3.3.6、重复步骤3.3.1和步骤3.3.5，从而获得训练集中任意一纯人脸图像中 所有纯人脸子图像的V-SLGS直方图特征，将所有纯人脸子图像的V-SLGS直方图特征按照由 左到右、由上到下的顺序进行级联;从而可获得训练集中任意一纯人脸图像的V-SLGS特征；
[0165] 步骤3.3.7、将训练集中所有纯人脸图像按照步骤3.3.1-步骤3.3.6进行处理，从 而获得所有纯人脸图像的SLGS特征，并构成SLGS特征集；
[0166] 步骤3.3.8、利用BP神经网络对V-SLGS特征集进行训练，得至IjV-SLGS局部子空间；
[0167] 步骤3.4、将ULAP局部子空间、SLGS局部子空间和V-SLGS局部子空间进行联合，从 而构成局部互补子空间；
[0168] 步骤4、选取测试集中的任意一幅纯人脸图像作为测试图像；
[0169] 步骤4.1、在全局互补子空间上对测试图像进行分类识别；
[0170] 步骤4.1.1、将测试图像投影到全局独立空间的变换矩阵上，从而获得测试独立特 征；
[0171]步骤4.1.2、将训练独立特征集和测试独立特征分别投影到非零空间的变换矩阵 上，从而获得训练线性鉴别特征集和测试线性鉴别特征；
[0172] 步骤4.1.3、将训练独立特征集和测试独立特征分别投影到所述零空间的变换矩 阵上，从而获得训练共同矢量特征集和测试共同矢量特征；
[0173] 步骤4.1.4、求取测试线性鉴别特征分别与训练线性鉴别特征集中的每个线性鉴 别特征的欧式距离，并选取最小欧式距离记为d 1;根据最小欧式距离cU所对应的训练线性鉴 别特征，获得相应的纯人脸图像的标签，记为Lab1;
[0174] 步骤4.1.5、求取测试共同矢量特征分别与训练共同矢量特征集中的每个共同矢 量特征之间的欧式距离，并选取最小欧式距离记为d 2;根据最小欧式距离山所对应的训练共 同矢量特征，获得相应纯人脸图像的标签，记为Lab2;
[0175] 步骤4.1.6、判断标签Lah与标签Lab2是否一致，若一致，则将标签Lah作为测试图 像的识别结果;若不一致，则执行步骤4.2;
[0176] 步骤4.2、利用局部互补子空间对测试图像进行精确分类；
[0177] 步骤4.2.1、对测试图像分别提取ULAP特征、SLGS特征和V-SLGS特征；
[0178] 步骤4.2.2、将测试图像的ULAP特征、SLGS特征和V-SLGS特征分别投影到局部互补 子空间上，得到三个特征在所述局部互补空间上属于训练集中各个人脸类别的后验概率向 量；由三个后验概率向量构成后验概率矩阵；
[0179] 步骤4.2.3、定义后验概率矩阵中任一元素为5^,(1;1<(1<〇々表示所述1]1^^特征、 SLGS特征和V-SLGS特征中的任一特征;1 < k < 3;
[0180] 步骤4.2.4、初始化1^ = 1;
[0181] 步骤4.2.5、对第k个特征在局部互补空间上的后验概率向量中的元素按升序进行 排序，获得了排序后的后验概率向量；
[0182] 步骤 4.2.6jl^W^q = l;
[0183] 步骤4 · 2 · 7、令第k行第q个元素 yk,q= l/Q-(q_l);
[0184] 步骤4.2.8、将q+1赋值给q，并判断q>Q是否成立，若成立，则表示获得第k个特征 的等级分数，并执行步骤4.2.9;否则，执行步骤4.2.7;
[0185] 步骤4.2.9、将k+Ι赋值给k，并判断k>3是否成立，若成立，则表示获得测试图像的 所有等级分数;否则返回步骤4.2.6执行；
[0186] 步骤4.2.10、将训练集中每个人脸类别所对应的三个特征的等级分数进行累加， 获得每个人脸类别的累加值，选择累加值最大的类别作为所述测试图像的所属类别。
[0187] 采用0RL人脸库和Yale人脸库作为样本集;0RL人脸库是由英国剑桥AT&T实验室创 建，由40个不同年龄、不同性别和不同种族的人组成，每个人有10幅不同的人脸图像，共400 幅图像;Yale库由165幅人脸图像，共包含15个人，每个人有11幅不同的人脸图像组成，主要 包括光照条件、表情的变化。
[0188] 实验1不同算法识别率的对比
[0189] 实验时，随机选取每人的k幅图像构成训练样本集，剩下的图像构成测试样本集。 首先将人脸图像进行分块处理，在0RL库上，将人脸图像归一化为96 X 96大小，分成6 X 6块； 在Yale库上，将人脸图像归一化为95 X 95大小，分成5 X 5块。然后对每一块分别进行LAP求 取纹理直方图特征，并将其串联。本文采用Chi平方统计法计算直方图特征相似度，最后根 据最近邻准则进行分类。对不同人脸库分别进行5次识别实验，最后的识别率均为平均识别 率。实验结果如表1所不：
[0190] 表1不同算法在不同人脸库上错误率比较(单位：％ )
[0191]
[0192] 实验2不同分块时，SLGS和V-SLGS算法的识别率对比
[0193] 实验时，在0RL和Yale人脸库上分别随机选取每人5幅图像作为训练样本，各自剩 下的图像作为测试样本。将人脸图像分成KXK块，分别选用最近邻(NN)和BP神经网络作为 分类器，每个分类器实验均进行五次，最后的识别率为平均识别率。实验结果如图7a和图7b 所示。实验结果表明V-SLGS算法在描述人脸垂直纹理信息上的有效性。
[0194] 实验3多决策分类结果
[0195] 实验时，在0RL人脸库上，随机选取每人3-6幅图像作为训练样本，Yale库上随机选 取每人4-6幅图像作为训练样本，各自剩下的图像作为测试样本。表2为多决策方法的分类 结果。
[0196] 表2多决策方法的分类结果(单位：％ )
[0197]
[0198] Si表示粗分类结果相同的样本个数，&中错分样本数表示虽然分类结果相同，但是 被错分的样本。从实验结果可以看出，Si*的错分数较少，这说明粗分类时，较难识别的待 测样本大多都被分到不同的类。以0RL库为例，当3个训练样本时，错分的样本数是13,其中8 个是Si*的样本，另外5个是无法被正确分类的样本。我们注意到，经过全局补空间分类时， 最初有29个样本被分到不同的类，经过局部补空间分类后，有24个样本被正确分类。训练样 本是4、5、6个时的情况是类似的。从实验结果来看，Si*的错分样本在整体识别错误的样本 中占据比较大的比例，虽然逐渐减少，但这部分样本也直接影响着最终的识别率。因此，下 一步的研究方向是寻找能使得3 1中的错分数更加有效降低的互补算法。
[0199] 实验4各个算法识别率比较
[0200] 在0RL和Yale人脸库上均随机选取每人5幅图像作为训练样本，各自剩下的图像作 为测试样本。表3为本发明方法与其他算法的识别率对比。
[0201 ] 表3各种方法的识别率比较(单位：％ )
[0202]
[0203]
[0204]针对独立特征缺少分类信息，将FLDA和DCV算法作为互补空间对ICA求取具有鉴别 能力的特征，有效提高了独立特征的识别率。本发明利用ULAP、SLGS和V-SLGS构造局部互补 子空间，将在全局互补子空间上难以识别的样本投影到局部互补子空间上进一步精确分 类，最终多决策方法得到的识别率高于融合之前各个互补子空间上的识别率。与现有方法 的比较也表明了本发明方法的有效性。
[0205]实验5不同算法特征维数、识别时间的对比
[0206]在0RL和Yale库上随机选取每人5幅图像作为训练样本，各自剩下的作为测试样 本。在全局互补子空间上特征维数较小，使其训练及分类速度较快。对于粗分类无法识别的 样本，利用纹理特征构造的局部互补子空间对其进行再次分类，此时只需识别一个相对较 小的子集，而不是整个测试集，有效的减少训练及分类时间。
[0207] 表4不同算法特征维数、识别时间的对比(单位:秒）
[0208]
[0209]综上所述，本发明的意义在于：1本发明能有效提高人脸纹理特征表达能力，增强 特征表征的精确性;2构造全局和局部两个互补的子空间来描述人脸，仅将难以识别的样本 投到局部子空间上进行精确分类，克服了传统方法存在识别率不高或识别时间长的问题。
【主权项】
1. 一种多特征描述及局部决策加权的人脸识别方法，其特征是按如下步骤进行： 步骤1、对已知标签的人脸数据库中的人脸图像进行预处理 利用Haar-like小波特征和积分图方法对所述人脸图像中的人脸区域进行检测，并对 检测到的人脸区域采用双向灰度积分投影法进行眼睛定位，并对定位后的人脸区域进行归 一化处理和直方图均衡化处理，从而获得像素为LXW的纯人脸图像，将所有人脸图像均进 行预处理，从而获得纯人脸图像集； 以所述纯人脸图像集作为样本集，选取部分样本作为训练集，剩余部分作为测试集;假 设所述训练集中的人脸类别总数为Q; 步骤2、全局互补子空间的构造； 步骤2.1、利用独立成分分析算法对所述训练集中的纯人脸图像进行处理，获得全局独 立空间上的变换矩阵； 步骤2.2、将所述训练集投影到所述全局独立空间的变换矩阵上，从而获得训练独立特 征集； 步骤2.3、利用线性鉴别分析算法和鉴别共同矢量算法分别对所述训练独立特征集进 行处理，获得非零空间上的变换矩阵和零空间上的变换矩阵；由所述非零空间上的变换矩 阵和零空间上的变换矩阵构成全局互补子空间； 步骤3、局部互补子空间的构造； 步骤3.1、ULAP局部子空间的构造； 步骤3.1.1、将所述训练集中任意一幅纯人脸图像的任一中心像素点的灰度值记为g (i，j)，则所述中心像素点的