第6期 苏光大：多技术合力的人脸识别系统设计 473 日）=e-6. 在其他测试集上也得到与图7和表1类似的测 o 试结果，这里不再赘述.图7表明，全局(5部件融 (2) 合)识别模式的识别率优于单部件识别模式的识别 式中：z=(x,y)表示二维点坐标，波矢量k。的定 率；表1表明，灰度+Gabor识别算法GGMMP-PCA 义为k。=ke4,k。=kmm/A“,8。=T/n.本文取 的识别率优于灰度识别算法MMP-P℃A的识别率， n=8,0=2m,k=T/2,A=V2,以及u∈{0,1， 也优于Gabor识别算法GMMP-PCA的识别率. 2,3,4},0∈{0,1,2,3,4,5,6,7}，得到五尺度八方 ROC曲线 1.0 向的Gbor滤波器组.各个滤波器的实部和虚部如 0.9r 图5所示 0.8z 三0.7 0.6 2 Convolution 0.5 3.Eve 0.4 5.Mouth Normalized image Different orientation 0.30 10 10 10 FAR 图5 Gabor滤波 图7各个部件和融合的ROC曲线 Fig.5 Gabor transform Fig.7 ROC curves of each part and multiple parts 对图4所示的人脸部件进行Gabor滤波，得到 各部件的Gabor图像. 3 MMX和集群技术的应用 GGMMP-PCA人脸识别算法的框图如图6所示. 在大数据库中进行人脸识别，最耗时的环节是 多部件 PCA 多部件 灰度图像 相似度计算，采用MMX技术和集群计算机技术来 灰度特征 人脸归 化图像 融合 提高计算速度，图8给出了应用集群计算机的实验 多部件 结果，表2给出了应用MMX技术的实验结果]. 降维 Gabora滤Gabor图像PCA 多部件 分割 Gabor特 匹配 混合特征1 判断决策 融合 匹配 混合特征5 图6 GGMMP-PCA人脸识别算法的框图 34 6 Fig.6 GGMMP-PCA face recognition algorithm framework 集群机台数 多部件灰度特征和多部件Gabor特征进行特征 图8。应用集群计算机的实验结果 级融合，组成混合特征.计算相似度时，仍按照各个 Fig.8 Experimental resultal of using multi-computer 部件的重要性程度，采用加权和规则进行融合 表2MMX加速的实验 GGMMP-PCA方法体现了多特征多部件合力的设计 Table 2 Experiment of MMX speedup 思想.图7给出了各个部件和融合的R0C曲线，表1 数据容量/万 VC实现/sMMX实现/s加速比Rax 给出了灰度图像MMP-PCA、Gabor图像MMP-PCA 5 2.1766 0.1526 14.26 以及GGMMP-PCA的识别率. 表1 FERET-h数据库下的测试结果 10 4.3375 0.2992 14.50 Table 1 Experimental results of using FERET-fb database% 20 8.7238 0.6026 14.48 FAR=0.1% FAR=1% 算法 系统的加速比为R,则 时的GAR 时的GAR R Ryx X Rdmter (3) MMP-PCA 92.44 97.58 采用MMX和集群计算机技术（使用5台从 GMMP-PCA 96.07 99.19 机)，查询速度达到了256万/s. GGMMP-PCA 98.88 99.80