1、人臉識(shí)別的研究在近幾年得到了高度重視，已經(jīng)成為模式識(shí)別領(lǐng)域中最成功的應(yīng)用之一。目前，隨著社會(huì)的發(fā)展、科技的進(jìn)步，對(duì)使用方便、性能可靠的自動(dòng)人臉識(shí)別系統(tǒng)的實(shí)際需求日益迫切，人臉識(shí)別已受到了的計(jì)算機(jī)科學(xué)工作者的廣泛關(guān)注。近幾十年來(lái)已出現(xiàn)了大量的人臉識(shí)別相關(guān)算法，其中基于代數(shù)特征的人臉識(shí)別方法因其計(jì)算復(fù)雜度低而成為最受歡迎的方法之一。PCA(Principal Component Analysis,PCA)和LDA(Linear Discri

2、minant Analysis,LDA)是基于代數(shù)特征的兩個(gè)經(jīng)典方法，PCA主要側(cè)重于數(shù)據(jù)壓縮，不利于分類；而LDA適合于分類的，但是容易出現(xiàn)小樣本問(wèn)題，造成識(shí)別困難。因此本文主要針對(duì)這兩種基于代數(shù)特征的人臉識(shí)別方法進(jìn)行了較深入的研究。本文首先介紹了PCA，分析并改善了基于PCA的人臉識(shí)別方法。PCA方法是根據(jù)樣本點(diǎn)在多維模式空間的位置分布，將樣本點(diǎn)在空間中變化最大方向作為基向量來(lái)實(shí)現(xiàn)數(shù)據(jù)的特征提取與壓縮。但是無(wú)論是一維PCA還是二維P

3、CA，所生成的子空間雖然具有最佳表示特性，但并沒(méi)有考慮到類可分性問(wèn)題，目前還沒(méi)有證明主成分分析對(duì)樣本類別的區(qū)分有多大作用，對(duì)于主成分的選擇仍然存在爭(zhēng)議。因此本文采用了兩個(gè)解決方法，一種方法結(jié)合了Fisher判別準(zhǔn)則來(lái)選擇主成分，先將人臉圖像用PCA獲得特征向量，再利用Fisher準(zhǔn)則選取使類間距離與類內(nèi)距離比值較大的特征向量作為投影軸以取代通常的按特征值大小來(lái)選擇特征向量。既利用了PCA的去相關(guān)特性，又利用了Fisher準(zhǔn)則的分類優(yōu)點(diǎn)。

4、另一種方法利用遺傳算法選擇主成分，構(gòu)成最有利于分類的特征子空間。實(shí)驗(yàn)結(jié)果表明這兩種方法獲得的識(shí)別率比傳統(tǒng)的PCA獲得的識(shí)別率高。 本文還介紹和分析了基于LDA的人臉識(shí)別方法，在此基礎(chǔ)上提出了改進(jìn)。LDA的重心在于尋找最能區(qū)分不同類樣本的方向。LDA所選擇的特征向量要使類內(nèi)距離盡量小，類間距離盡量大。經(jīng)過(guò)線性判別分析，所獲得的新的特征將達(dá)到最高的區(qū)分度，但是該方法在人臉識(shí)別過(guò)程中常常會(huì)遇到小樣本問(wèn)題（Small Sample Si

5、ze，SSS）。本文介紹了目前常用的一些解決小樣本問(wèn)題的方法，如Fisher臉?lè)椒ǎ苯泳€性判別分析法，零空間法等，并實(shí)現(xiàn)了這些方法。通過(guò)分析比較這些方法的優(yōu)缺點(diǎn)，發(fā)現(xiàn)零空間法是一種克服小樣本問(wèn)題的有效方法，但是具有不穩(wěn)定性而容易導(dǎo)致錯(cuò)判。本文提出了一種基于改進(jìn)的零空間方法，該方法對(duì)零空間上的類間散度矩陣投影進(jìn)行奇異值分解，并對(duì)奇異值進(jìn)行尺度化處理，克服了零空間的這種缺點(diǎn)，降低了誤分性。利用該方法對(duì)ORL和Yale人臉庫(kù)進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)