照、姿态等条件下的成像图像，图像总量为640 张。这些图像大小均为640×480 像素。实验中对每个人，五次随机选取5、10、15 幅图像作为训练样本，其余每人的59、54、49幅图像分别用来做测试识别方法的性能。首先将所有人脸图像用2DDCT变换投映到频域，在频域中分别取能量集中的低频部分80×80，然后分别运用2DDCT和2DDCT_CS方法识别，实验结果为五次平均值(小括号中为2DDCT_CS在频域中所取的特征值)。实验结果见表5：

表5 两种方法在YaleB上的识别率（%)

Tab.5 Comparison the recognition rates(%) of two approaches on ORL database

n=5

n=10

n=15 2DDCT 86.26 93.92 95.84 2DDCT_CS 97.08 (90) 99.71 (90) 100 (90)

从表5中可以看出，文章提出的2DDCT_CS方法比2DDCT方法的识别率有显著提高，当训练样本n达到15时，识别率可达100%，且不需要对图像进行裁剪，这说明该算法的有效性和鲁棒性。

4 总结与展望

2DDCT既能有效地降低特征维数，又可以保留对光照、表情以及姿态不敏感的类别信息。 文章结合2DDCT和CS的优点提出了一种2DDCT_CS人脸识别方法，无论是对高维问题还是大样本集问题都可进行有效地特征抽取，提高正确识别率,特别是在YaleB人脸数据库运用该方法得到了很好的试验结果。此外，在对CS方法以及在2DDCT变换频域块的取值和经过2DDCT变换后，对不同的人脸数据库中的特征值应如何设置才能更好地提高识别效率，仍需进一步研究。

参考文献:

[1] Kwak K.C, Pedrycz W. Face recognition using an enhanced independent Component Analysis Approach [J]. IEEE Trans. Neural Networks (S1045-9227), 2007, 18(2): 530-541．

[2] FMATOS F, BATISTA L V,POEL J D. Face recognition using DCT coefficients election[C] Proceedings of the 2008 ACM Symposium on Applied Computing. Fortaleza:Brazl, 2008:1753-1757．

[3] Bengherabi M, Mezai L and Harizi F. 2DPCA based techniques in DCT domain for face recognition [J]. Int. J. Intelligent Systems Technologies and Applications, 2009,7(3):243-264．

[4] 梁淑芬，甘俊英．基于局部小波变换与DCT的人脸识别算法[J]．微计算机信息，2006，22(2)：206． LIANG Shu-fen, GAN Jun-ying. Face Recognition Based on Local Wavelet Transform and Discrete Cosine Transform[J]. Microcomputer Information, 2006,22(2):206．

[5] 陈胜．一种M2DPCA 和NFA 相结合的人脸识别方法[J]．电子设计工程，2011，19(13)：163-165． CHEN Sheng. A face recognition algorithm based on combination of modular 2DPCA and NFA[J]. Electronic Design Engineering, 2011，19(13):163-165．

[6] Candes E. J and Tao T, “Near-optimal signal recovery from random projections: Universal encoding strategies?” IEEE Transactions on Information Theory, 2006,52(12):5406–5425.

[7] Michael Elad．Optimized Projections for Compressed Sensing[J]．IEEE TRANSACTIONS ON SIGNAL PROCESSING, 2007, 55(12):5695-5702．

[8] 张宗念 ，黄仁泰 ，闫敬文．压缩感知信号盲稀疏度重构算法[J]．电子学报，2011，39(1)：18-22． ZHANG Zong-nian, HUANG Ren-tai, YAN Jing-wen. A Blind Sparsity Reconstruction Algorithm for Compressed Sensing Signal[J]. Acta Electronica Sinica, 2011,39(1):18-22．

[9] Nhat Vo, Duc Vo, Subhash Challa, Bill Moran. Compressed Sensing for Face Recognition [C]. Computational Intelligence for Image Processing, 2009: 104-109．

作者简介：路翀（1966-），男，江苏,博士研究生,教授。 主要研究方向为模式识别理论与应用、生物特征识别等。