林克正,邓 旭，张玉伦

(哈尔滨理工大学 计算机科学与技术学院,哈尔滨 150080)

1 引 言

面部识别在生物特征识别技术中占有重要的位置，同时，在实际应用中面部识别技术广泛地应用于交通安全、快捷支付和智能管理等领域内[1,2].然而，面部识别技术仍存在诸多挑战，如：不同光照、不同角度、变化表情和有无遮挡等.因此，如何更好的提取面部图像特征来表示图像成为研究人员研究的热点.

Liu等人提出了基于几何特征图像识别方法[3]，该方法提取面部关键器官的位置信息进行识别，如人的眼睛、鼻子等.Gross等人提出基于表象(Appearance-based)的人脸识别方法[4]，该方法将面部图像看作一个整体并利用面部的全部信息进行面部识别.主成分分析(Principal Component Analysis,PCA)是基于表象的面部识别方法之一[5]，PCA也称为K-L变换，它的主要思想是将面部图像矩阵转换为一维向量.然而，PCA方法可能导致面部图像部分关键特性丢失，并且算法复杂度较高.因此Yang等人提出了二维主成分分析方法(Two-Dimensional Principal Component Analysis,2DPCA)[6].2DPCA方法不需要将图像矩阵转换为一维向量，该方法具有计算简便的显著特点，其计算代价远小于PCA方法.由于，通过2DPCA方法构建协方差矩阵提取的单一特征不能对所得图像都有较好的鲁棒性.因此，本文将通过二维线性鉴别分析方法提取两类特征，将在第2.1部分详细介绍.

此外，近年来提出的稀疏表示(Sparse Representation)方法[7]对于面部识别非常有效.该方法实现的主要思想是假设给定一个测试样本可以由所有类的全体训练样本线……