摘要: 与本文工作密切相关的两项工作是本征脸（ eigenface ）方法和本征特征（ eigenfeature ）方法。 本征脸（ eigenface ）方法是子空间人脸识别方法的典型代表。该方法基于一种部分的 K-L 变换，或者称为主成分分析（ PCA ）。本征脸方法的核心思想是构造一个使不同人脸图像之间差异最大化的本征空间（ eigenspace ），然后将人脸图像投影到这个本征空间中并进行识别。本征脸方法取得了如此巨大的成功，以至于成为了人脸识别算法的事实标准和相比较的基准点。 本征脸方法是基于人脸图像的全局特征的。因此，当输入图像具有较大差异（例如发型、胡须、眼镜等的较大变化）而对全局特征造成较大影响时，本征脸方法往往会失效。而在这种情况下，由于眼、口、鼻等局部特征往往受到的影响较小，可以利用这些局部特征识别人脸。 Brunelli 和 Poggio 曾经提出一种将全局人脸和局部特征结合起来的模板匹配算法取得了较好的效果。他们指出，局部特征能够获得比全局特征更好的识别效果。利用类似的思想， Pentland 等人 5 将本征脸方法扩展到局部特征，即用眼、鼻、口等重要面部特征分别得到本征眼（ eigeneye ）、本征鼻（ eigennose ）、本征嘴（ eigenmouth ），并将它们统称为本征特征（ eigenfeature ）。他们指出，本征特征方法的识别率与本征脸方法相差不多，并且将本征特征和本征脸结合起来能够获得更高的识别率。这两种涉及到人脸局部特征的算法的结果至少说明了两个问题：第一，局部特征的分辨能力并不比全局特征差；第二，将局部特征和全局特征结合起来能够获得更高的识别率。 由于多本征空间（ multiple eigenspaces ）比单一的本征空间具有更强的描述能力，因此近年来在人脸识别的相关研究中受到了广泛关注。大致来讲，目前的多本征空间方法可以分成两类。第一类方法试图将所有训练图像按照某种标准分组，然后在每一组图像的基础上构建一个本征空间。例如为不同角度的人脸图像分别构建多个本征空间。还有一些方法能够自动将图像分成不同的组，然后在这些分组图像的基础上自动构建多本征空间。第二类方法试图为人脸图像的不同区域建立多本征空间。例如本征特征技术为不同的人脸特征，如眼睛、鼻子等构建多本征空间。但是，目前还没有一种方法能够自动确定用于构建多本征空间的合适区域，而必须由人工根据主观经验来确定使用图像中的哪些区域。因此本文主要的研究动机是设计一种能够根据训练图像自动选择若干个合适区域集成起来用于人脸识别的算法. 本文的主要贡献包括： ? 提出了一种新型的人脸识别框架 SEIR 。在这一框架下，人脸图像中所有可能的区域都被看作某种特征，这样就可以通过某种选择机制选择出若干个这种特征，继而集成起来以获得更好的识别效果。 ? 提出了一种矩形特征选择算法。改算法能够根据训练图像自动选择出适合于人脸识别的若干个矩形特征。 ? 在 SEIR 框架下提出了一种基于多本征空间的实现算法 SEME 。通过试验证明， SEME 算法的识别效果要优于 eigenface ， PCA + LDA ， eigenfeature ，以及 eigenface + eigenfeature 。