图1
ORL人脸数据库中的5幅
4利用PCA进行人脸识别
完整的PCA人脸识别的应用包括几个步骤：人脸图像预处理；读入人脸库，训练形成特征子空间；把训练图像和测试图像投影到上一步骤中得到的子空间上；选择一定的距离函数进行识别。本文采用matlab75作为工具平台实现了一个人脸自动识别的系统原型。实验在样本图库英国剑桥大学的ORLOlivettiResearchLaboratory人脸库上进行它为网上下载的国外标准人脸数据库。ORL库包含40个人每个人10副图像共计400幅人脸正面图像每幅图像大小为92×112图像是在不同时间光线轻微变化的条件下摄制的其中包括姿态、光照和表情的差别。其中部分如图1所示
f测试集。设归一化后的图像时
m维，按列相连就构成N
m维矢量，可视为N维空间中的一个点，可以空过KL变换用一个低维子空间描述这个图像。42计算通过KL变换的生成矩阵所有训练样本的协方差矩阵为（以下三个等价）；aC1
5结论与展望
人脸识别是目前较活跃的研究领域本文详细给出了基于主成分分析的人脸特征提取的原理与方法。并使用matlab作为工具平台实现了一个人脸自动识别的系统原型。实验结果表明该系统识别率为85达到预期的效果。如果想进一步提高
xx
k1k
T
M
T
k
MmxmxT
人脸识别率可以考虑与其他方法结合。仅单独使用任何一种现有的方法一般都不会取得很好的识别效果将其他人脸识别方法组合是今后研究的一种趋势。也可以
bC1AAM1cC1
xmxm
i1ixix
M
T
M
考虑改进分类决策的方法。本系统采用的最小距离分类法属于线性的分类器而利用神经网络这类学习能力更强的非线性分类器对高维人脸识别问题可能会有更好的解决。
参考文献：1邓楠基于主成份分析的人脸识别2006062龚勋PCA与人脸识别及其理论基础2007043田印中董志学黄建伟识别算法研究及实现2010034李华胜杨桦袁保宗人脸识别系统中的特征提取2001065温福喜刘宏伟基于2DPCA和2DLDA的人脸识别方法200708基于PCA的人脸
Aφ1φ2φmφiximx，其中mx是平均人脸，M是训练人脸数，协方差矩阵C1是一个NN的矩阵，N是xi的维数。为了方便计算特征值和特征向量，一般选用第二个公式。根据KL变换原理，我们所求的新坐标即由矩阵AA的非零特征值所对应的特征向量组成。直接求NN大小矩阵的C1的特征值和正交归一特征向量是很困难的，根据奇异值分解原理，可以通过求解AA的特征值和特征向量来获r