·460· 智能系统学报 第14卷 92.41%和97.75%，远远高于其他算法。实验结果 图片和3幅戴围巾图片组成，每幅图片大小被裁 可以证实，SWLRR可以较好地解决样本中存在 剪成165像素×120像素，图3(b)展示了AR数据 不同的光照和表情的问题。 库中某类的少量样本。实验中每人前半部分图片 中的7张无遮挡图片作为训练样本，后半部分中 的7张无遮挡图片作为测试样本，特征维度选择 (a)Extended Yale B数据库 为25、50、100、200、300，对比结果如表3所示。 从实验结果来看，SWLRR在AR数据库上无遮挡 条件的识别率也均高于其他算法。 (b)AR数据库 表3AR数据库在无遮挡条件下不同维度的算法识别率 Table 3 The recognition rate of different dimensions in AR database without occlusion % (c)CMU PIE数据库 特征维度SWLRR DLRR SRC(PCA)LRMR RRC SVM 25 75.7171.00 64.29 69.8669.1460.71 图3实验中用到的样本图像 Fig.3 Images used in our experiments 50 87.57 85.14 81.29 85.7182.5768.0 100 90.57 89.14 89.29 90.1490.4272.29 表1 Extended Yale B数据库在无遮挡条件下不同维度 的算法识别率(16训练样本) 200 92.7188.43 92.14 9392.5773.71 Table 1 The recognition rate of different dimensions in 300 93.1488.57 93.14 93.5793.1474.00 Extended Yale B database without occlusion(16 training samples) % 4.1.3 CMU PIE数据库实验 CMU PIE数据库由68个人的41368张图片 特征维度SWLRR DLRR SRC(PCA)LRMR RRC SVM 组成，所有图片在不同姿势、光照和表情条件下 25 92.4186.27 73.44 75.3277.5171.54 采集。本文选用编号为C07的子数据库用来实 50 95.48 91.53 85.32 86.3486.7577.18 验，其包含68个人的1629张图片，每人大约 75 95.82 92.85 89.0 89.7889.4677.49 24张，每张图片大小为64×64，图3(c)展示了 100 95.7893.79 90.65 90.9191.0480.33 CMU PIE数据库中某类的少量样本。实验中每 200 95.8195.56 93.89 93.7493.8681.99 类随机选择12张图片作为训练样本，其余图片作 300 95.7995.65 94.94 94.4894.882.48 为测试样本，共进行10次实验，取10次结果均值 为最终结果。特征维度选择为25、50、100、200、 表2 Extended Yale B数据库上在无遮挡条件下不同维 300,对比结果如表4所示。 度的算法识别率(32训练样本) 表4 CMU PIE数据库上不同算法在无遮挡条件下的识 Table 2 The recognition rate of different dimensions in 别率 Extended Yale B database without occlusion(32 Table 4 The recognition rate of different dimensions in training samples) % CMU PIE database without occlusion % 特征维度SWLRR DLRR SRC(PCA)LRMR RRC SVM 特征维度SWLRR DLRR SRC(PCA)LRMR RRC SVM 25 97.75 92.88 80.08 82.9886.7780.35 25 93.39 82.60 79.32 81.6578.5175.19 50 99.45 96.89 91.59 92.3593.5187.08 50 94.5890.97 89.14 90.5388.1779.10 75 99.42 97.26 94.27 95.7995.0989.09 100 94.7593.16 92.55 92.8390.4281.18 100 99.39 97.9 95.8 96.9496.1490.2 200 94.7693.98 93.43 93.3490.3082.50 200 99.39 98.89 97.58 98.0297.7991.37 300 94.8494.05 93.7393.3790.0182.74 300 99.42 99.13 98.23 97.9898.491.82 从表4可以看出，在CMU PIE数据库上SWLRR 4.1.2AR数据库实验 算法在不同维度下识别率同样远高于其他算法。 AR数据库包含126个人的4000多张人脸图 在维度为25时，SWLRR算法识别率为93.39%， 片，每个人有26张，被分为两部分，每部分由含 高于DLRR算法将近11%。但是，随着维度的增 有表情光照变化的7幅无遮挡图片、3幅戴墨镜 加，各种算法识别率的差异变得越来越小，主要92.41% 和 97.75%，远远高于其他算法。实验结果 可以证实，SWLRR 可以较好地解决样本中存在 不同的光照和表情的问题。 4.1.2 AR 数据库实验 AR 数据库包含 126 个人的 4 000 多张人脸图 片，每个人有 26 张，被分为两部分，每部分由含 有表情光照变化的 7 幅无遮挡图片、3 幅戴墨镜 × 图片和 3 幅戴围巾图片组成，每幅图片大小被裁 剪成 165 像素 120 像素，图 3(b) 展示了 AR 数据 库中某类的少量样本。实验中每人前半部分图片 中的 7 张无遮挡图片作为训练样本，后半部分中 的 7 张无遮挡图片作为测试样本，特征维度选择 为 25、50、100、200、300，对比结果如表 3 所示。 从实验结果来看，SWLRR 在 AR 数据库上无遮挡 条件的识别率也均高于其他算法。 4.1.3 CMU PIE 数据库实验 × CMU PIE 数据库由 68 个人的 41 368 张图片 组成，所有图片在不同姿势、光照和表情条件下 采集。本文选用编号为 C07 的子数据库用来实 验，其包含 68 个人的 1 629 张图片，每人大约 24 张，每张图片大小为 64 64，图 3(c) 展示了 CMU PIE 数据库中某类的少量样本。实验中每 类随机选择 12 张图片作为训练样本，其余图片作 为测试样本，共进行 10 次实验，取 10 次结果均值 为最终结果。特征维度选择为 25、50、100、200、 300，对比结果如表 4 所示。 从表 4 可以看出，在 CMU PIE 数据库上 SWLRR 算法在不同维度下识别率同样远高于其他算法。 在维度为 25 时，SWLRR 算法识别率为 93.39%， 高于 DLRR 算法将近 11%。但是，随着维度的增 加，各种算法识别率的差异变得越来越小，主要 表 1 Extended Yale B 数据库在无遮挡条件下不同维度 的算法识别率 (16 训练样本) Table 1 The recognition rate of different dimensions in Extended Yale B database without occlusion(16 training samples) % 特征维度 SWLRR DLRR SRC(PCA) LRMR RRC SVM 25 92.41 86.27 73.44 75.32 77.51 71.54 50 95.48 91.53 85.32 86.34 86.75 77.18 75 95.82 92.85 89.0 89.78 89.46 77.49 100 95.78 93.79 90.65 90.91 91.04 80.33 200 95.81 95.56 93.89 93.74 93.86 81.99 300 95.79 95.65 94.94 94.48 94.8 82.48 表 2 Extended Yale B 数据库上在无遮挡条件下不同维 度的算法识别率 (32 训练样本) Table 2 The recognition rate of different dimensions in Extended Yale B database without occlusion(32 training samples) % 特征维度 SWLRR DLRR SRC(PCA) LRMR RRC SVM 25 97.75 92.88 80.08 82.98 86.77 80.35 50 99.45 96.89 91.59 92.35 93.51 87.08 75 99.42 97.26 94.27 95.79 95.09 89.09 100 99.39 97.9 95.8 96.94 96.14 90.2 200 99.39 98.89 97.58 98.02 97.79 91.37 300 99.42 99.13 98.23 97.98 98.4 91.82 表 3 AR 数据库在无遮挡条件下不同维度的算法识别率 Table 3 The recognition rate of different dimensions in AR database without occlusion % 特征维度 SWLRR DLRR SRC(PCA) LRMR RRC SVM 25 75.71 71.00 64.29 69.86 69.14 60.71 50 87.57 85.14 81.29 85.71 82.57 68.0 100 90.57 89.14 89.29 90.14 90.42 72.29 200 92.71 88.43 92.14 93 92.57 73.71 300 93.14 88.57 93.14 93.57 93.14 74.00 表 4 CMU PIE 数据库上不同算法在无遮挡条件下的识 别率 Table 4 The recognition rate of different dimensions in CMU PIE database without occlusion % 特征维度 SWLRR DLRR SRC(PCA) LRMR RRC SVM 25 93.39 82.60 79.32 81.65 78.51 75.19 50 94.58 90.97 89.14 90.53 88.17 79.10 100 94.75 93.16 92.55 92.83 90.42 81.18 200 94.76 93.98 93.43 93.34 90.30 82.50 300 94.84 94.05 93.73 93.37 90.01 82.74 (a) Extended Yale B 数据库 (b) AR 数据库 (c) CMU PIE 数据库 图 3 实验中用到的样本图像 Fig. 3 Images used in our experiments ·460· 智 能 系 统 学 报 第 14 卷