近年來，數字視頻監(jiān)控在各行各業(yè)得到了廣泛應用,，如軍事上、小區(qū)和樓宇安全監(jiān)控,、銀行證券系統(tǒng),、林業(yè)部門火情監(jiān)控、交通違章和流量監(jiān)控等,。視頻監(jiān)控系統(tǒng)對被監(jiān)控目標的自動識別,，給監(jiān)控部門提供了更多的信息保障，降低了犯罪率,，并節(jié)省了人力和物力,。人臉識別技術就是通過計算機分析人臉圖像，從中提取有效的識別信息,，從而辨認身份的一種技術,。它是一種非侵犯式的主動識別，易為廣大人群所接受,。人臉識別不僅在視頻監(jiān)控方面,，在其他諸如安全驗證系統(tǒng)、信用卡驗證,、視頻會議,、人機交互等方面都具有十分廣闊的應用前景。
　　人臉識別的方法很多,，主分量分析PCA(也稱K-L變換)是特征抽取最為經典的方法之一,，目前仍被廣泛地應用在人臉等圖像識別領域^[1][2]。盡管PCA方法的性能不錯,，但是傳統(tǒng)做法的缺點明顯：首先,，將圖像矩陣轉化為圖像向量,，然后以該圖像向量作為原始特征進行PCA。由于圖像向量的維數一般較高,，給隨后的特征抽取造成了困難,。若圖像的分辨率為100×100，則所得圖像向量的維數高達10 000,，在如此高維的圖像向量上完成PCA是非常耗時的,。盡管利用奇異值分解定理可加速總體散布矩陣特征向量" title="特征向量">特征向量的求解速度，但整個特征抽取過程的計算量仍相當可觀,。
　　考慮到視頻監(jiān)控系統(tǒng)的實時性需求,，本文借鑒Liu^[3]代數特征抽取的新思路，直接利用圖像矩陣構造圖像散布矩陣,，實現了基于兩種圖像矩陣的廣義主分量分析方法,。該方法簡單易行，不僅在識別性能上優(yōu)于Eigenfaces^[4]和Fisherfaces^[5]方法,，其突出特點是特征抽取的速度大大加快,，從根本上克服了傳統(tǒng)PCA耗時過多的弱點，滿足了視頻監(jiān)控系統(tǒng)中自動人臉識別實時性的需求,。
1 經典的主分量分析
　　PCA技術最早由Sirovich和Kirby引入人臉識別領域,，其主要思想是降維，以Turk和Pentland的Eigenfaces方法最具代表性^[6],，該方法的具體過程如下：
　　設人臉灰度圖像的分辨率為m×n,，則該圖像構成一個m×n的圖像矩陣A。首先將圖像矩陣A轉化為N=m×n維的圖像向量x,，根據訓練樣本集構造N×N的總體散布矩陣S_t：
　　S_t=E(x-Ex)(x-Ex)^T　　　　　　　　(1)
　　選取一組標準正交且使得準則函數式(2)達到極值的向量ξ₁,，…，ξ_d,，做為投影軸,，其物理意義是使投影后所得特征的總體散布量(類間散布量與類內散布量之和)最大" title="最大">最大。
　　J_t(ξ)=ξ^TS_tξ (ξ^Tξ=1)　　　　　　??? (2)
　　由于準則函數式(2)等價于
　　

　　式(3)即為矩陣S_t的Rayleigh商,。由Rayleigh商的極值性質^[7],，最優(yōu)投影軸ξ₁，…,，ξ_d可取為S_t的d個最大特征值所對應的標準正交的特征向量,。
2 廣義主分量分析
2.1 基于圖像總體散布矩陣的主分量分析
　　設X表示n維列向量，基于圖像矩陣的PCA就是將m×n的圖像矩陣A通過線性變換Y=AX直接投影到X上,，得到一個m維列向量Y,，稱為圖像A的投影特征向量。
　　決定最優(yōu)投影軸X最直觀的辦法是通過投影特征向量Y的散布情況來決定投影方向X,。通常采用以下準則：
　　J_t(X)=tr(MT_x)　　　　　　　　(4)
　　其中,，MTx表示投影特征Y的總體散布矩陣,，tr表示取矩陣的跡。最大化準則(4)式的直觀意義是：尋找這樣的投影方向X,，使投影后所得特征向量的總體散布量最大,。

　　稱(9)式為廣義總體散布量準則。最大化該準則的單位向量X稱為最優(yōu)投影軸,，其物理意義是,，圖像矩陣在X軸上投影后所得的特征向量的總體分散程度最大。事實上,，最優(yōu)投影軸即為圖像總體散布矩陣M_t的最大特征值所對應的單位特征向量,。
　　在樣本類別數較多的情況下，單一的最優(yōu)投影方向是不夠的,，需要尋找一組滿足標準正交條件且最大化準則函數(9)式的最優(yōu)投影軸X₁,，…，X_d,。因此,，準則函數(9)式等價于：

2.2 基于圖像類間散布矩陣的主分量分析
　　上節(jié)的分析中，采用的是廣義總體散布量準則,，考慮到以樣本的可分性最好為目標,，還可以在(4)式中采用另一準則：
　　J_b(X)=tr(MB_x)　　　　　　　　(11)
　　其中，MB_x表示投影特征向量Y的類間散布矩陣,，其物理意義是，圖像矩陣在X方向上投影后所得特征向量的類間分散程度最大,。
　　同前面的分析,，首先給出MBx的估計：

　　相應地，最優(yōu)投影軸為矩陣M_b的最大特征值所對應的單位特征向量,。同樣,，考慮到需要抽取多個投影軸，準則函數(14)式等價于下式：
　　
　　最優(yōu)投影軸X₁,，…,，X_d即可取為M_b的d個最大特征值所對應的標準正交的特征向量。
2.3 特征抽取
　　設最優(yōu)圖像投影軸為X₁,，…,，X_d，由
　　Y_k=AX_k,，k=1,，2，…,，d　　　　　　　　　　(17)
　　得到一組投影特征向量Y₁,，…,，Y_d，稱為圖像A的主成分,，可將其合并為一個m×d維的圖像A的整體投影特征向量B用于后面的分類識別,。
　　B=[Y₁，…,，Y_d]^T=A[X₁,，…，X_d]^T=AP　　　　(18)
　　其中,，P=[X₁,，…，X_d]^T,。
2.4 分類

3 試驗與分析
　　ORL人臉庫由40人,、每人10幅112×92的圖像組成，其中有些圖像拍攝于不同的時期,；人臉表情與臉部細節(jié)有著不同程度的變化,，如笑或不笑、眼睛睜或閉,、戴或不戴眼鏡,；人臉姿態(tài)也有相當程度的變化，深度旋轉與平面旋轉可達20°,；人臉的尺度也有多達10%的變化,。圖1是ORL人臉庫中某一人的5幅圖像。

　　本試驗中,，以每人的前5幅圖像作為訓練樣本,，后5幅作為測試樣本，這樣訓練樣本和測試樣本的總數均為200,，屬于典型的高維小樣本識別問題,。分別構造圖像總體散布矩陣Mt和圖像類間散布矩陣Mb，并分別計算其前10個最大特征值所對應的標準正交特征向量X1,，…,，X10，選取其中的1到10作為投影軸進行(18)式的特征抽取,。在此,，人臉灰度圖像是112×92矩陣，若取k個投影軸,，則所得整體投影特征向量的維數是112×k,。
　　試驗1：在每個投影空間內，對兩種基于圖像矩陣(圖像總體散布矩陣Mt和圖像類間散布矩陣Mb)的主分量分析分別采用最小距離分類器和最近鄰分類器進行分類，識別率見表1,。

　　試驗2：比較了本文兩種基于圖像矩陣的主分量分析方法與經典的Eigenfaces,、Fisherfaces方法在最近鄰分類器下的識別率，結果見表2,。

　　試驗3：比較了上面四種方法在取得最佳識別率時的特征抽取和識別時間,，結果見表3。