本文实验采用标准的ORL人脸库、Yale人脸库进行实验。在 ORL 人脸库中，有 400 幅分辨率为 92*112，具有不同表情、不同姿势、稍许倾斜(不超过20度)、稍许遮掩(眼镜)以及不同光照的人脸，具体为 40 个人，每人有10幅不同的人脸图片。Yale 库中包含165张分别代表不同表情、遮掩和光照条件下的正面像，对应为15个人，每人11幅，其分辨率为320*243。

    本实验对 ORL人脸库和Yale人脸库，首先均任选其中4幅图像进行训练，6幅图像作为测试样本集。因此，在ORL人脸库上共有160幅训练样本，240 幅测试样本；在Yale 库上有60幅训练样本及90 幅测试样本。实验反复进行30次，最终的识别率为30次结果的均值。

    特征提取以后本实验采用最小距离和最近邻分类器对提取的特征进行分类。最近邻分类器（NNC,Nearest Neighbour Classifier）的分类规则就是将不同类的所有样本都作为代表点，通过与这些代表点的比较来确定待识别样本的所属类别，也就是将测试样本分到空间距离最小的训练样本所属的类别，在本实验中：若 ，δ^q_p 是与δ_test 最近的第 q类中的第 p个样本，所以将 δ_test分为第 q类。

    最小中值距离分类器（NCC,Nearest Centroid Classifier）的分类规则是对属于同一类的训练样本投影后的特征向量进行求平均，即 ，然后计算 δ_test与每一类投影特征向量的平均值之间的距离： ， 为与测试样本 w_q最近的类别均值向量，所以将δ_test 分为第 q类。

    本文的实验根据洪子泉^[1][2]提出的奇异值特征与本文提出的投影变换的特征向量进行比较，发现本文提出的特征提取文献[1][2]提出的方法。具体的实验识别率见表2.1和表2.2所示。括号中表示特征提取后向量的维数。

表2.1 ORL人脸库上的识别率

 

表2.2 Yale人脸库上的识别率

    通过实验发现，采用本文提出的投影特征向量的方法所获得的识别率要远远优于传统的基于奇异值特征的方法，其原因可归结为：图像的奇异值特征是人脸图像在不同子空间上的表征，仅仅采用奇异值特征进行识别的方法则完全损失了包含在两个正交矩阵中的更为重要的有用信息；而本文提出的投影特征向量结合了奇异值分解后两个正交矩阵的信息，因此，与传统的奇异值特征相比，它包含了更多的识别信息，因此可以获得更好的识别效果。