吴 进, 李乔深, 赵 隽, 闵 育

(西安邮电大学 电子工程学院，陕西 西安 710121)

人脸识别是通过提取人脸视觉特征进行身份鉴别的一种计算机技术[1]。主要采用特征提取算法获取人脸图像的特征信息，将其送入分类器中进行分类识别，最后输出识别结果[2]。该技术已广泛应用在身份鉴别[3]、人机交互[4]、图像视频处理[5]等模式识别领域。

在人脸特征提取方面，常用的算法有主成分分析(principal component analysis，PCA)[6]和独立成分分析(independent component analysis，ICA)[7]。PCA在对样本进行特征提取的过程中，仅考虑样本的二阶统计信息，提取的特征并不能反映样本的高阶统计信息。利用ICA算法进行人脸特征提取时，也存在高维小样本的问题。针对这些不足，基于改进的PCA+ICA特征提取算法[8]，通过PCA算法对图像进行去二阶相关和降维处理,不但可以消除噪声,而且还可以减少计算量,再通过ICA算法获取人脸图像独立基分量。基于局部人脸图像的ICA方法[9]是直接将人脸分成若干个相等的图像作为训练样本，进行ICA特征提取。此算法更能反映局部的特征信息，并且有效减少了对样本量的需求。然而，上述方法中ICA特征提取算法仍然存在运算复杂、收敛速度慢等问题，导致计算量大且耗时。

在选择分类器方面，常用的神经网络分类器有反馈(back propagation，BP)神经网络[10]和径向基函数(radial basis function，RBF)神经网络[11]。BP神经网络分类器在函数逼近时采用负梯度下降法调节权值，这种权值调节方法存在收敛速度慢和局部极小值的缺陷。RBF神经网络无论在逼近能力、分类能力和学习速度上都要优于BP神经网络。……