第6卷第6期 智能系统学报 Vol.6 No.6 2011年12月 CAAI Transactions on Intelligent Systems Dec.2011 doi:10.3969/j.issn.16734785.2011.06.009 SPCA参数对单样本人脸识别效果影响分析 王科俊，邹国锋，张洁 (哈尔滨工程大学自动化学院，黑龙江哈尔滨150001) 摘要：奇异值扰动的主分量分析(SPCA)是一种有效的单样本人脸识别方法，但SPCA算法的识别效果受参数选择 的影响比较大，针对SPCA算法中衍生图像生成参数和结合参数a的不同取值对识别效果的影响进行了分析，利 用ORL人脸库和CAS-PEAL人脸库做了大量的实验和比较分析，实验结果表明给出的SPCA参数选取方法和取值范 围是合理的，并有效地提高了SPCA算法的实际应用效果和单样本人脸识别的性能. 关键词：人脸识别；奇异值分解；结合投影主分量分析；奇异值扰动主分量分析；衍生图像；结合图像 中图分类号：TP391.4文献标志码：A文章编号：16734785(2011)06053108 Analysis of the influence of SPCA parameters on the recognition of a single sample face WANG Kejun,ZOU Guofeng,ZHANG Jie (College of Automation,Harbin Engineering University,Harbin 150001,China) Abstract:Singular value decomposition perturbation principal component analysis (SPCA)is an effective single- sample face recognition method;however,the identification results of the SPCA algorithm are seriously affected by parameter selection.In this paper,the effect on the identification,which was caused by the derived image parame- ter and the combined image generation parameter in the SPCA algorithm,was analyzed.Many experiments and comparative analyses were performed on the basis of the ORL face database and the CAS-PEAL face database.The experimental results show that the SPCA parameter selection method and the parameter range given in this paper are reasonable.In addition,reasonable parameters are effective in improving practical application of SPCA algorithms and the recognition performance of a single-sample face. Keywords:face recognition;singular value decomposition;(PC)2A;SPCA;derived image;combined image 单样本人脸识别问题口给人脸识别技术带来人脸识别问题进行了研究，王科俊等2]将目前文献 巨大挑战，近年来已成为人脸识别研究中的一个重 中出现的主要针对单训练样本人脸识别的方法概括 要方向，并得到广泛关注.单样本人脸识别可以有效 为以下几类：基于几何特征的方法、样本扩法、特 降低训练样本的收集成本和存储成本，加快人脸识 征子空间扩展法、通用学习框架法、图像增强法、神 别系统的处理速度，所以在犯罪取证、身份证验证、 经网络法和三维识别方法等.其中，图像增强法是使 银行和海关监控等一些特殊的场合得到应用；但是 那些对于识别比较重要的特征更加突显出来，同时 由于训练样本的有限性，单样本人脸识别的识别率 对那些次要无用的、甚至对识别造成干扰的信息进 往往不高，所以如何有效提高单样本条件下的识别 行抑制的一种方法，该方法侧重于图像的预处理.基 率已成为人们研究的重点· 于奇异值扰动的主分量分析a)](singular value de- 近年来，研究人员分别从不同的角度对单样本 composition perturbation principal component analysis, SPCA)就是利用原图像奇异值分解(singular value 收稿日期：2010-09-14. decomposition,SVD)的重构图像来增强原图像的一 基金项目：国家“863”计划资助项目(2008AA01Z148) 种方法，通过增强能够使样本提供的信息得到充分 利用，可以有效提高识别率，特别是在单样本人脸库 通信作者：邹国锋.E-mai:g841122@163.com, 中人脸类别比较多的情况下效果更显著.SPCA人
·532 智能系统学报 第6卷 脸识别方法易受人脸图像大小影响，随着人脸图像 的不断变小，SPCA方法和其他人脸识别方法的区 V(x)=∑P(x,y) (2) 别变得并不那么明显，同时，SPCA方法也受到衍生 式(1)、(2)的2个投影在一定程度上反映了人脸图 图像重构参数和结合参数的严重影响，但是这2个 像重要局部区域的分布特点。 参数的取值目前还没有可依据的理论方法。 P(x,y)的投影图像定义为 针对SPCA人脸识别方法易受到奇异值分解参 M2(x,y）= V (x)H(y) 数和结合图像生成参数影响的问题，本文就这2个 N NP 参数的取值方法进行了深入分析，同时为了充分讨 式中：P是图像的灰度均值，也即 论这2个参数的影响，在ORL人脸库和CAS-PEAL N1 N2 ∑∑P(x,y) 人脸库上进行了大量实验，验证了不同取值方式对 P= 米=1y 于识别效果产生的不同影响，得出了SPCA人脸识 NN2 别方法中参数取值的原则和规律，为SP℃A在人脸 最后，定义P(x,y)的结合投影图像P(x,y). 识别中的进一步应用提供了参考依据 P(x,y）= P(x,y）+aM(x,y) 1+a 1奇异值扰动的主分量分析法(SPCA) 式中：0<a<1.0为结合参数，P.(x,y)的取值有可 主分量分析法(principal component analysis, 能超出[0,1]，可对其进行归一化使其取值在[0,1] PCA)[4由Kiby和Sirovich1首先引入人脸识别，并取 内，归一化策略如下： 得巨大成功，成为一个判别人脸识别方法性能好坏的 P(x,y）= P.(x,y）-min(P.(x,y) max(P.(x,y））-min(P.(x,y）) 公认基准.针对单训练样本人脸识别问题，Wu和 Zhou[6在PCA的基础上提出了结合投影的主分量分 (3) (projection combined principal component analysis, 最后，得到原图像的结合投影图像P(x,y),然 (P℃)2A),这种方法能够在一个更小的特征空间中获 后对其运用P℃A进行降维和特征提取.根据文献 得优于传统PCA算法的识别性能，但是Chen等]又 [6],在使用较少的特征脸(10%~15%)情况下，即 进一步探讨了n阶(P℃)2A,他们认为采用高阶投影组 在一个更小的特征空间中，(PC)2A可以获得比传 合能够进一步降低特征维数，而识别性能略有提高，并 统特征脸方法更高的识别精度， 提出了E(PC)2A(enhanced(PC)2A)算法，随后 1.2奇异值扰动的主分量分析法 Z☑hag等31又注意到人脸图像矩阵的奇异值除了对噪 遵循(PC)2A的思路，SPCA为研究单样本人脸 声不敏感外，还具有保持输入向量的某些代数和几何 识别问题提供了一条新的思路，它是一种图像增强 不变性的重要性质，从而提出了奇异值扰动的主分量 的方法.它首先需要得到图像的奇异值扰动衍生图 像，再把原图像和衍生图像按一定的法则结合形成 singular value decomposition perturbation principal component analysis,SPCA) 结合图像，最后对结合图像运用PCA以识别图像. 1.1结合投影的主分量分析法 SPCA的目的就是要从单幅人脸图像中“挤出”更多 (P℃)2A是专门针对单样本人脸识别提出的，侧 的信息，这些“挤出”的信息包含某些对识别很重要 重图像预处理的一种扩展的P℃A方法，该方法把原 的人脸特征. 人脸图像与其一阶投影相结合，以增强人脸图像中对 假设I(x,y)是一幅归一化的大小为N1×N2的 识别有利的信息，抑制人脸图像中对识别无用的信 图像灰度矩阵，其中I(x,y)∈[0,1]，根据奇异值分 息，从而提高单训练样本情况下的人脸识别效果 解定理，I可表示为 假设P(x,y)是一幅经过归一化的大小为N,× I=UAV N2的图像的灰度矩阵，x∈[1，N,],y∈[1，N2], 式中：A是由I的奇异值组成的N×N2阶对角矩 P(x,y)∈[0,1].P(x,y)的水平和垂直投影分别定 ∫入≥0，i=j 义如式(1)和式(2)： 阵，它的元素入{0，i U是N×N,阶正交 矩阵，V是N2×N2阶正交矩阵，U和V分别是矩阵 H,(y）=P(x,y), (1) = 和矩阵严I对应于特征值入的特征向量， 然后，通过扰动原图像I的奇异值来获得I的
第6期 王科俊，等：SPCA参数对单样本人脸识别效果影响分析 ·533· 奇异值衍生图像P,P定义为 是n越大越好，当n取较大值时衍生图像的内部信 P=UA"VT (4) 息结构被扰乱，图像变得平滑模糊，不再适合用来表 式中：n是一个实数，取值范围为11时，满足入：>1的奇异值对应的特征向量将 图像的生成不会产生明显的影响变化，从而对于最 被放大，同时入：<1的奇异值所对应的特征向量被 终结合图像增强效果的影响也并不明显，不利于分 缩小，因此衍生图像P在强调较大奇异值作用的同 析n的变化给识别率所带来的影响；而当m取值为 时，对较小的奇异值进行了限制，实现了对人脸图像 7时，n的取值为1.25，当m的取值为8时，n对应的 中有用信息的放大增强，对无用信息的削弱衰减.所 为1.333，当m变化到9的时候n的取值为1.5，所 以，将P结合到I得到结合图像J的这一过程，在保 以中间的取值1.4对于识别效果有怎么样的影响无 持原始图像主要信息的前提下，将会对轻微的表情、 法进行有效的分析. 光照和遮挡等变化具有较好的适应性， 本文对文献[3]中n值的取值方式进行了改 结合图像J(x,y)的取值有可能超出[0,1]，尽 进，采取均匀取值的方式，定义n取值为1.1,1.2， 管这对最终的识别结果不会有影响，但显示图像时 …,1.9,2.0,这样可以更全面和均衡准确地分析出 会产生变形.为此，对J(x,y)的取值也采用式(3) 取值分布对于识别率的影响.另外，对参数的取值 进行归一化.然后，对归一化后的结合图像J(x,y) 范围，分别在ORL人脸库和CAS_PEAL人脸库上进 而不是原图像I(x,y)采用主分量分析法提取特征 行了大量的实验，实验表明文献[3]将参数n的上 和识别，这就是奇异值扰动的主分量分析法，也即 限值确定在2.0是并不合理的，在实际的人脸识别 系统中应当根据具体采用的人脸数据库中，人脸图 SPCA. 1.3SPCA参数选取分析 像模式的复杂程度设定参数n的上限值，而将参数 n固定在某一个值的做法是不恰当的. 通过1.2节的分析，可以看出参数n和a对 而对于结合参数α会对识别率产生怎么样的 SPCA过程及识别效果有严重的影响.文献[3]在介 影响，文献[3]中没有给出明确的取值原则，本文则 绍SPCA算法的过程中，将参数a的值设定为0.25， 通过大量的实验对比得出了结合参数α合理的取 但并没有给出取值的原则和方法，只是在参数α= 值范围.在获得参数n和α较小的取值范围后，再在 0.25的情况下简要讨论了参数n对识别效果的影 这个小范围内进行更为精确细致的实验，最终得到 响，得出了n取3/2时SPCA效果较好的结论.另 参数n和a的最优取值， 外，何家忠等8]在讨论一种新的图像增强方法时， 也对参数的取值进行了分析，但也只是在固定α= 2SPCA算法的实现步骤 0.3的情况下分析了参数n的变化带来的影响，并 SPCA算法的实质是奇异值分解结合主分量分 得出n取9/8时算法的识别性能较好，然后在固定 析，因此可连接图像的奇异值分解及主分量分析2 n=9/8时分析了参数α对算法性能的影响，得出了 个步骤来实现，具体实现步骤如下： 参数x的取值范围为0.15<a<0.4.显然，固定一 1)对于人脸库中的一幅人脸图像，可用实矩阵 个参数而分析另一个参数对SPCA过程及识别效果 A∈RMx来表示，先把A的像素值范围归一到[O, 的影响是不全面的，应当在参数n和α同时变化的 1],计算ATA∈RxN 情况下进行有效的分析. 2)利用雅可比过关法[9求出ATA的特征值入： 文献[3]指出在衍生图像的重构过程中参数n (i=1,2,…,W)及对应的特征向量"，根据4= 是一个大于1的实数，n取大于1的实数可以有效 1 二Ay:求AAT的特征向量， 地将有用信息进行增强，无用信息进行衰减，但并不 /
·534 智能系统学报 第6卷 3)根据式(4)计算A的奇异值扰动衍生图像 P,根据式(5)和(3)计算结合图像J. 4)将J按列连接成一个M×N维的列向量x:, 用“=2，计算x的均值向量 5)由于计算协方差矩阵Σ=上龙 K2-)( 4)T=ZZ的特征值和特征向量较难，转而计算协方 差”=ZZ和其特征值和特征向量， 图1ORL人脸库中一个人的图像 Fig.1 One person's images in ORL face database 6)根据么，=人2，求协方差矩阵Σ=是 3.2ORL人脸库上的实验结果分析 √： 客(x-)(x-)'=zZ的特征值和特征向量，按 针对参数n和a取不同值，采用文献[3]中的 取值方式和本文提出的均匀取值方式进行了实验， 从大到小的顺序对Σ的特征值及对应的特征向量 图2和图3分别给出了2种取值情况下图像的奇异 排序，然后采用三A,/名入：≥9舍弃无用的特征值和 值扰动衍生图像、结合图像随n变化的情况 其对应的特征向量，得到所需的投影矩阵U, 7)训练图像和测试图像按P=Y往投影空间 U投影，得到投影向量，再利用欧式距离来确定测试 图像的类别。 3 实验结果分析 本文分别在ORL人脸库和CAS-PEAL人脸库 m=7 m=8 m=10 上进行了大量的实验，其中OL人脸库是一个变化 (a)x=0.25时的衍生图像 模式相对单一且由西方人人脸构成的人脸库，而 CAS-PEAL人脸库是变化模式相对较为复杂且由东 方人人脸组成的人脸库，通过在这样的2个人脸库 上的实验可以更充分地验证参数n和α取不同值时 原图像 m=】 m=2 1=3 对SPCA识别效果的影响. 3.10RL人脸库介绍 实验所用人脸图像为英国剑桥大学AT&T实验 m=7 m=8 m=9 m=10 室创建的ORL人脸数据库o].ORL人脸库包括40 (b)a=0.25时的结合图像 个人，每人10幅，共400幅人脸图像，图像为256级 图2文献[3]中m取不同值时的衍生图像和结 灰度，尺寸大小为92×112（宽×高）像素.照片拍摄 合图像 于不同的时间，采用统一的黑色均匀背景，在一定范 Fig.2 The derived images and combined images 围内存在光照变化，面部表情变化（睁眼或者闭眼、 in [3]with different m 微笑或者严肃)以及脸部细节变化（如是否戴眼 镜)，所有的照片都是正面直立的，允许一定角度的 头部倾斜和旋转，一般旋转角度不超过20°.这有利 于验证SPCA参数是否可以抑制无用干扰信息，对 n=1.1 n=1.2 n=1.3 =1.4 n=1.5 于分析参数变化对识别效果的影响是有利的 实验中选取40个人，每人一幅具有正常表情的 标准人脸图像作为训练样本库，剩余的360幅图像 1=1.6 n=1.7n=1.8n=1.9n=2.0 用于测试.图1给出了其中一个人的图像. (a)a=0.25时的衍生图像
第6期 王科俊，等：SPCA参数对单样本人脸识别效果影响分析 ·535· 表1参数n2种取值方式下的平均识别率对比 Table 1 The average recognition rate n in two values modes 本文n 平均识 文献[3] 平均 原图像n=1.11=1.2n=1.3n=1.4 =1.5 取值方式 别率/% n取值方式 识别率/% 1.1 87.12 1.1000 87.12 1.2 85.61 1.1111 87.29 1.3 84.26 1.1250 87.21 1=1.6n=1.7n=1.8n=1.9n=2.0 1.4 83.50 1.1433 86.95 (b)a=0.25时的结合图像 1.5 82.15 1.1667 86.11 图3本文中n取不同值时的衍生图像和结合图像 1.6 81.15 1.2000 85.61 Fig.3 The derived images and combined images 1.7 79.97 1.2500 84.85 in this paper with different n 1.8 79.29 1.3333 84.09 通过上面的实验图像可以明显地看出，当采用 1.9 78.78 1.5000 82.15 文献[3]中的取值方式时，在a=0.25的情况下，m 2.0 78.70 2.0000 78.70 从1~6的变化过程中，衍生图像几乎没有变化：同 样得到的结合图像也没有太大变化；而当m从8变 表2 参数n2种取值方式时参数α变化对平均识别率的影响 化到10时，衍生图像则发生较大的模糊变化，这对 Table 2 The influence of parameter a change under differ- 于充分分析取不同值对衍生图像的重构带来的影 ent n values 响是不利的.所以，为了能够均衡、充分地分析和 a取值 本文平均识别率/% 文献[3]平均识别率/% α的变化给识别率带来的影响，分别针对文献[3]的 0.10 83.52 85.37 取值方法和本文的取值方法进行了大量的实验.实 0.20 82.50 85.46 验结果如图4、5与表1、2所示 0.25 82.50 85.55 90 0.30 82.22 85.18 85 0.40 81.85 85.28 0.50 81.85 85.18 80 0.60 81.67 85.09 7 0.70 81.76 84.63 0.8 0.80 81.67 84.63 0.6 0.4 0.90 81.57 84.35 0.0124i682.0 0.2六 1.00 81.48 84.35 参数n 通过图4和图5以及表1、2中的实验数据，2 图4本文采用n均匀取值方式下的识别率 种取值方式随着n的不断增大，平均识别率都呈现 Fig.4 Recognition rate n values in the uniform mode 下降的趋势，但是相对于文献[3]提出的取值方法， 采用均匀取值的方式时，识别率呈现均匀下降的趋 90i 势，能更全面地观察出n的变化给识别率带来的影 85 响.通过表1数据可以看出，当1<n≤1.6时平均识 80 别率在80%以上，识别效果较好. 7 在分析n取值变化给识别率带来影响的同时， 0.8 也详细地针对α的变化给识别率带来的影响进行 0.6 了大量的实验，通过表中的数据，随着α的增大平 0.2 0h.012i4i.6.82.0 均识别率整体呈现下降的趋势，在n值均匀变化的 参数n 情况下，随着α的增大平均识别率的变化范围较 图5文献[3]中n取值方式下的识别率 宽，结合上述2个表中的数据，0.1<<0.5时，SP Fig.5 Recognition rate n values in [3] CA的识别性能较好 上面的实验数据只是说明了识别率受参数变化
.536 智能系统学报 第6卷 影响时的总体变化趋势，并得出了参数n和αx的一个 57d 大致的取值范围。在得出此范围之后，本文又进行了 56 实验，结果如图6所示.从而得出n和α的最佳取值. 54 88 86 80 0.5 参数a 0.4 . 01.0150之.530 参数n 0.4 藏0.3 图8本文采用的均匀取值方式下的识别率 0.2 Fig.8 Recognition rate n values in the uniform mode 0.11.1 1.2 .3.4i5 参数n 56 855 图6n和a小范围变化时的识别率 54 53l Fig.6 Recognition rate n and a change in a small area 5 结合表1、表2、图6的实验数据可以看出，当n 取值为1.15或1.2时平均识别率分别为87.34% 0.8 .6 和86.63%，而单项识别率也是比较高的.而对于α 的取值为0.25时，平均识别率为85.39%是比较高 0.2 的，而且单项的识别率也是最高的.综合以上的分 01.0i2 1.416182.0 绘数n 析，最终得到参数n和a取值分别为1.15和0.25. 图9文献[3]中n取值方式下的识别率 3.3CAS-PEAL人脸库上的实验结果分析 Fig.9 Recognition rate n values in [3] 由3.2节的测试数据可以看出，由于OL人脸 库中的人脸模式变化单一，所以识别效果还令人满 54.6 。一本文方法 54.4 文献[3]方法 意.现在再采用人脸模式变化较多的CAS-PEAL人 脸库进行实验，测试参数取值对于识别效果的影响 54.2 CAS-PEAL人脸库包含了1040名中国人共99450 54.0 幅头肩部图像，所有图像在专门的采集环境中采集， 53.8 53.6 涵盖了姿态、表情、饰物和光照4种主要变化条件， 部分人脸图像具有背景、距离和时间跨度的变化.本 53.4 53.2 文实验中采用每人的7幅图像，这7幅图像分别是 0.2 0.40.60.81.0 每人在表情、正常、背景、距离、饰物、姿态和光照变 参数a 化下的人脸图像.图7是选择出来的一个人在7种 图10n2种取值方式下的平均识别率 变化下的人脸图像， Fig.10 The average recognition rate n in two values modes 57.0 56.5 本文方法 一文献[3]方法 56.0 55.5 55.0 54.5 54.0 535 53.0 52.5 0 1.82.2 2.6 3.0 图7CAS-PEAL人脸库中选择出来的一个人的人脸图像 参数n Fig.7 One person's images in CAS-PEAL face data base 图11参数α变化对平均识别率的影响 Fig.11 The influence of parameter a change
第6期 王科俊，等：SPCA参数对单样本人脸识别效果影响分析 ·537 通过图8~11的实验数据看出，识别率有明显的 有用的信息，并抑制那些对识别不利的信息，然后再 下降，这也恰恰说明了在复杂情况下提高单样本人脸 使用主分量分析法进行特征提取和识别，为单训练 识别率是困难的.采用文献[3]的取值方式，参数n被 样本人脸识别开辟了一条新的思路.本文重点讨论 限定在1~2，但是显然SPCA算法的识别率没有达到 并测试了SP℃A中衍生图像生成参数n和结合图像 最优值，识别率明显处于上升阶段，无法得出参数 计算中结合参数a对识别结果的影响，得出了SP 对识别效果有影响的正确结论，所以本文在此基础 CA取得较好识别效果时参数的取值原则，从而进 上，进行了进一步的实验，把参数n的取值范围扩大 步说明SPCA方法的有效性 到了1~3，实验数据表明参数n在取值为2.1和2.2 参考文献： 时平均识别率和单项识别率是最高的，当n变化到 2.8以后识别率基本维持在一个固定的值，不再发生 [1]TAN Xiaoyang,CHEN Songcan,ZHOU Zhihua,ZHANG 变化. Fuyan.Face recognition from a single image per person:a 而参数α对识别效果的影响并不是特别明显， survey[J].Pattem Recognition,2006,39:1725-1745. 采用文献[3]的取值方式时，在参数α变化的情况 [2]王科俊，段胜利，冯伟兴.单训练样本人脸识别技术综述 [J].模式识别与人工智能，2008,21(5)：7783,635- 下平均识别率基本都维持在53%左右，而采用本文 642, 的方法时，平均识别率维持在54%左右，并没有大 WANG Kejun,DUAN Shengli,FENG Weixing.A survey of 幅度的增减现象出现，但是通过单项识别率可以看 face recognition using single training sample[J].Pattern 出，参数α取值在0.5~1.0的识别率相对较高. Recognition and Artificial Intelligence,2008,21(5):77- 通过以上的分析和格数据得出这样的结论，在 83,635-642 CAS-PEAL人脸库上进行实验测试SPCA参数的影 [3]ZHANG Daoqgiang,CHEN Songcan,ZHOU Zhihua.A new 响，参数a的取值范围为0.5<a<1.0,参数n的最 face recognition method based on SVD perturbation for sin- 佳取值为2.1，已经超出文献[3]所规定的2.0的上 gle example image per person[J].Applied Mathematics and 限值。 Computation,2005,163(2):895-907. 本文通过在ORL人脸库和CAS-PEAL人脸库上 [4]TURK M,PENTLAND A.Eigenfaces for recognition[J]. 的大量实验，验证了SPCA算法衍生图像生成参数n Joural of Cognitive Neuroscience,1991,3(1):71-86 [5]KIROBY M,SIROVICH L.Application of the Karhunen- 和结合图像计算中结合参数α对识别效果有严重的 影响.针对不同情况下的人脸库，参数n和参数α应 Loeve procedure for the characterization of human faces[]. IEEE Transactions on Pattern Analysis and Machine Intelli- 当有不同的取值规律，并不是一成不变的.对于人脸 g9nce,1990,12(1):103-108. 模式变化较为单一且由西方人人脸构成的人脸库，一 [6]WU Jianxin,ZHOU Zhihua.Face recognition with one 般参数n和参数α取值是比较小的，而对人脸模式变 training image per person[J].Patter Recognition Letters, 化较为复杂且为东方人的人脸库，参数n和参数x取 2002,23(14):1711-1719. 值相对较大.这主要是由于在人脸模式单一的情况 [7 CHEN Songcan,ZHANG Daoxiang,ZHOU Zhihua.En- 下，如果参数取值较大衍生图像的内部信息结构被 hanced (PC)2A for face recognition with one training im- 扰乱，图像变得平滑模糊，不再适合用来表征人脸图 age per person[J].Patter Recognition Letters,2004,25 像，会导致识别率下降，但是在人脸模式较为复杂的 (10):1173-1181. 情况时，人脸图像信息已经很复杂，经过衍生图像变 [8]何家忠，杜明辉.单样本人脸识别中一种新的图像增强 方法[J].微计算机信息，2006,22(3)：266-268 换后，最终得到的人脸结合图像变得模糊从而忽略了 HE Jiazhong,DU Minghui.A new image enhancement 一些细节信息，但这样更能表达出复杂状态下各种人 method for face recognition with single training sample[J]. 脸的概况信息，所以识别率反而提高。 Microcomputer Information,2006,22(3):266-268. 4结束语 [9]徐士良.C常用算法程序集[M].2版.清华大学出版 社，1996：74-77. 奇异值扰动的主分量分析(SPCA)首先对人脸 [10]剑桥大学AT&T实验室.ORL人脸库建[EB/OL] 图像进行特殊的预处理，以增强人脸图像中对识别 [2010-05-12 ]http://www.cl.cam.ac.uk/Research/
·538. 智能系统学报 第6卷 DTG/attarchive/facedatabase.html. 作者简介： 王科俊，男，1962年生，教授，博士生 导师，博士，哈尔滨工程大学自动化学 邹国锋，男，1984年生，博士研究 院副院长，哈尔滨工程大学模式识别与 生，主要研究方向为生物特征识别与智 智能系统学科带头人.现任中国人工智能 能监控。 学会理事、中国人工智能学会科普工作 委员会副主任、黑龙江省人工智能学会 理事长、黑龙江省神经科学学会副理事长、黑龙江省神经 科学学会人工智能与医学工程专业委员会主任、黑龙江省 自动化学会理事.曾获得部级科技进步二等2项，三等奖3 项，省高校科学技术一等奖1项、二等奖1项.主要研究方 张洁，女，1987年生，硕士研究生， 向为生物特征识别与智能监控、神经网络、计算生物信息 主要研究方向为生物特征识别与智能 学等.完成科研项目20余项，在研项目10余项.发表学术论 监控。 文150余篇，出版学术专著3部，主审教材2部. 第9届中国智能机器人学术研讨会胜利召开 由中国人工智能学会智能机器人专业委员会主办、北京大学深圳研究生院承办的“第9届中国智能机 器人学术研讨会”于2011年11月11~13日在深圳举行，150多名专家学者出席了本次会议.中国人工智能 学会理事长李德毅院士和指导委员会主任涂序彦教授来信向大会表示祝贺，香港中文大学副校长徐扬生院 士、中国人工智能学会原理事长钟义信教授、中国人工智能学会副理事长韩力群教授、秘书长王万森教授、智 能机器人专业委员会名誉主任蔡自兴教授、北京大学校长助理深圳研究生院常务副院长史守旭教授、深圳市 科技工贸和信息化委员会副主任刘锦等嘉宾出席了本次会议， 大会开幕式由组委会主任刘宏教授主持，大会主席、中国人工智能学会智能机器人专业委员会主任黄心 汉教授致开幕词，韩力群副理事长、钟义信教授、史守旭教授和刘锦副主任分别致词.徐扬生院士、钟义信教 授、孙立宁教授、谭民教授、黄心汉教授、洪炳榕教授等作了大会报告.大会报告内容精彩详实，受到与会代表 的热烈欢迎.在分组报告中，100多位专家学者展示了近年来在智能机器人研究中的丰硕成果，交流了科技 开发和学术活动的宝贵经验，展望了未来智能机器人的发展方向，深入探讨了智能机器人的发展战略.会议 热烈务实，会议评选出优秀论文10篇，是我国智能机器人科技界、学术界和产业界的一次盛会， 会议期间，根据中国人工智能学会章程进行了智能机器人专业委员会的换届选举.中国人工智能学会副 理事长韩力群教授和秘书长王万森教授出席和指导了换届选举工作.在换届选举领导小组的主持下，与会代 表听取和审议了第4专业委员会主任黄心汉教授的工作报告，代表们对第4专业委员会的工作表示满意，对 今后的工作也提出了许多有益的建议.会议选举安向京等109人为第5届智能机器人专业委员会委员，曹其 新等30人为常务委员，黄心汉为专委会主任，谭民、贺汉根、葛运建、刘宏、付宜利为副主任，王敏为秘书长， 在第5届专委会第1次常委会上，认真讨论了新一届专委会的工作和活动安排，审议和讨论了下一届学术年 会的承办单位和举办地，决定2013年第10届中国智能机器人学术会议由山河智能装备股份有限公司和中 南大学承办 在会议闭幕式上，黄心汉教授作了大会总结，组委会和上海未来伙伴机器人有限公司代表为获奖论文和 作者颁发了获奖证书和奖金
王科俊，男，1962年生，教授，博士生 导师，博士，哈尔滨工程大学自动化学 院副院长，哈尔滨工程大学模式识别与 智能系统学科带头人.现任中国人工智能 学会理事、中国人工智能学会科普工作 委员会副主任、黑龙江省人工智能学会 理事长、黑龙江省神经科学学会副理事长、黑龙江省神经 科学学会人工智能与医学工程专业委员会主任、黑龙江省 自动化学会理事.曾获得部级科技进步二等2项，三等奖3 项，省高校科学技术一等奖1项、二等奖1项.主要研究方 向为生物特征识别与智能监控、神经网络、计算生物信息 学等.完成科研项目20余项，在研项目10余项.发表学术论 文150余篇，出版学术专著3部，主审教材2 部