Tab.1 Recognition accuracy(%) in ORL database

CS

n=4 90.2

n=5 92.4

n=6 94.3 2DDCT 88.3 90.4 92.1 2DDCT_CS 91.6 92.9 94.6

表2 三种方法在ORL上识别的运行时间（秒）比较

Tab.2 Computation Cost in ORL database (s)

CS 2DDCT 2DDCT_CS

24.17 n=5 30.96 113.31

从表１中可以看出， 文章提出的2DDCT_CS方法比CS方法的识别率略高，比 2DDCT方法有明显提高，在训练样本n＝6时，2DDCT方法和2DDCT_CS方法识别率几乎相同，训练样本到一定数量识别率不在有大的区别。

从表2中可以看出，DCT耗费时间最多，CS次之，2DDCT_CS方法最小，CS与2DDCT_CS方法相近，由于CS，2DDCT_CS方法在识别前都进行了较大的降维处理，而2DDCT_CS方法进行了两次降维，所以，用时最少，当训练样本较少时含有较多的信息量，识别率较高。

另外两组在Yale和Feret人脸库上做实验，Yale数据库包含了15 个人的不同条件下的图像，数据库中每个人各有11 种不同光照、表情、姿态，是否戴眼镜等条件下的成像图像，图像总量为165张。这些图像大小均为231×195 像素，为做CS实验方便，我们将原图像按中心对称裁剪为100×80像素。在Feret人脸库中包含不同表情，不同距离，不同时间，面部变化、旋转等人脸图像，我们将个体不少于10幅图像共49人选出（超过10幅取前10幅），按给定的人眼和鼻子位置将原来640×480的图像裁剪到112×92实验。与在ORL数据库类似，比较各自最高识别率及其所取的特征向量维数，见表3和表4。

表3 三种方法在Yale上的识别率（%）比较

Tab.3 Comparison the recognition rates(%) of tree approaches under the Yale database

n=5

Feature CS 92.13 38 2DDCT 83.6 80 2DDCT_CS 93.29 21

表4 三种方法在Feret上的识别率(%)比较

Tab.4 Comparison the recognition rates(%) of tree approaches under the Feret database

n=5

Feature CS 85.82 150 2DDCT 81.4 80 2DDCT_CS 87.33 82

从表3和表4中可以看出，文章提出的2DDCT_CS方法比CS、2DDCT的识别率都有一定的提高。

对于以上实验，在像素较大的图像运用CS方法时都必须先进行裁剪，得到像素较小的图像后才能方便使用CS方法，而我们提出的2DDCT _CS方法可以不进行裁剪处理。因此，最后一个实验直接应用2DDCT _CS方法在典型人脸数据库YaleB作为实验，YaleB数据库包含了10 个人的不同条件下、不同表情、不同背景和不同姿态下的图像。数据库中每个人各有64 种不同光