基于PCA算法的人臉識別研究

為了區分人臉和非人臉，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(jìn)行分類(lèi)，分類(lèi)規則如下：
(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(gè)人的人臉。

4 實(shí)驗結果
實(shí)驗在兩個(gè)圖庫上測試，首先是一個(gè)ORL人臉庫，該庫包含40個(gè)不同人物，每人有lO張圖片，共400幅。用訓練樣本進(jìn)行測試，識別率為95％。一個(gè)是自建人臉庫，該庫包含20個(gè)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(zhù)訓練樣本的增加，識別率會(huì )有所提升，但是并不是越多越好，當超過(guò)一定的訓練樣本數目時(shí)，識別率反而有所下降。

5 人臉識別未來(lái)的發(fā)展
人臉識別是一個(gè)跨學(xué)科富挑戰性的前沿課題，人臉圖像中姿態(tài)、光照、表情、飾物、背景、時(shí)間跨度等因素的變化對人臉識別算法的魯棒性都有著(zhù)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)相結合來(lái)彌補單一方法的不足，讓身份識別更準確。