1. 研究目的与意义
特征抽取是模式识别的基本问题，其任务是从高维数据中找出最能代表该模式的少量特征，以便于进行分类和识别。特征抽取的本质是数据压缩，是一个降维的过程，在降维的同时保持模式的分类信息没有大的损失。特征抽取方法中，线性方法由于物理意义明确，计算量小，广泛地应用在人脸等图像识别领域。线性方法大体上可以分为两类，一类是基于一维的向量投影方法，另一类是二维的基于图像矩阵的直接投影方法。一维方法主要有PCA、LDA、直接的LDA(DirectLDA,DLDA)、零空间方法、ULDA和Fisherfaces等。人脸图像转换成向量后维数常常高达上万维，例如ORL人脸库中的图像大小是11292，转换成向量后维数是10304，这会给随后的特征抽取造成困难，在进行向量投影分析时不仅会耗费大量的时间，而且高维向量往往使得类内散布矩阵是奇异的，从而造成计算最优鉴别矢量集的困难。虽然样本数较少时可以用奇异值分解理论减少计算量，加扰动改善矩阵的奇异性，但无疑会增加了最优鉴别矢量集的求取复杂度，另一方面，实际中训练样本数可能同样很大，利用奇异值分解理论也无法减少计算量。
2. 国内外研究现状分析
人脸自动识别技术是用计算机分析人脸图像，从中提取有效的识别信息并通过分类器自动鉴别的一种技术。作为生物特征识别的一种，人脸识别更为直接、友好而自然。因此，人脸识别自上个世纪以来一直受到研究者的极大关注。人脸识别技术可分为人脸特征提取和分类器设计两方面，两方面的技术相辅相成而又相互制约，我们最终的研究的目的就是提取出最具代表性的人脸特征，并通过分类性能优良的分类器进行识别分类。
近年来，人脸识别的算法研究不断出新，并取得了长足的进步ScholkopfB等人在1999年提出非线性子空间法I悯，通过引入核函数，不提高计算复杂性的条件下，将人脸图像由原始空问非线性映像到一个高维的特征空间，从而更有利于模的分类。2000年左右以来，研究方法从线性子空间向非线性子空间过渡成为一种趋势。微软亚洲研究院FaceGroup在其研究报告中指出，线性子空间分析法与传统方法相比，有着基于事例、特征学习、维数降低和降低线性映射空间的特点；而非线性子空间分析法则具有更加有效建模和固有特征维发现的特点。
3. 研究的基本内容与计划
一：研究内容：
首先将图像矩阵转化为图像向量，然后以该图像向量作为原始特征进行线性鉴别分析。
基于pca准则和fisher准则，对图像矩阵的行方向维数压缩，列方向维数压缩或行和列方向同时进行维数压缩，从而得到相应的特征矩阵。在orl和ar人脸库上进行实验,比较pca,2dpca,(2d)2pca和fda,2dfda和(2d)2fda正确识别率和计算速度的表现。
4. 研究创新点
二维方法在处理图像识别问题时，不需要事先将图像矩阵转化为图像向量，而是直接利用图像矩阵进行二维投影抽取特征。这些二维方法与一维方法相比，既直观，计算量也小，散布矩阵一般情况下可逆。
