利用訓(xùn)練學(xué)習(xí)過(guò)程獲得的人臉圖像數(shù)據(jù)庫(kù)中的整幅圖像或子圖像特征空間的數(shù)據(jù)，與測(cè)試人臉圖像之間進(jìn)行計(jì)算獲得圖像差。

人臉數(shù)據(jù)庫(kù)模塊

　　人臉數(shù)據(jù)庫(kù)模塊的兩個(gè)選項(xiàng)分別鏈接著人臉圖像庫(kù)中整幅人臉圖像特征空間和子圖像特征空間的數(shù)據(jù)，供測(cè)試時(shí)與待測(cè)人臉圖像對(duì)應(yīng)的特征空間進(jìn)行對(duì)比識(shí)別。

　　將YALE人臉圖像庫(kù)中選定的圖像進(jìn)行訓(xùn)練后，得到人臉圖像矩陣、整幅人臉圖像的特征臉空間、子圖像的特征臉空間等數(shù)據(jù)，存儲(chǔ)在人臉數(shù)據(jù)庫(kù)中，以備實(shí)時(shí)調(diào)用。加入新的人臉圖像的類別樣本時(shí)，需要重新針對(duì)所有樣本圖像進(jìn)行訓(xùn)練，更新人臉數(shù)據(jù)庫(kù)。

人臉圖像識(shí)別模塊

　　人臉圖像識(shí)別模塊鏈接著基于貝葉斯估計(jì)的分類識(shí)別方法、基于RBF網(wǎng)絡(luò)和貝葉斯分類器融合的人臉識(shí)別方法兩個(gè)選項(xiàng)。

貝葉斯估計(jì)識(shí)別模塊

　　人臉圖像分塊后應(yīng)用奇異值分解方法進(jìn)行數(shù)據(jù)壓縮，對(duì)每個(gè)特征分塊設(shè)計(jì)一個(gè)貝葉斯分類器，最后將這些分類器融合(如圖3所示)。

　　本文采取加權(quán)求和的方法：

　　其中，S(Ii，Ij)表示兩幅圖像Ii與Ij的相似度，L是貝葉斯分類器(FBBC)的總數(shù)，是Ii與Ij的第b個(gè)特征塊之間的差值。是由第b個(gè)貝葉斯分類器計(jì)算出的類條件概率密度。wb是第b個(gè)貝葉斯分類器對(duì)應(yīng)的權(quán)值。

RBF神經(jīng)網(wǎng)絡(luò)識(shí)別模塊