人脸识别技术是模式识别领域中一个较热门的研究课题,它是一种将待识别的人脸与已有的训练图像进行比对,指出待识别的人的身份的一种方法。如何有效地从人脸图像中抽取和描述每个个体的特征,是人脸识别研究的关键问题之一。按照使用特征和分类方法的不同,可以将人脸识别技术分为3类：(1)基于统计分析的方法；(2)基于特征分析的模板匹配；(3)基于人脸几何特征的方法。基于统计特征的人脸识别方法是近年来人们比较关注的一类方法,它包括主成分分析方法、弹性图匹配方法、隐马尔科夫模型方法以及神经网络方法等。其中,由Turk和Pentland提出的基于PCA的特征脸方法,由于其优点突出而一直受到研究者的广泛关注。基于PCA的特征脸方法是一种有效的特征提取方法,其基本思想是用软件读入图片,将图片转化为矩阵形式,再利用统计分析的方法将矩阵投影到一个正交空间提取出主要的不相关信息。这种方法不仅可以降低计算量,而且可以提高识别效率,是人们广泛使用的特征提取方法之一。然而,基于PCA的特征脸方法需要将图像矩阵转化为向量,而向量维数的增高会导致该方法需要大量的图片作为训练样本,这样会导致计算量和难度大大增加。为此,Yang等人在2004年提出了基于二维PCA(2DPCA)的人脸识别方法,该方法不需要将图像转化为向量,而是对图像矩阵进行直接处理。二维PCA与PCA方法相比,它的协方差矩阵的阶数更小,由特征向量组成的特征空间更标准,速度和识别率都更高。Yang指出,2DPCA方法与PCA相比有很多优势,但它需要更多的系数来表示一幅图像[1]。因此,Kong等人提出了基于2DPCA的双边投影方法,首先同时求出二维人脸矩阵的行、列两个方向的最优投影子空间,然后将2D人脸矩阵的行向量和列向量各自投射到这两个子空间,这种双边投影的方法可以在二维PCA的基础上使压缩率得到最大的提高,用来表征人脸的数据达到最小,从而提高计算效率[2]。基于双边2DPCA的方法,Kim等人在文献中提出了一种特征融合的方法,首先同时求出2D人脸矩阵的行、列方向的最优投影子空间,然后将两个子空间的两个特征矩阵融合起来,识别率比双边2DPCA有较大提高。借鉴Kim等人的思想,本文提出一种基于双边2DPCA的新的特征融合方法,分别计算出行、列方向的最优投影子空间后,将训练样本的行向量和列向量各自投射到这两个子空间,对待识别的图像也进行同样的处理,再计算行、列方向上相应的投影矩阵的距离(欧式距离),最后对于同一幅图像将两个方向上的距离相加,所得的和即为最后的比较距离。实验证明,所提出的算法比2DPCA和双边2DPCA的识别率有所提高。本文还将此算法应用在彩色人脸图像识别上,并和2DPCA以及双边2DPCA作比较,实验证明此算法也适用于彩色人脸图像的识别。