基于PCA算法的人臉識別研究

為了區(qū)分人臉和非人臉，還需計算原始圖像R與其由特征空間重建的圖像Rf之間的距離ε：

采用最小距離法對人臉進行分類，分類規(guī)則如下：
(1)若ε≥θc，則輸入圖像不是人臉圖像；
(2)若則輸入圖像包含未知人臉；
(3)若則輸入圖像為庫中第k個人的人臉。

4 實驗結(jié)果
實驗在兩個圖庫上測試，首先是一個ORL人臉庫，該庫包含40個不同人物，每人有l(wèi)O張圖片，共400幅。用訓(xùn)練樣本進行測試，識別率為95％。一個是自建人臉庫，該庫包含20個不同人物，每人有5張不同表情和姿態(tài)下的圖片，總共100幅。隨著訓(xùn)練樣本的增加，識別率會有所提升，但是并不是越多越好，當(dāng)超過一定的訓(xùn)練樣本數(shù)目時，識別率反而有所下降。

5 人臉識別未來的發(fā)展
人臉識別是一個跨學(xué)科富挑戰(zhàn)性的前沿課題，人臉圖像中姿態(tài)、光照、表情、飾物、背景、時間跨度等因素的變化對人臉識別算法的魯棒性都有著負面的影響，單一的PCA方法識別率不高，今后的發(fā)展方向可以與其他方法(如：支持向量機、小波變化等)相結(jié)合來彌補單一方法的不足，讓身份識別更準(zhǔn)確。