2 实 验
    这里的训练原始图像取自ORL人脸数据库。从建立的ORL人脸数据库中，按类别分别选择编号为R，L，U，D，F(分别对应右、左、上、下、正面等五种姿态)的人脸图像各一幅进行训练，共产生5个本征脸空间Ω1，Ω2，Ω3，Ω4，Ω5。
    判定待识别人脸图像的姿态，根据判定结果选择投影的本征脸空间。如果是从文献已建立的ORL人脸数据库中选择测试图像，则直接读取其姿态编号即可，不需要再次进行姿态判定。
    把待识别图像向训练过程产生的特征空间投影，根据投影距离判断是否包含人脸，如无人脸，则退出识别过程，操作结束。
    对待识别的人脸图像进行预处理，并向训练过程产生的特征空间投影，得到的权重向量如图1所示。

投影结果利用欧式距离进行分类，如图2所示。由图2可以看出，靠近红线最近的点是ω3类(图中双圈的位置)。因此，认为待识别人脸图像属于第3个人。

对无法归入当前任一类别的人脸图像，保存到人脸库，增加一个新的类别，重新进行训练样本的选择，获取新的训练结果，以备下次识别使用。
    实验一：从这里建立的ORL人脸图像库中随机选择40人(每类1人)的图像进行训练，得到本征脸空间。
    实验二：从这里建立的0RL人脸图像库中按类别分别选择编号为R，L，U，D，F的人脸图像各一幅进行训练，得到5个本征脸空间。任意选择其他人脸图像进行识别。
    两个实验均采用欧式距离分类器进行分类。
    实验结果如表1所示。

从表1可以看出，改进后的人脸识别实验，识别率有了明显的提高，说明在样本姿态多样化的情况下，这种按姿态分别进行训练的方法是切实有效的。

3 结 语
    实验中发现该方法也存在一个需要进一步改进的问题，即如果测试样本均为正面人脸图像，而待识别人脸图像出现姿态变化，则识别效果很不理想。如何根据正面人脸图像构建相应样本的多姿态图像是下一步的工作。