一种新的基于奇异值特征的人脸识别技术
（式
4 实验结果及 分析 本文实验采用标准的 ORL 人脸库、Yale 人脸库进行实验。在 ORL
人脸库中，有 400 幅分辨率为 92*112，具有不同表情、不同姿势、稍许倾斜(不超过 20
度)、稍许遮掩(眼镜)以及不同光照的人脸，具体为 40 个人，每人有 10 幅不同的人脸图
片。Yale 库中包含 165 张分别代表不同表情、遮掩和光照条件下的正面像，对应为 15 个
人，每人 11 幅，其分辨率为 320*243。 本实验对 ORL 人脸库和 Yale 人脸库，首先均
任选其中 4 幅图像进行训练，6 幅图像作为测试样本集。因此，在 ORL 人脸库上共有
160 幅训练样本，240 幅测试样本；在 Yale 库上有 60 幅训练样本及 90 幅测试样本。实
验反复进行 30 次，最终的识别率为 30 次结果的均值。 特征提取以后本实验采用最小
距离和最近邻分类器对提取的特征进行分类。最近邻分类器（NNC,Nearest NEighbour
Classifier）的分类规则就是将不同类的所有样本都作为代表点，通过与这些代表点的比较
来确定待识别样本的所属类别，也就是将测试样本分到空间距离最小的训练样本所属的类
别，在本实验中：若 ，δqp 是与 δtest 最近的第 q 类中的第 p 个样本，所以将 δtest 分为
第 q 类。 最小中值距离分类器（NCC,Nearest Centroid Classifier）的分类规则是对属于
同一类的训练样本投影后的特征向量进行求平均，即 ，然后 计算 δtest 与每一类投影特
征向量的平均值之间的距离： ， 为与测试样本 wq 最近的类别均值向量，所以将 δtest 分
为第 q 类。 本文的实验根据洪子泉[1][2]提出的奇异值特征与本文提出的投影变换的特
征向量进行比较，发现本文提出的特征提取 方法 要好于 文献 [1][2]提出的方法。具体的
实验识别率见表 和表 所示。括号中表示特征提取后向量的维数。表 ORL 人脸
库上的识别率 奇异值特征（92）本文提出的投影特征（92）
%%%% 表 Yale 人脸库上的识别率 奇异值特征（176
）本文提出的投影特征（176）%%%% 通过实验发现
，采用本文提出的投影特征向量的方法所获得的识别率要远远优于传统的基于奇异值特征
的方法，其原因可归结为：图像的奇异值特征是人脸图像在不同子空间上的表征，仅仅采
用奇异值特征进行识别的方法则完全损失了包含在两个正交矩阵中的更为重要的有用信息
；而本文提出的投影特征向量结合了奇异值分解后两个正交矩阵的信息，因此，与传统的
奇异值特征相比，它包含了更多的识别信息，因此可以获得更好的识别效果。5 小结
图像的奇异值特征作为一种代数特征，具有许多理想的性质，已经被广泛的用于人脸识
别 研究 当中。奇异值特征所包含的信息不足以进行有效的人脸识别，更多的有效的信息
包含在分解后的两个正交矩阵中。本章针对这个 问题 提出了一种基于投影变换的特征提
取方法，通过实验结果表明这种特征提取方法的有效性。 参考 文献 1 Hong Z Q.
Algebraic feature extraction of image recognition. Pattern recognition, 1991,24(3): 211-
2192 洪子泉, 杨静宇. 基于奇异值特征和统计模型的人脸识别算法. 计算机研究与 发展
,1994, 31(3): 60-65 3 程云鹏.矩阵论.第 2 版.西安：西北 工业 大学出版社，2003 4 王
蕴红, 谭铁牛, 朱勇. 基于奇异值分解和数据融合的脸像鉴别. 计算机学报, 2000,23(6):
649-6535 Tian Y, Tan T N, Wang Y H, Fang Y C. Do singular values contain adequate
information for recognition? Pattern Recognition, 2003, 36(3): 649-655
