人臉識(shí)別是一種重要的生物特征識(shí)別技術(shù)，在公共安全、信息安全、金融等領(lǐng)域具有廣闊的應(yīng)用前景[1]。近年來隨著檢測(cè)技術(shù)、信號(hào)處理技術(shù)和模式識(shí)別技術(shù)的長足發(fā)展，國內(nèi)外學(xué)者對(duì)人臉識(shí)別技術(shù)進(jìn)行了更加深入的研究[2]。國外學(xué)者DABBAGHCHIANA S采用離散余弦變換DCT(Discrete Cosine Transform)對(duì)ORL人臉庫的圖像進(jìn)行特征提取，用鑒別能力分析DPA(Discrimination Power Analysis)對(duì)其進(jìn)行識(shí)別[3]；國內(nèi)李勇周等人采用核嶺回歸的鄰域保持最大間隔分析法,在標(biāo)準(zhǔn)人臉庫中進(jìn)行實(shí)驗(yàn)，取得很好的識(shí)別性能[4]；甘俊英采用非線性Radon變換對(duì)ORL人臉庫中圖像進(jìn)行特征提取與識(shí)別,識(shí)別率為90.5%[5]。在眾多已有的人臉識(shí)別方法中,主成分分析PCA(Principal Component Analysis)和線性判別分析LDA(Linear Discriminant Analysis)具有運(yùn)算少、描述能力強(qiáng)和可分性好等特點(diǎn)[6]。PCA是一種線性數(shù)據(jù)降維算法， 但不能取出數(shù)據(jù)中非線性的結(jié)構(gòu)。針對(duì)人臉識(shí)別過程中數(shù)據(jù)非線性的特點(diǎn),采用核主元分析法KPCA(Kernel Principal Component Analysis)能夠很好地保留數(shù)據(jù)的非線性結(jié)構(gòu)，從而更好地保留原數(shù)據(jù)信息量[7-8]。線性判別分析法(LDA)是用于判斷樣本所屬類型的一種統(tǒng)計(jì)分析方法，廣泛應(yīng)用于不同領(lǐng)域。在人臉識(shí)別中，LDA分類器的準(zhǔn)確率優(yōu)于前面提到的那些復(fù)雜的判別方法，同時(shí)還具有易于實(shí)現(xiàn)和訓(xùn)練更迅速等優(yōu)點(diǎn)[9-10]。實(shí)驗(yàn)證明采用LDA分類器對(duì)ORL人臉數(shù)據(jù)庫進(jìn)行模式識(shí)別正確率高，達(dá)到91.7%以上，且魯棒性好。

1 核主元分析法在人臉識(shí)別中的應(yīng)用
    采用核主元分析(KPCA)來解決有監(jiān)督情況下的非線性數(shù)據(jù)的降維問題。KPCA的核心思想是采用非線性變換將輸入數(shù)據(jù)空間映射到高維空間，使非線性問題轉(zhuǎn)換為

    當(dāng)多項(xiàng)式核指數(shù)參數(shù)為0.7時(shí)，識(shí)別率最高達(dá)到91.7%。表1所示為K近鄰、PCA+LDA和KPCA+改進(jìn)LDA 三種識(shí)別方法對(duì)ORL人臉庫進(jìn)行實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果。

    從表1可得,使用KPCA+改進(jìn)LDA方法的人臉識(shí)別率達(dá)91.7%，特征維數(shù)為14維。與K近鄰法和PCA+LDA法相比KPCA+改進(jìn)LDA方法不僅識(shí)別率更高，且更能有效地提取ORL人臉庫中圖像數(shù)據(jù)特征。
    針對(duì)人臉識(shí)別過程中樣本數(shù)據(jù)的非線性、高維數(shù)和小樣本等特點(diǎn)，提出了一種KPCA和改進(jìn)LDA相結(jié)合的人臉識(shí)別新方法。由實(shí)驗(yàn)可得，應(yīng)用KPCA不僅能夠很好地對(duì)ORL人臉數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行降維，降低數(shù)據(jù)間的冗余度，而且能夠抽取數(shù)據(jù)中的非線性結(jié)構(gòu)，有效地保留非線性數(shù)據(jù)。應(yīng)用LDA改進(jìn)算法對(duì)降維后的數(shù)據(jù)進(jìn)行分類識(shí)別，識(shí)別率達(dá)91.7%，與K近鄰和PCA相比，該算法識(shí)別率較高，而且算法簡(jiǎn)單，運(yùn)算量小，魯棒性好。
參考文獻(xiàn)
[1] RAHMAN S, NAIM S M, FAROOQ A, el al． Curvelet  texture based face recognition using principal component  analysis[C]．Proceedings of 13th International Conference on  Computer and Information Technology (ICCIT 2011),Dhaka,Bangladesh, 2010．
[2] MANDAL T, JONATHAN Q M, Wu Yuanyuan． Curvelet based face recognition via dimension reduction[J]． Signal  Processing(S0165-1684), 2009,89(12):2345-2353．
[3] DABBAGHCHIANA S, GHAEMMAGHAMI M P, GHAGO-LZADEH A． Feature extraction using discrete cosine transform and discrimination power analysis with a face recognition technology[J]．Pattern Recognition,2010(2):1431－1440．
[4] 李勇周,羅大庸,劉少強(qiáng).核嶺回歸的鄰域保持最大間隔分析的人臉識(shí)別[J].模式識(shí)別與人工智能,2010,23(1):23-28.
[5] 鄒修國, 李林, 陸靜霞. 基于DSP的人臉Hu矩識(shí)別研究[J]. 電子技術(shù)應(yīng)用,2012,38(11):150-152.
[6] 張寶峰,趙靜,朱均超.一種基于膚色的快速人臉檢測(cè)算法[J].微型機(jī)與應(yīng)用,2013,32(12):38-41.
[7] 伊力哈木·亞爾買買提.基于改進(jìn)型PCA和LDA融合算法的人臉圖像識(shí)別[J].計(jì)算機(jī)仿真,2013,30(1):415-418.
[8] 劉昶,周激流,郎方年,等.基于加權(quán)判別局部多線性嵌入的人臉識(shí)別[J]. 儀器儀表學(xué)報(bào), 2011,32(10):2248-2255.
[9] 鄒建法,王國胤,龔 勛.基于增強(qiáng)Gabor特征和直接分步線性判別分析的人臉識(shí)別術(shù)[J].模式識(shí)別與人工智能,2010,23(04):477-482.
[10]    田玉敏, 云艷娥, 馬天駿. 判別近鄰保持嵌入人臉識(shí)別[J].西安電子科技大學(xué)學(xué)報(bào),2011,38(3):24-28.