岳 也，王川龙

(太原师范学院 数学系，山西 晋中 030619))

0 引言

人脸识别在身份识别、经济领域等相关科学领域中是一个热门的话题[1，2].PCA方法是由Turk和Pentlad提出来的[3，4]，是以K-L(Karhunen-Loeve 的缩写)正交变化为基础，将数据从高维空间投影到低维空间，从而达到降维数据维数的目的[5].

李荣建等[6]提出改进PCA人脸识别算法，增大每幅图片的亮度和对比度，有效地减少光照对人脸识别的影响.徐肖亮等[7]利用矩阵范数对协方差矩阵进行约简，一定程度上降低了计算量.李康顺[8]等结合一种新的权值调整方法改进BP算法并进行图像分类识别.柳长源等[9]在进行人脸图像识别之前先利用小波分解和PCA 算法进行图像消噪预处理，传统的K-L 变换在图像的特征降维过程中存在运算量较大的问题.此外，更多的学者则是针对人脸识别过程中的图像数据降维及识别算法做了大量的研究，徐竟泽[10]等利用PCA消除图像特征间的相关性，用基于SVM 的LDA算法进行数据降维的人脸识别方法.廖周宇[11]等提出一种基于粒子群优化的支持向量机人脸识别方法，以上几种方法在人脸识别率方面都有不错的效果.

本文针对传统PCA算法在对协方差矩阵进行特征提取时计算量大且易受光照等因素影响的问题，提出一种改进的快速PCA 算法，选用ORL人脸图像数据库，利用BP神经网络进行训练与测试，并验证了该算法的有效性.

1 相关算法

本章主要介绍了PCA算法及BP神经网络算法.

1.1 PCA算法相关内容

主成分分析 (Principal Component Analysis，PCA)是一种常用……