、ｂ１Ｊａｎ．．６ ２０１ＮＯ． ｌ １ 中国科技论文在线ＳＣｌＥＮＣＥＰＡＰＥＲ ＯＮＬＩＮＥ 第６卷第１期 ２０１１年１月 ＰＣＡ在人脸识别中的改进算法 黄 叻，张宝昌，刘金琨 （北京航空航天大学自动化与电气工程学院，北京１００１９１） 摘要：基于传统的主成分分析（ＰＣＡ）方法，为使ＰＣＡ不再局限于满足高斯分布，提出了改进的ＰｃＡ人脸识别方法。 改进的ＰｃＡ方法先对训练图像集进行分块，对分块得到的子训练图像集利用传统ＰＣＡ进行分析，得到多个投影矩阵， 通过投影矩阵将训练图片和测试图片投影到特征空间。此外，为了利用样本之间的相关性，进一步提出了基于距离矩 阵的扩展方法，使得对训练样本分块时丧失的信息得以保留，进一步提高了系统的性能。在Ｆｅｒｅｔ人脸库上的试验结果 表明，所提出的方法在识别性能上明显优于传统Ｉ￣ＰＣＡ方法，识别率得到了提高。 关键词：主成分分析；特征抽取；推广的ＰｃＡ；特征矩阵；人脸识别 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３ ７１８０（２０１１）ｏｌ一００５４—５ Ｐｒｏｍｏｔｅｄ ＰＣＡ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｈｕｍａｎ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ Ｈｕａｎｇ Ｆａｎｇ，Ｚｈａｎｇ Ｂａｏｃｈａｎｇ，Ｌｉｕ Ｊｉｎｋｕｎ ｆＳｃｈｏｏｌ ｏｆＡｕｔｏｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄＥｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｈａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｏ＇ｉｎｇ １００１９１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＰＣＡ）ｉｓｏｎｅｏｆａｃｃｅｐｔｅｄ ａｎｄｉｍｐｏｒｔａｎｔｔｅｃｈｎｉｑｕｅｆｏｒｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎｗｉｄｅｌｙｕｓｅｄ ｉｎ ｔｈｅ ａｒｅａｓ ｏｆｉｍａｇｅｓ ｒｅｃｏｇｎｉｔｉｏｎ ｓｕｃｈ ａｓ ｈｕｍａｎ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ．Ｐｒｏｍｏｔｄｅ ＰＣＡ，ａ ｈｕｍａｎ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ｂａｓｅｄ ｏｎ ＰＣＡ，ｉｓ ｐｒｅｓｅｎｔｅｄ，ｉｎ ｏｒｄｅｒ ｈｔａｔ ＰＣＡ ｉｓ ｎｏｔ ｏｎｌｙ ｌｉｍｉｔｄｅ ｔｏ Ｇａｕｓｓｉａｎ ｄｉｓｔｒｉｂｕｔｉｏｎ．Ｆｉｒｓｔ，ｔｈｅ ｏｒｉｇｉｎａｌ ｔｒａｉｎｉｎｇ ｓｅｔ ｗａｓ ｄｉｖｉｄｅｄ ｉｎｔｏ ｓｏｍｅ ｓｕｂ－ｓｅｔｓ．Ｓｅｃｏｎｄ ｔｈｅ ｗｅｌｌ－ｋｎｏｗｎ ＰＣＡ ｍｅｔｈｏｄ Ｗａｓ ｄｉｒｅｃｔｌｙ ｕｓｅｄ ｔｏ ｔｈｅｓｅ ｓｕｂ－ｓｅｔｓ ｏｂｔａｉｎｅｄ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｒａｎｓｆｏｒｍｅｄｍａｔｉｒｘｅｓ．Ｔｈｒｏｕｇｈｔｈｅｓｅｍａｔｒｉｘｅｓ，ｔｒａｉｎｉｎｇ ｓｅｔ ａｎｄｔｅｓｔｉｎｇ ｓｅｔｗｅｒｅｍａｐｐｅｄｉｎｆｅａｔｕｒｅ ｓｐａｃｅ．Ｉｎ ａｄｄｉｔｉｏｎ，ｉｎｏｒｄｅｒ ｔｏｍａｋｅｕＳｅ ｏｆｔｈｅ ｃｏｒｒｅｌａｔｉｏｎａｍｏｎｇ ｓａｍｐｌｅｓ．ａｐｒｏｍｏｔｅｄｍｅｔｈｏｄｂａｓｅｄ ｏｎｄｉｓｔａｎｃｅ—ｍａｔｒｉｘｉＳｐｒｅｓｅｎｔｅｄ．Ｗｉｔｈｔｈｉｓｍｅｔｈｏｄ， ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｌｏｓｔ ｄｕｒｉｎｇ ｔｈｅ ｂｌｏｃｋｉｎｇ ｉｓ ｓａｖｅｄ ａｎｄ ｔｈｅｎ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ ｉｍｐｒｏｖｅｄ．Ｔｏ ｔｅｓｔ ｐｒｏｍｏｔｄｅ ＰＣＡ ａｎｄ ｔｏ ｅｖａｌｕａｔｅ ｉｓｔ ｐｅｒｆｏｒｍａｎｃｅ，ａ ｓｅｒｉｅｓ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅ ｐｅｒｆｏｒｍｅｄ ｏｎ ａ ｈｕｍａｎ ｆａｃｅ ｉｍａｇｅ ｄａｔａｂａｓｅｓ：Ｆｅｒｅｔ ｈｕｍａｎ ｆａｃｅ ａｄｔａｂａｓｅｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｓｔｉｎｄｉｃａｔｅｔｈａｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｐｒｏｍｏｔｅｄＰＣＡｉｓｏｂｖｉｏｕｓｌｙ ｓｕｐｅｒｉｏｒｔｏｔｈａｔｏｆｔｒａｄｉｔｉｏｎａｌ ＰＣＡ．Ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅｉｓｉｍｐｒｏｖｅｄ． Ｋｅｙｗｏｒｄｓ：ｐｎｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｐｒｏｍｏｔｅｄｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｆｅａｔｕｒｅｍａｔｒｉｘ；ｆａｃｅ ｅｒｃｏｇｎｉｉｔｏｎ 人脸识别是模式识别研究领域的重要课题，也是一 在人脸图像识别中，ＰＣＡ［４］又称Ｋ－Ｌ变换，被认为 个目前非常活跃的研究方向 。它不仅具有重要的应用 是最成功的线性鉴别分析方法之一，目前仍然被广泛地 价值，如在保安系统、犯罪识别及身份证明等方面，同 应用在人脸等图像识别领域。本质上，ＰＣＡ方法的目的 时也是模式识别理论中比较典型的多类型判别问 。 是在最小均方意义下寻找最能代表原始数据的投影同。 收稿日期：２０１０—０９—０２ 基金项目：高等学校博士学科点专项科研基金资助项目（２００９１１０２１２０００１）；国家自然科学基金资助项￣（６０９０３０６５） 作者简介：黄畴（１９８５一），男，硕士，主要研究方向：模式识别与图像处理 通信联系人：张宝昌，讲师，主要研究方向：模式识别理论与应用，ｂｃｚｈａｎｇ＠ｂｕａａ．ｅｄｕ．ｃｎ 第６卷第１期 ２０１１年１月 ＰＣＡ在人脸识别中的改进算法 …５５ 传统的ＰＣＡ方法首先将图像矩阵转化为图像向 量，然后以该图像向量作为原始特征进行线性鉴别分 ＞ ）和与之对应的特征向量Ｐ－－￣［Ｐｌ，ｐ２，…， 。此 时的Ｐ称为最优投影向量组，其物理意义是：图像向量 在Ｐ方向上投影后得到特征向量的总体分布散度最大。 Ｐ的列向量 Ｉ， ，…， ］就是新坐标系中的基向量。 １．２特征映射 析 ｊ。笔者基于主成分分析的思想，从原始数字图像 出发，在模式识别之前，先对由所有样本组成的图像训 练矩阵进行分块，要求子块中的图像尽可能具有同样的 性质，即将不同类人脸中相同姿态、光照和表情的图像 划分进同一块，从而使子块更接近于高斯分布。对每个 子图像训练矩阵再用ＰＣＡ方法进行分析，得到多个投 原始图像的维数较大，不利于直接用于分类，这有 就必要对原始数据进行降维，如何找出最能代表原始图 像的低维数据是进行分类的关键。 影矩阵，通过这些投影矩阵将训练图片向量和测试图片 向量投影到特征空间，再经过特征融合后进行分类。这 样做主要基于如下考虑：在传统的ＰＣＡ算法中，要求 训练样本符合高斯分布，得到的结果才是理想的，但是 实际操作中训练样本由于存在光照、表情和姿态等因素 远离高斯分布，而改进的ＰＣＡ算法通过对其进行归类， 在子训练矩阵（由于影响因素较小，更接近于高斯分布） 中提取主元，同时该方法可以增加主元的个数，能提供 更多的有效特征。此外，笔者又利用样本之间的相关性 信息，在一定程度上弥补由于样本分块带来的信息损 失，从而进一步提高系统的识别率。在著名的Ｆｅｒｅｔ人 脸库上的试验结果表明：笔者提出的方法在识别性能上 明显优于传统的ＰＣＡ方法，识别率有显著提高。 １ ＰＣＡ方法 １．１ ＰＣＡ思想与最优投影矩阵 ＰＣＡ的其本质是在最小均方意义下寻找最能代表 原始数据的投影方向，从而达到对特征空间进行降维的 目的。为行文方便，首先介绍向量化矩阵概念。 定义若Ａ∈Ｒ ，则ｖｅｃ（Ａ）∈ 。即矩阵 按列依次排成的向量，称该过程叫矩阵 的向量化。 设人脸灰度图像的分辨率为ｍｘｎ，则该图像构成一 个ｍｘｎ的图像矩阵，可以将图像矩阵向量化为ｍｎ维的 图像向量 ，即４－＝ｖｅｃ（Ａ）ＥＲ 。 设训练样本的类别有Ｃ个，第ｉ类（卢ｌ＇２，…，ＣＩ）有训 练样本图像 个： １， ，…， ＾ｆ，每个样本都是ｍｎ￣１ 维的向量，＾，＝ＣｘＭ为训练样本的总数。 将所有训练样本图像组成训练矩阵 ［４１１，４１２，…，翎 ，ｉＥ １，２，…，Ｃ， ∈１，２，…，Ｍｏ（１） 定义对训练矩阵 Ｉ。减去平均列向量得到标准 训练矩阵 ＝ 。一 ， 一 ，…， 一 Ｊ ， （２） 式中： ＝ ∑∑ 。＇ 、ｉ＝１ ｊ＝ｌ 对 求降序的特征值矩阵 ，２２，…， １＞ 最优投影向量组的前ｄ个列向量Ｐａ＝［ｐｌ，Ｐ２，…，ｐｄ］（ｄ ≤ ）可用于特征映射，对于向量化的图像矩阵 ，利用 ， ， （３） 式中：Ｙａｅ 是特征空间中的特征向量。这样，就能 够将原始ｍｎ维的数据降维到ｄ维的数据。 １．３分类 通过前文的特征映射过程，每个向量化训练图像 对应１个特征向量 ＝ ，每个向量化测试图像Ｃｘ 对应１个特征向量， 。利用余弦分类器 ， ） 网ｒＺ， １，２，…，ｃ√∈１，２＇…， 。（４） 如果（Ｉ（ ￣－＇ｌ＇ｌａｘ ，功，那么４ｘ与白同类。 ２改进的ＰＣＡ方法 ２．１主要思想与投影矩阵 传统ＰＣＡ的模型中需要诸多的假设条件，存在一 定的，在有些场合会造成效果不好甚至失效。其算 法要求标准训练矩阵（１．１节中的 符合高斯分布， 也就是说，如果考察的数据概率分布并不满足高斯分布 或是指数型的概率分布，就不能使用方差和协方差很好 地描述噪声和冗余，对变化后的协方差矩阵并不能得到 合适的结果，在这种模型下ＰＣＡ将会失效。而事实上， 在样本集合里，往往包括不同姿态、角度和亮度的图片 使其不满足高斯分布。 改进的ＰＣＡ思想是将原来的标准训练矩阵 ＝ 一手，４１ 一 ，…， 一 Ｊ 分为多个子块Ｘｌ，ｘ２，…， 。其中 ， ，…， 分别为样本中相同属性图片的合 集，即是将相同姿态或角度或亮度的图像划分进同一 子块。该子块所包含的外在因素较少，所以更接近于 高斯分布。对每个子块按照１．１节所述方法分别做传统 的ＰＣＡ，可得到投影矩阵Ｐ１， ，…， ，利用投影矩阵 进行投影，这样得到的特征向量更能够反应出原始数 据的属性。 ５６ 中国科技论文在线ＳＣＩＥＮＣＥＰＡＰＥＲ ＯＮＬＩＮＥ 第６卷第１期 ２０１１年１月 ２．２投影矩阵的计算 对 ｌ，Ｐ２，…， 中的每一个投影矩阵 Ｊ＝１，２，…， 都可以抽取前 个列向量，重新组成新的变换矩阵 ［ ， ，…， ］，通过公式 ［ ， ｙ－－［￣，ｙ２，…， …，， ：Ｉｒ。 （５） 可将 进行对特征空间的映射，ｙ是 在特征空间中的 特征向量。 对于某一幅向量化测试图片 ，其在姿态、角度或 亮度上，必然与标准训练子块 ， ，…， 其中之一同 类，这样对从 ， ，…， 中运算得到的投影矩阵Ｐ１， 尸２，…， ，必有１个 ∈［ＰＩ，／＇２，…， （ ：１，２，…， 能更好地对己作出投影映射，也就是说必有１个 ∈［ｙｊ， …，，瑚（ｍ＝ｌ，２，…， 能更好地反映出蠡，相对于传 统ＰＣＡ只是对所有训练样本统一做运算，得到统一的 变投影矩阵Ｐ和特征向量ｙ，其不能很好地反映出 的类别特性。 但是由于改进的方法对数据 进行了分块处理，导 致数据ｙｌ，ｙ２，…， 彼此之１司相互，所以，笔者提 出利用数据之间的相关性改善特征向量的方法。其思想 是：对每一个训练样本 或者测试样本 都计算Ⅳ个 （Ⅳ是训练样本总数）其到所有训练样 ｌ，２，…，Ⅳ） 之间的距离，利用这Ⅳ个距离与原始的特征向量进行特 征融合，形成新的特征向量，从而保持数据之间的相关 性。操作如下： 定义距离矩阵 若向量化图片 对应特征向量】，’ 那么定义矩阵ＺＥＲ ， 玲＿Ｉ ｌｙ一 ＩＩ ２，ｋ＝ｌ，２，…，Ⅳ。 其中ｙ可以是某个测试向量 的映射 ，也可以是某一 个训练向量 的映射 。 是训练样本４ｋ（￣ｌ，２，…，册在特征空间中对应 的特征向量。 在训练集合确定的情况下，所有 是固定不变的， 进而得到ｚ ，），即ｙ与ｚ是一一映射的。在改进的方 法中，定义 的特征向量不再是 而是改进的Ｉｖ・ｙｌ，Ｚ］， 其中ｖ是人为设置的一个参数，操作如图１。 之所以这样定义是因为：①】，作为 的特征向量 能够反应 的主要属性。②ｚ是特征向量】，与所有训 练向量集合Ｙｋ（ｋ＝－１，２，…，Ｊｖ）的特征融合，将Ｚ加入 到对 特征向量的定义中，消除了单纯用ｙ定义特 征向量造成的数据的性和不相关性，通过合理 的权重系数的设置，使得 ，２］能够更好地反应 的特征。 图１ 改进的特征向量 Ｆｉｇ．１ Ｐｒｏｍｏｔｅｄ ｆｅａｔｕｒｅ ｖｅｃｔｏｒ ２．３分类 将向量化测试图片毒的特征向量定义为Ｉｖ・ ，Ｚｘ］， 同时将向量化训练图片 的特征向量定义为Ｉｖ・ｙ／ｒ， 。 通过选择合理的参数ｖ，利用类似１．３节的方法，利用余 弦分类器进行分类。 需要指出的是，用推广的ＰＣＡ方法进行鉴别分 析时，若对 ＝ 一 ，莓 一 ，…， 一 不进行分块， 即只有１个子矩阵，此时，改进的ＰＣＡ就是传统的 ＰＣＡ，表明传统ＰＣＡ是改进ＰＣＡ的特殊情况。 ３实验结果与分析 实验是在ＦＥＲＥＴ人脸库上进行的。ＦＥＲＥＴ人脸库 由２００个人组成，每人的脸图由７幅人脸图像组成，共 １ ４００幅人脸图片。第ｌ幅图是人脸的正面照，第２幅 图到第５幅图是人脸角度的变换，第６幅图是表情的变 换，第７幅图是亮度的变化。每幅图的分辨率是８０Ｘ ８０。 图ｌ所示为ＦＥＲＥＴ人脸库中某人的７幅人脸图像。 一●第６卷第１期 ２０１１年１月 ＰＣＡ在人脸识别中的改进算法 ５７ 提高。 一一 在分类器的设计上，采用特征融合与不采用特征融 从２种分类方法的对比结果可以看出，加入特征融 合的方法进行实验，得到的实验结果如图４所示。 合的方法能够在一定范围内提高识别率。 对标准训练矩阵进行分类处理，进而得到的特征向 图２■ 实验库人脸实例 Ｆｉｇ．２ Ｆａｃｅ ｄａｔａｂａｓｅ ｉｎｓｔａｎｃｅ ＦＥＲＥＴ数据库中每张图片都有１个类别标号，代 表不同因素下采集的图片，如标号０００１２ ９３０８３１ ｆａ ａ ，其中０００１２表示类别ＩＤ，９３０８３ １表示样本生成时间， ｆａ表示人脸偏转角度，ａ表示光照强度。本文的实验就 是根据不同的图像标号来划分数据集合，从而达到外在 因素较少时，数据尽可能地满足简单的高斯分布。 将每类的前４幅图作为训练样本，后３幅图作为测 试样本，则训练样本总数为８００幅，测试样本为６００幅。 首先，利用传统的ＰＣＡ算法，即对标准训练矩阵（１．１ 节中的神不进行分块，按照第１节所述方法计算出不 同能量系数（主元个数）下的识别率。再次，利用改进 的ＰＣＡ算法，分别对下列２种隋况进行实验：①将２００ 个类别的前２幅图组合为个数为４００的训练样本矩阵１， 将２００个类别的第３、４幅图组合为个数为４００的训练 样本矩阵２，这样就将传统ＰＣＡ中的标准训练矩阵 分为２个子训练矩阵。对这２个子训练矩阵进行计算得 到变换矩阵 ，， ，再利用２－２节所述方法，将测试图 片 映射为 将所有训练图片 ｆ＝１，２，…，８００）映射为 卢１，２，…，８００），经特征融合后，测试向量磊的特征向 量为［ｖ・ ，Ｚｘ］，同样方法得到训练向量 的特征向量为 ， ，最后利用余弦分类器对其进行分类。②同理 将训练样本的２００个类的８００幅图片按照类别分成４个 数量为２００的子训练矩阵，然后用同样的方法进行计算 识别率。经过实验，当进行特征融合时，分成２个子陕 时ｖ＝２５５；分成４个子块时ｖ＝２３６，得到的实验结果如 图３所示。 比较不同能量系数（主元个数）下的识别率，改进 的ＰＣＡ．及其分类方法与传统方法相比，识别率有较大 量能够更好反映数据。在此基础上进行特征融合，能在 一定程度上改善识别率。 图３基于余弦距离的识别结果 Ｆｉｇ．３ Ｒｅｓｕｌｔ ｂａｓｅｄ ｏｎ ｃｏｓｉｎｅ ｄｉｓｔａｎｃｅ 图４加特征融合的实验结果 Ｆｉｇ．４ Ｒｅｓｕｌｔ ｂａｓｅｄ ｏｎ ｆｅａｔｕｒｅ ｆｕｓｉｏｎ ４结论 提出了推广的ＰＣＡ的人脸识别方法，其本质是通 过对标准训练矩阵按照不同类别做分块，并对其子块分 别作ＰＣＡ，抽取子块的主元。这是为了使影响因素较小， 更接近于高斯分布。在分类器的设计上，对特征向量进 行融合，提高了不同子块之间的相关性，在一定范围内 能够对识别率进行提升。本实验使用环境为Ｍｉｃｒｏｓｏｆｔ ５８ 中国科技论文在线ＳＣｌＥＮＣＥＰＡＰＥＲ ＯＮＬＩＮＥ 第６卷第１期 ２０１１年１月 ＷｉｎｄｏｗｓＸＰ，硬件配置为奔腾４，３．０ＧＨｚＣＰＵ的计算 Ｘｕｅ Ｙｏｎｇ．Ｓｅｖｅｒａｌ ｌｉｎｅａｒ ａｎｄ ｎｏｎｌｉｎｅａｒ ｆｅａｔｕｒｅ ｅｘｗｄｃｔｔｏｎ ａｎｄ ｆａｃｅ 机，优化算法采用Ｍａｔ１ａｂ软件编写。 ｒｅｃｏｇｎｉｉｔｏｎ【Ｄ］．Ｎａｎｊｉｎｇ：Ｎａｎ．ｊｎｉｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ，２００４．（ｉｎ Ｃｈｉｎｅｓｅ） 在试验中发现，对同一数据库，对样本矩阵采用不 同的分块，获得的最高识别率一般不同，如何寻求最佳 分块方式有待进一步研究。另外，在进行特征融合后， 如何选择合适的参数ｖ也是一个待解决的问题。 『４］ 边肇祺，张学工．模式识别［Ｍ】．第２版．北京：清华大学出版 社，１９９９． Ｂｉａｎ Ｚｈａｏｑｉ，Ｚｈａｎｇ Ｘｕｅｇｏｎｇ．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ［『川．Ｂｅｉｊｉｎｇ： Ｔｓｉｎ曲ｕａ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，１９９９．（ｎ ｉｃｈｉｎｅｓｅ） ［５】 陈伏兵．人脸识别中鉴别特征抽取若干方法研究［Ｄ］．南京：南 京理工大学，２００６． Ｃｈｅｎ Ｆｕｂｉｎｇ．Ｓｏｍｅ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ［参考文献］（Ｒｅｆｅｒｅｎｃｅｓ） 【ｌＪ ＺｈａｏＷＣｈｅｌｌａｐｐａ Ｉ￣ｉｌｌ Ｐ点ｅｔ ａ１．Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ＇：８ｌｉｔｅｎａ￣ ｓｕｒｖｅｙ［Ｊ】．Ａｃｍ Ｃｏｍｐｕｔｉｎｇ Ｓｕｒ￣ｅｙｓ，，２００３，３５（４）：３９９－４５９． ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ０９］．Ｎａｎｊｉｎｇ：ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｙｏｆＳｃｉｔｎｃｅｅ，２００６．（ｉｎ Ｃｈｉｎｅｓｅ） ［２］Ｔｕｒｋ Ｍ，Ｐｅｎｔｌａｎｄ Ａ．Ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｅｉｇｅｎｆａｅｅｓ【Ｃ１∥ｌＥＥＥ Ｃｏｎｔ￣ｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｎ ａｎｄ Ｐａｔｏｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ．Ｈ＆ｖａｉｉ Ｍａｕｉ：ＩＥＥＥ，１９９１：５８６—５９０． ［６］Ｔｕｒｋ Ｍ，Ｐｅｎｔｌａｎｄ Ａ．Ｅｉｇｅｎｆａｃｅｓ ｆｏｒ ｒｅｃｏｇｎｉｉｔｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｇｎｉｔｉｖｅ Ｎｅｕｒｏｓｃｉｎｃｅｓ，１９９１，３（１）：７７－ｅ８６． 【７］ Ｚｈｏｕ Ｊｉｌｉｕ，Ｚｈｏｕ Ｙｅ．Ｒｅｓｅａｒｃｈ ａｄｖａｎｃｅｓ ｏｎ ｔｈｅ ｔｈｅｏｒｙ ｏｆ ｆａｃｅ ［３］ 徐勇．几种线性与非线性特征抽取方法及人脸识别应用ｆＤＪ．南 京：南京理工大学，２００４． ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｓｉｇｎ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ，１９９１，ｌ１（２）：１８０一ｌ８４． （Ｌ接第５３页） ［６］ 张丽琼，李研，张孝杰．利用小波包提取咏象信号特征值的方法 ［ＪＪ．北京生物医学工程，２００５，２４（３）：２１４－２１６． ＺｈａｎｇＬｉｑｉｏｎｇ，ＬｉＹａｎ，ＺｈａｎｇＸｉａｏｊｉｅ，Ａｍｅｔｈｏｄｔｏ ｅｘｔｒａｃｔｌｈｅ ｆｅａｔｕｒｅ ｏｆｔｈｅ ｐｕｌｓｅ ｓｉｎａｌｇ ｂａｓｅｄ ｏｎｔｈｅｗａｖｅｌｅｔ ｐａｃｋｅｔ明．Ｂｅｉｊｉｎｇ ＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２００５，２４ｃ３）：２１４－２１６．（ｎＣｈｉｉｎｅｓｅ） ［７］ＸｉａＣｈｕｎｍｉｎｇ，ＬｉｕＲｕｉ，ｎＹａｈ，ｅｔ ａ１．Ｗｒｉｓｔｐｕｌｓｅｆｅａｔｕｒｅ佃 ａｂｉ Ｌ１１］王丰，苏振伦，黄靖香，等．鼻粘膜呼吸区上皮细咆原代培养模 型的建立和纤毛运动频率的测试川．临床耳鼻咽喉科杂志，２０００， １４（８１：３７０－３７２． Ｗａｎｇ Ｆｅｎｇ，Ｓｕ Ｚｈｅｎｌｕｎ，Ｈｕａｎｇ Ｊｉｎｘｉａｎｇ，ｅｔ ａ１．Ｃｕｌｔｕｒｅ ｏｆｈｕｍａｎ ｎａｓａｌ ｒｅｓｐｉｒａｔｏｒｙ ｅｐｉｔｈｅｌｉａｌ ｃｅｌｌｓ ｉｎ ｓｅｒｕｍ ｆｒｅｅ ｍｅｄｉｕｍｓｕｐｐｌｅｍｅｎｔｅｄ ｗｉｈ ｔｈｏｒｍｏｎｅｓ ｎｄ ａｇｒｏｗｔｈ ｆａｃｔｏｒｓ ｎｄ ａｍｅａｓｕｒｅｍｅｎｔ ｏｆｈｕｍａｎ ｎａｓａｌ ａｎａｌｙｓｉｓ ｖｉａ Ｓｐｅｃｔｒａｌ ｄｅｃｏｍｐｏｓｉｔｉ￣Ｓｈａｎｇｈａｉ，２００９：１－４． ［Ｃ］／／Ｂｉｏｉｎｆｏｒｔｎａｔｉｃｓ ａｎｄ ｃｉｌｉａｒｙ ｍｏｔｉｌｉｙ ｕｓｉｔｎｇ ｖｉｄｅｏ ｍｉｃｒｏｓｃｏｐｙ阴．Ｊｏｕｒｎａｌ ｏｆ Ｃｌｎｉｉａｌｃ Ｏｔｏｒｈｉｎｏｌａｒｙｎｇｏｌｏｇｙ，２０００，ｌ４（８）：３７０－３７２．（ｉｎＣｈｉｎｅｓｅ） Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２００９．３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＣｏｎｆｅｒｅｎＣｅ ｏｎ ［１２］王炳和，相敬林．基于神经网络方法的人体脉象识别研究 ．西 北工业大学学报，２００２，２０（３）：４５４＿４５７． Ｗａｎｇ Ｂｉｎｇｈｅ，Ｘｉａｎｇ Ｊｉｎｇｌｉｎ．ＡＮＮ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ＴＣＭ ｐｕｌｓｅ ｓｔａｔｅ ［８】 王炳和，郭红霞．从脉搏信号中准确提取呼吸和心率信息的新方 法［Ｊ］＿陕西师范大学学报：自然科学版，２００５，３３（１）：５３－５５． ＷａｎｇＢｉｎｇｈｅ，ＧｕｏＨｏｎｇｘｉｎｇ．Ｅｘｌａｒａｃｔｉｎｇ ｒｅｓｐｉｒａｔｉｏｎｆｒｅｑｕｅｎｃｙ ａｎｄ ［Ｊ】．Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｃ Ｕｎｉｖｅｒｓｉｔｙ，２００２，２ｏ（３）： ４５４４５７．（ｎ ｉＣｈｉｎｅｓｅ） ｈｅａｒｔ ｒａｔｅ ｆｒｏｍ ａ ｐｕｌｓｅ明．Ｊｏｕｒｎａｌ ｏｆ Ｓｈａｎｘｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｙ：ｔ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ，２００５，３３（１）：５３—５５．（ｎｉ Ｃｈｉｎｅｓｅ） 【１３】岳沛平，李训铭．基于小波分析和ＢＰ神经网络识别的中医脉象 信号辨识系统［Ｊ］．计算机与现代化，２００５，１２４（１２）：１－４． Ｙｕｅ Ｐｅｉｐｉｎｇ，Ｌｉ Ｘｕｎｍｉｎｇ．Ｓｙｓｔｅｍ ｆｏｒ ｒｅｃｏｇｎｉｉｔｏｎ ｏｆ Ｃｈｉｎｅｓｅ ｍｅｄｉｃａｌ ｐｕｌｓｅ ｓｉｇｎａｌ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｎａｌａｙｓｉｓ ａｎｄ ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ［９］ 王炳和，职利琴．高血压患者脉搏信号的采集与频谱分析 ．声 学技术，１９９９，１８（３）：１３５—１３８． Ｗａｎｇ Ｂｉｎｇｈｅ，Ｚｈｉ Ｌｉｑｉｎ Ｈｙｐｅｒｔｅｎｓｉｏｎ ｐｕｌｓｅ ｓｉｇｎａｌ ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ ｓｐｅｃｗｕｍ ａｎａｌｙｓｉｓ［Ｊ］．Ａｃｏｕｓｔｉｃ Ｔｅｃｈｎｏｌｏｇｙ，１９９９，ｌ８（３）：１３５—１３８． （ｉｎＣｈｉｎｅｓｅ） ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｒｅｃｏｇｎｉｉｔｏｎ ．Ｃｏｍｐｕｔｅｒ ｎｄ ａＭｏｄｅｒｎｉｚａｔｉｏｎ，２００５， １２４（１２）：Ｉ－４．（ｉｎ Ｃｈｉｎｅｓｅ） ［１０］柯学尧，欧阳华甫，王洪图，等．用驻波观点研究脉和脉象的产 生机制 ．中国中医药信息杂志，２００６，１３（６）：３－５． Ｋｅ Ｘｕｅｙａｏ，Ｏｕｙａｎｇ Ｈｕａｆｕ，Ｗａｎｇ Ｈｏｎｇｔｕ，ｅｔ ａ１．Ｒｅｓｅａｒｃｈ ｇｅｎｅｒａｔｎｇ ｍｅｃｈａｎｉｉｓｍ ｏｆ ｐｕｌｅ ｂｙ ｓｔｓａｎｄｉｎｇ ｗａｖｅ ．Ｃｈｉｎｅｓｅ ［１４］李春字．基于径向基函数神经网络的中医脉象信号检测ｆＪ）］．重 庆：重庆大学，２００６． Ｌｉ Ｃｈｕｎｙｕ．Ｄｅｔｅｃｔｉｏｎ ｏｆｐｕｌｓｅ ｓｉｇｎａｌｓ ｂａｓｅｄ ｏｎ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆＤ】．Ｃｈｏｎｇｑｉｎｇ：Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，２００６．（ｉｎ Ｃｈｉｎｅｓｅ） ［１ ５］Ｓｅｒｇｉｏｓ Ｔｈｅｏｄｏｒｉｒｉｄｉｓ， Ｋｏｎｓｌａｎｔｕｎｏｓ Ｋｏｕｌｒｏｕｍｂａｓ Ｐａｌｔｅｍ ｒｅｃｏｇｎｉｔｉｏｎ ＩＭ］．Ｔｈｉｒｄ Ｅｄｉｔｉｏｎ．Ｂｅｉｊｉｎｇ：Ｃｈｉｎａ Ｍａｃｈｉｎｅ Ｐｒｅｓｓ，２００６． Ｊｏ￣ａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｏｉｌ Ｔｍｄｉｔｉｏｎ Ｃｈｉｎｅｓｅ Ｍｅｄｉｃｉｎｅ，２００６，】３（６）： ３－５．（ｉｎ Ｃｈｉｎｅｓｅ）
