随着计算机应用技术的快速发展,作为生物特征识别的分支,人脸识别受到了越来越多的重视。这些年,人脸识别算法层出不穷,因此识别的正确率和效率都得到了很大的提高。在实际应用中,由于受到存储空间有限、获取样本时间受限等因素的影响,训练样本往往存在着数目过少的问题。样本不足问题严重影响了识别的准确率,本方法主要研究如何通过样本扩充方法克服小样本人脸识别问题。小样本人脸识别问题是指由于事先收集到的被测群体的人脸图像过少,即:训练样本数目过少,使识别正确率降低或者无法识别的问题。同一个人的不同人脸图像是不同的,通常表现在姿态的变化、表情的差异和光照的不均等多方面。如果训练样本充足,经过训练的人脸特征将包含了同一个人的多种变化,这使得测试阶段的图像有更多的参考信息,从而正确分类。如果样本不足,那么训练阶段的人脸特征不足以有效表示人脸特征变化,从而使人脸识别的难度加大,甚至出现无法识别的现象。通常来讲,能够拥有更多的有效的训练样本,就意味着能够取得更高的识别准确率。针对小样本人脸识别的问题,本方法采用样本扩充的技术来克服样本不足带来的问题,对产生的两种虚拟样本与原始训练样本进行融合。该融合方法将原始训练样本做“镜面”变换和“对称脸”变换产生虚拟训练样本,通过生成虚拟样本使训练样本的数目增加。再分别将原始训练样本、虚拟训练样本与测试样本计算匹配得分。最后,利用加权融合将各部分的得分进行融合从而得到最终的匹配度得分,并利用得到的匹配度得分进行分类。通过大量实验的验证,该算法在小样本训练集上识别效果优异,超过了许多具有代表性的人脸识别算法,因此具有更出色的识别性能。为进一步优化算法,本方法选用小波变换来重构训练样本和测试样本,保留重要的特征信息,滤去无关的特征,有效地降低样本的维度,从而改进算法。将经过小波重构的样本扩充方法与原样本扩充算法相比,识别精度和识别效率都得到了有效地改善。