文档介绍：第 38 卷第 4 期佛山科学技术学院学报（自然科学版） V o l. 3 8 N o. 4
2020 年 7 月 Journal of Foshan University（ Natural Sciences Edition） Jul. 2020
文章编号：1008-0171（2020）04-0070-07
基于子模式的二维主成分分析融合
复判别分析的人脸识别
史钰潮，谭立辉
（广东工业大学应用数学学院，广东广州 510520）
摘要：提出了一种有效的人脸表示与识别的方法。为了能有效地保持各个子块间的空间关系，该方法首先对图
像进行分块，对分块后各子样本集使用二维 PCA 方法分别抽取图像行间信息和列间信息，然后将子块的行和
列特征融合成子复数特征矩阵。再利用复二维判别分析 C2DLDA 方法，从子复数特征矩阵中进一步进行特征提
取，最后把各子复特征矩阵拼成相应原始图像的特征矩阵。实验结果表明，该方法降低了特征的维数，减少了表
情和光照等因素对人脸识别准确率的影响，获得了较好的识别性能。
关键词：人脸识别；主成分分析；复二维判别分析；特征融合
中图分类号：文献标志码：A
在人脸识别（FR）领域，基于矢量的模型是最受欢迎的。在这种模型范例下，原始的二维（2D）图像
通常被转换为一维（1D）向量，这样图像就可以被表示为高维空间中的一点［1-3］。作为众所周知的特征
抽取和数据表示技术，主成分分析法（PCA）［2-3］和线性判别分析法（LDA）［4-5］被广泛用于模式识别领域。
其中， PCA 方法被用于寻找最能代表最小二乘意义上的数据的子空间，因此 PCA 提取的特征被认为是
最具表现力的特征［6］。基于 PCA 的算法非常受欢迎，因为它易于实现且性能合理［7-8］。但是，在大尺寸和
小样本情况下，该方法很难精准地对协方差进行求解。而 LDA 是一种用于处理分类问题的监督技术，
它通过最大化类间离散度与类内离散度的比值，可以获得具有最多辨别信息的子空间，它提取的特征
被称为最具辨别性的特征［6］。但是，LDA 容易遇到“小样本量”（3S）问题，这种现象在人脸识别任务中广
泛存在