刘 嵩

(湖北民族学院 信息工程学院，湖北 恩施 445000)

人脸识别是模式识别研究领域的重要分支，其中决定人脸识别率的一个关键因素就是特征提取[1].主成分分析(principal component analysis,PCA)是线性特征抽取的最为重要的技术之一，最早被Turk M 和Pentland 用于人脸识别的研究，提出了著名的“特征脸”[2-3](Eigenfaces).特征脸的主要思想是在原始人脸空间中通过PCA求得一组相互正交的向量,即特征脸，构成人脸特征空间,进行人脸识别.

特征脸的方法取得了一定的效果,但是该方法为了达到降维的目的,只选取了特征值较大的部分特征脸进行人脸识别,选取的这一部分特征对应着人脸图像的低频成分,而被忽略的特征脸对应人脸图像的高频成分,它们可能对人脸识别有着重大的影响[4]. 为了进一步提高人脸识别率,特征融合是一个非常有效的改善手段,研究人员进行了大量的研究工作.本文针对特征脸方法的上述特点,提出了一种融合特征脸和二阶特征脸的人脸识别方法. 所谓的二阶特征脸,就是人脸图像的余像的特征脸，而余像则是指原始人脸图像与基于特征脸的主成分重构的人脸图像的差[5-6].二阶特征脸代表人脸图像的高频部分,体现了人脸细节.特征脸和二阶特征脸具有互补性,实验证明融合两种特征脸的方法优于传统的特征脸方法.

1 特征脸及二阶特征脸方法

1.1 特征脸方法

特征脸方法首先图像矩阵转化为图像向量，然后以该图像向量作为原始特征进行主成分……