崔鹏，张汝波

(1.哈尔滨工程大学计算机科学与技术学院，黑龙江 哈尔滨150001;2.哈尔滨理工大学 计算机科学与技术学院，黑龙江哈尔滨150080)

主成分分析(principal component analysis，PCA)与线性判别分析(linear discriminant analysis， LDA)是基于子空间特征提取的2种重要方法，它们成功地用于人脸识别［1-4］.然而PCA与LDA作用于图像时，产生的向量空间通常有非常高的维数，使得PCA与LDA难于执行［5-8］.此外，由于PCA属于无监督学习，自动进行聚类，但其一旦偏离分类方向，会产生非常大的错误;LDA属于监督学习，需要人工对未标记数据进行大量的标注，需要耗费大量的人力和物力.半监督学习的训练样本由少量的有标记样本以及大量的无标记样本组成.在学习过程中，根据少量有标记样本选择初始的约束条件，进行聚类或分类［9-12］.离散余弦变换(discrete cosine transform，DCT)的一些特殊属性使它成为人脸识别的一种有效变换，它能够降低数据维数以避免奇异性，并减少PCA以及LDA的计算代价［13-16］.本文提出了一种约束聚类最优DCT(constrained clustering-based optimal discrete cosine transform，CCODCT)系数选择法，将每个DCT系数与判别系数(discriminant coefficient，DC)联系起来，通过选取较大DC值对应的DCT系数，得到最优DCT系数阵，实现数据降维.

1 CCODCT系数选择法人脸识别过程

本文提出的半监督CCODCT系数选择法的人脸识别的过程如下:

1)将图像数据库随机划分为训练集与测试集;

2)计算所有训练图像的DCT系数;

3)通过预掩模选择图像的DCT系数，选取中频有效信息;

4)根据有标记的训练样本种子集，计算初始聚类中心，采用半监督约束聚类对图像进行聚类;

5)根据获得的分类，计算判别系数，得到……