如圖8所示，KNN分類器可以判斷最接近的分類，但是并不能拒絕分類，于是產(chǎn)生了任何人的臉都將被分到內(nèi)置樣本集的一類中。這樣的分類方式是不可取的，所以必須加入是否拒絕的判定，流程圖如圖9所示。

　　如流程圖中顯示，當(dāng)樣本點(diǎn)經(jīng)過PCA降維后，輸送至KNN分類器進(jìn)行分類，所得到的結(jié)果一定可以判定為第K類，此時(shí)不能急于定論，先求出待測(cè)點(diǎn)與K類標(biāo)號(hào)的樣本點(diǎn)的歐氏距離之和sum。定義兩個(gè)閾值a和b，如果suma值則判定為第一類；如果sum>b值則判定為拒絕類；如果sum介于a和b值之間，則引入精度控制量accuracy，計(jì)算出sum與a的差值，如若小于精度控制量accuracy，則判定為第K類，否則拒絕分類。由這樣的過程，間接解決了樣本錯(cuò)分和無法判否的問題。
　　4 試驗(yàn)結(jié)果
　　該實(shí)驗(yàn)中，選定a的值為12 400，b的值為16 200，這兩個(gè)值的確定需要進(jìn)行大量的實(shí)驗(yàn)，從中找出規(guī)律。x的值的大小直接影響識(shí)別的效果，文中分別選取x=4和x=5進(jìn)行了測(cè)試。
　　(1)x=4時(shí)：程序在測(cè)試可識(shí)別庫中的分屬12個(gè)人的36幅人臉圖像時(shí)，正確識(shí)別出其中的33幅，其余3幅圖像均被判否，0個(gè)判錯(cuò)。程序在測(cè)試不可識(shí)別庫中的分屬3個(gè)人的33幅人臉圖像時(shí)，22幅圖像被成功判否，11幅被誤判；
　　(2)x=5時(shí)：程序在測(cè)試可識(shí)別庫中的分屬12個(gè)人的36幅人臉圖像時(shí)，正確識(shí)別出其中的25幅，其余l(xiāng)l幅圖像均被判否，O幅判錯(cuò)。程序在測(cè)試不可識(shí)別庫中的分屬3個(gè)人的33幅人臉圖像時(shí)，28幅圖像被成功判否，5幅被誤判。
　　分析上面的實(shí)驗(yàn)數(shù)據(jù)可知，x=4時(shí)，可識(shí)別庫的識(shí)別率為91．6％，不可識(shí)別庫的判否率為66．7％。x=5時(shí)，可識(shí)別庫的識(shí)別率為69．4-％，不可識(shí)別庫的判否率為84．8％。因此，應(yīng)用于不同的場(chǎng)合時(shí)，應(yīng)選擇不同的x值，當(dāng)要求盡可能拒絕外來人臉時(shí)，可選x值為5，當(dāng)要求盡量識(shí)別已知人臉時(shí)，可選x值為4。
　　5 結(jié)束語
　　此人臉識(shí)別系統(tǒng)的構(gòu)建，充分考慮了其推廣性，未采用USB攝像頭作為圖像采集設(shè)備，而以通用視頻標(biāo)準(zhǔn)的模擬攝像頭取而代之，因此用戶在攝像頭選擇的時(shí)候，可以更加自由。同時(shí)該設(shè)備支持多種接口輸入，除了普通的R-jack口之外，還提供了Svideo，YPbPr和RGB等輸入方式。該設(shè)備的識(shí)別精度可達(dá)90％以上，基本滿足了識(shí)別要求。系統(tǒng)實(shí)時(shí)性好、攜帶方便，可以通過程序的修改推廣到動(dòng)態(tài)圖像跟蹤、運(yùn)動(dòng)檢測(cè)等領(lǐng)域。