基于2DPCA和2DLDA的人脸识别方法摘要：提出了基于2D??PCA、2D??LDA两种特征采用融合分类器的人脸识别方法。首先提取人脸图像的2D??PCA和2DLDA特征，对不同特征在决策层对分类器进行融合。在ORL人脸库上的试验结果表明，分类器决策层融合方法在识别性能上优于2D??PCA和2D??LDA,更具有鲁棒性。??关键词：人脸识别;二维主分量分析；二维线性可分性分析；分类器融合：TP391.41文献标志码：A：1001－3695(2007)08－0201－030引言??近十年来，人脸识别的研究有了很大进展。与指纹、语言等其他人体生物特征相比，人脸识别更加直接、友好，在身份识别、时频检索、安全监控等方面有着广泛的应用，是当前模式识别与人工智能领域的一个研究热点[1]。如何根据人的视觉机制提取有效的特征在人脸识别中的作用至关重要。??人脸特征的提取方法主要有两大类：??a)基于几何特征的提取方法。提取人脸面部的特征点（如眼、鼻、嘴等）的相对位置和距离，由于这些几何特征容易受光照、表情、姿态等变化的影响，稳定性不好。??b)基于统计特征的提取方法。主分量分析（PCA）[2]和线性鉴别分析(LDA)[3]作为特征提取和数据描述的两个有力工具在人脸识别方面得到了广泛的应用。PCA和LDA用来处理人脸图像时，首先要将描述人脸图像的矩阵转换为高维向量，这将带来运算量庞大和矩阵奇异的问题。为解决这一问题，人们提出了直接基于2D人脸图像矩阵而无须矢量化的2D??PCA和2D??LDA方法，有效地解决了运算量和矩阵奇异的问题。??目前对特定背景下的2D人脸已能作出很好的识别，但在实际应用中，人脸在不同的光照、姿势和表情下变化很大。不同的特征提取方式对上述变化有一定的独立性和信息互补性。因此，不同分类器的融合有可能使识别精度得到改善。分类器的融合方式包括特征层和决策层两种[4~6]，比较简单的融合方法有加法和乘法，它们有不同的适用场合，本文是基于决策层的分类器求和(sumrule)融合。这种融合对于分类器采用的不同形式的特征问题是很合适的。??本文提出了基于2D??PCA和2D??LDA特征、分类器决策层融合的人脸识别算法、基于ORL人脸数据库，在最近邻和余弦角度两种分类器的情况下均得到了很好的识别性能。验证了特征和分类器的稳健性。??1人脸识别算法1．12D??PCA方法[7]2D??PCA用二维图像矩阵直接构建一个协方差矩阵，求出此协方差矩阵特征值和特征向量，并用对应于最大几个特征值对应的特征向量构建坐标系，然后将每个图像矩阵在这个坐标系上投影，从而得到图像的特征。这种特征受样本个数的影响较小。??3实验结果与分析??本文实验采用的是英国剑桥大学Olivetti研究所制作的ORL(Olivettiresearchlaboratory)人脸数据库。该数据库包括40个不同人，每人10幅图像，共400幅。每幅原始图像为256个灰度级，分辨率为112×92。ORL人脸图像是在不同时间、不同视角、各种表情（闭眼/睁眼、微笑/吃惊/生气/愤怒/高兴）和不同脸部细节（戴眼镜/没戴眼镜、有胡子/没胡子、不同发型）的条件下拍摄的。数据库中部分人脸图像如图1所示。??实验中每类人脸图像的前几幅作为训练，余下的用来识别。2D??PCA和2D??LDA方法分别采用传统的最近邻分类器和余弦角度分类器进行分类，本文用的是sum融合后的两种不同分类器。图2和3为训练样本个数为8，特征向量维数不同时，不同识别方法时的识别率，其中图2采用的是最近邻分类器，图3用的是cosine分类器。从图中可以看出，在低特征维数条件下，2D??PCA和2D??LDA方法因利用了人脸图像的空间结构信息，取得了较好的识别率，是两种有效的特征提取方法，本文提出的sum融合方法，利用不同特征间的互补信息，提高了识别性能。??图4和5是特征维数为3，训练样本个数不同时，不同方法识别性能的比较。其中图4用的是最近邻分类器，图5是cosine分类器在小训练样本情况下，sum融合方法与2D??PCA和2D??LDA两种方法中最好的识别性能相当，不同特征间互补信息量随着训练样本的增加而增加，本文方法的识别性能提高越来越明显。??因不同训练样本能提供的类别信息不同，2D??PCA和2D??LDA方法的识别性能随训练样本个数的变化而变化，表现出一定的不稳定性，而sum融合方法则得到了稳健的识别性能。??表1...