1、人臉識別是當(dāng)前模式識別和圖像處理領(lǐng)域的研究熱點，屬于生物鑒別技術(shù)（Biometrics）的一部分。人臉識別～般分為人臉檢測、特征抽取和模式分類三個部分。人臉識別中常遇到的問題是樣本維數(shù)高、類別數(shù)大以及每人只能提供少量的訓(xùn)練樣本。針對這些問題該文進(jìn)行了研究。 在訓(xùn)練樣本較小時，向量形式的人臉識別是高維小樣本問題，可以用奇異值分解定理減少計算量?？墒怯捎谌藬?shù)眾多，人臉識別并不是小樣本問題。在類別較大的情況下如何有效地抽取特征是人臉識

2、別的首要問題。二維投影利用表示圖像的矩陣直接抽取特征，計算量主要與圖像的大小有關(guān)，能適用于大類別的人臉識別。針對二維投影抽取出的特征是矩陣，存在特征之間的冗余度大、特征數(shù)量多、不利于存儲和分類等弱點，該文通過兩種辦法進(jìn)一步降低二維投影抽取出的特征數(shù)量。一是利用兩次二維投影進(jìn)行雙向壓縮，在橫向壓縮后，對矩陣轉(zhuǎn)置后在縱向再壓縮一次；另一種是對二維投影后的樣本再作一次向量形式的特征抽取。還提出了一種基于類間散布矩陣的二維主分量分析方法，利用了

3、已知的類別信息，比用總體散布矩陣效果更好。 人臉識別所有算法的識別率一般都與每個人的訓(xùn)練樣本數(shù)正相關(guān)。但在實際應(yīng)用中，要求每人提供多幅圖像并不合理，常常每人只提供了一個訓(xùn)練樣本。該文通過對稱、平移、尺度和旋轉(zhuǎn)等變換增加虛擬圖像提高了識別率。通過對人臉圖像的左右兩邊施行不同的尺度變換，由正面人臉圖像可以生成出人臉旋轉(zhuǎn)一定角度的近似圖像，作為增加的訓(xùn)練樣本。在增加虛擬樣本后，解決了類內(nèi)散布矩陣為零的問題，使得基于Fisher準(zhǔn)則的各

4、種方法對單訓(xùn)練樣本的人臉識別也可以使用。在FERET人臉庫和ORL人臉庫上的實驗表明，通過增加虛擬圖像對提高識別率作用顯著。 人臉識別中類別數(shù)特別多，要想用一種特征一次性把所有類別都分開是不現(xiàn)實的。該文提出了一種樹型結(jié)構(gòu)的多級分類的方法。使用快速的二維投影方法，在大范圍內(nèi)找出每一個待識樣本的若干候選類別，再分別對待識樣本在其相應(yīng)的候選類別內(nèi)進(jìn)行特征抽取和識別，減小了匹配范圍提高了識別率。在FERET、人臉庫上的實驗表明，經(jīng)篩選后

5、在候選類別中識別的正確率有12％以上的提高。該文提出了用均值和方差對圖像進(jìn)行光照標(biāo)準(zhǔn)化的方法。 不同方法抽取的特征反映了模式對象在不同標(biāo)準(zhǔn)下的樣本的本質(zhì)和分類能力。在一種特征空間很難區(qū)分出來的樣本，可能在另一特征空間里可以很容易地分開。因此，將不同方法抽取的特征有機(jī)地結(jié)合在一起，就可能得到更好的分類性能。經(jīng) 研究發(fā)現(xiàn)，用一維投影方法與二維投影方法抽取的人臉特征之間存在互補(bǔ)性。該文用復(fù)向量并行地將兩組特征融合在一起進(jìn)行人臉