本文实验所采用的人脸数据库名为UMIST人脸数据库。
该图像库中共有564张来自20个人拍摄于不同的时间的人脸图像，图像包括正常背景下的侧面和正面的直立图像，分辨率为165×165。图像间存在一定范围内的光照变化、面部表情变化（如微笑，闭眼），能够有效地验证人脸识别的性能，成为目前使用比较广泛的基准性图像库，其中部分人脸如图5-1-1和图5-1-2，图像格式为*.bmp。任意选取其中10人的图像用于测试，其中每个人选取三张，要求尽量接近正面拍摄且无明显表情为佳，将上述30张图像分为3组，每一组10张图像，每人一张，其中一组用过训练图像，即用于建库，另外两组用于测试。训练图像放置于D:\1\face\face文件夹中，第一组测试图像放置于D:\1\database\文件夹中，第二组测试图像放置于D:\1\database2\中。
由上述结果可以得知，采用单一的PCA算法的识别率不是很高，今后的工作应在PCA算法的基础上，提高识别率。有两种方案可以选择：
第一种方案：fisher脸方法；fisher模式判别准则是模式识别的经典算法。应用fisher准则假设了不同类别在模式空间是线性可分的，其主要原因是不同人脸间的差异。根据文献［4］对标准特征脸算法和fisher脸算法进行试验得出结论：PCA算法的识别率是65%，fisher脸方法的识别率是99.4%，很明显的提高了识别率。
第二种方案：PCA+NN算法；神经网络是一种非线性动力系统，具有良好的自适应性和泛化能力，因此，在模式识别领域应用得也很广泛。在人脸识别技术中，应用最多的是BP神经网络。通常做法是：首先根据PCA算法，对人脸图像进行降维，得到m个特征值，然后把得到的这些特征值，作为输入向量输入到BP神经网络中，最后根据BP学习算法对数据进行训练和分类。根据文献［3］的研究成果，利用此方法能够得到人脸识别率为90%，也能显著的提高识别率。


本电子电气通信自动化毕业设计“基于部分检测法的人脸识别研究”论文由清风毕业设计网[www.lunwen550.com]征集整理！