李冠楠 ，李 强

(顺德职业技术学院电子与信息工程系，广东 顺德528300)

人脸识别中常用的PCA(Principle Component Analysis，主成分分析方法)方法，是一种被广泛应用的标准人脸识别方法。该方法是利用K－L 变换抽取人脸主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸进行比较进行识别。但是传统的PCA 人脸识别技术还远未达到实用的程度，准确率为30% ～70%左右，这其中一个重要的原因是PCA 算法对人脸的大小、角度、光照等因素比较敏感［1］。

近年来对于人脸识别较好的Adaboost 是一种具有自适应的Boosting 算法［2］，它通过建立多学习机组合使得弱学习机的性能得到提升，由于具有对学习机性能的自适应和对学习现象的免疫性，受到广泛关注。而且基于Haar－like 特征的Adaboost 对象检测算法已经比较成熟，人脸检测的准确率可达到90% ～95%。本文提出了利用Adaboost 算法提取人脸核心特征，包括左眼、右眼、鼻子和嘴巴，然后根据人脸核心特征识别人脸，可以有效克服人脸识别中的大小、角度、光照等不利因素，显著提高了人脸识别率，并成功应用到了智能相片搜索系统中。

1 PCA 和Adaboost 的人脸识别方法

1.1 PCA 算法

PCA 方法，也叫做特征脸方法，是一种基于整幅人脸图像的识别算法，被广泛应用于降维，在人脸识别领域也表现突出。对于一副M×N 的人脸图像，将其每列相连构成一个大小为D=M×N 维的列向量。D 是人脸图像的维数，也是图像空间的维数。设n 是训练样本的数目，Xj表示第j 幅人脸图像形成的人脸向量，则所需样本的协方差矩阵为: