森林算法根据光谱信息的相似性对未带标签的像素块分类。最后,闭合人脸非皮肤区域可以用于进一步的局部特征分析。与逐个像素做分割任务的方法相比,本文利用邻域信息对基聚类结果重新定义,因为图像相邻区域的同质性相对较高,像素值的突变仅发生在面部器官的边缘,不仅该方法对分割影响相对较小,而且还能减轻计算复杂度来获得更准确的皮肤边界。论文在结合人脸的光谱信息和空间信息的基础上设计了两种特征提取算法,即基于分块的低秩张量分解的局部特征提取方法和基于快速Polar傅里叶变换的全局特征提取方法。传统的图像处理技术将图像视为向量或矩阵,并不能充分利用光谱信息,造成图像信息的损失。而张量是处理和分析高维数据的有力工具,它是对向量、矩阵数据的一个扩展。稀疏性和正交性约束条件施加于张量分解过程,把由人脸图像相同局部区域组成的四维张量信息分解为一个稀疏系数张量和三个字典矩阵,提取脸部的细节信息,并对非限制性条件的人脸识别有较好的鲁棒性。本文提取的全局特征是人脸的轮廓,就人脸图像来说,局部区域的细节信息的灰度值变化缓慢,相反全局的轮廓信息的灰度值变化剧烈。而傅里叶变换的频域信息表征图像中灰度变换剧烈的程度,所以本文选择傅里叶变换的低频信息表示人脸的全局轮廓特征。本文采用快速Polar傅里叶变换提取融合后的高光谱人脸图像的整体信息(即脸部轮廓信息),快速Polar傅里叶变换能快速组织理解旋转和缩放的图像,降低受外界因素的影响风险。融合后的二维高光谱图像与传统的灰度或彩色的图像相比,增加了除空间信息之外的光谱信息。最后,将局部特征分类器和全局特征分类器融合,以得到更鲁棒和准确的分类结果。