人脸识别可用于公安刑侦、门禁控制、人机交互等场合，二十年来，已成为计算机视觉和模式识别领域的研究热点。Bruneli和Poggio认为人脸识别的技术方法大致可分为两大类：即基于几何特征（Geometricfeature-based）和基于模版匹配（Templatematching-based）。基于几何特征的方法以弹性图匹配（Elasticbunchgraphmatching）为代表，其思想是首先检测出嘴巴、鼻子、眉毛、眼睛等脸部主要部件的位置和大小，然后利用这些部件的总体几何分布关系以及相互之间的比例参数来识别人脸。基于模板的方法又可称为基于表象（Appearance―based）的方法，它利用模板和整个人脸图像的像素值之间的自相关性进行识别，这类方法以本征脸技术（Eigenface）为代表。很多人脸识别方法在很大程度上都依赖于训练样本数目，识别性能随着训练样本数目的下降而降低，尤其对于单样本情况，这些方法绝大多数效果很差，有的甚至不能应用库是一项耗力、耗时的工程，人脸样本的减少意味着收集成本、存储成本以及处理成本的降低。
此外，在很多场合，如身份证、驾照、护照等图像数据库中，每人只有一个训练样本，海关、机场监控以及公安罪犯识别都是单样本。为了让人脸识别研究与实际应用结合得更加紧密，人脸识别的单样本问combinedprinciplecomponentanalysis）方法，对原训练样本分别向二维坐标轴各自作一阶投影，并由此生成张新的投影图像，*后的新样本由原样本和投影图像线性组合而成，然后运用PCA方法进行人脸识别。
（PC）2A方法本质上是一种图像预处理，对原训练样本进行了光滑滤波。ChenSongcan等又对（PC）2A进行了改进，提出了E（PC）2A（Enhanced（PC）2A）方法，它是各《阶投影形成的新图像和原样本一起组成了训练样本，其实质是产生虚拟新样本，形成了一个增广样本阵，把单样本问题转化为多样本问题，然后用PCA方法。WangJie，PlataniotisK.N等对本征脸进一步分析，区别于传统的选择特征值大的本征脸，它以类似线性判别分析（LDA）的评价机制来选择类间区别性*大的本征脸作为重构向量进行人脸识别。上述方法都是在PCA的基础上进行改进。此外，为了使LDA能应用于单样本人脸识别，ChenSongcan，LiuJun等提出了全模式分割的Sub-patternLDA方法，于是就把单样本问题转化为普通的人脸识别问题。
本文提出了一种基于单样本切割的子模块主成分分析（Sub-blockPCA）方法，即单样本人脸经切割，形成多个大小相同的子模块，同一个人脸的子模块属于一个子集。把切割后的子模块当作新的样本集，然后对各个子模块作PCA分析并提取特征，以同一人脸的子模块特征系数作为分类识别的依据。
1单样本子模块主成分分析主成分分析方法（PCA）又称本征脸（Eigenface）技术。自1991年应用于人脸识别领域以来，已成为人脸识别算法的比较基准。它主要是利用样本的协方差矩阵进行特征值分解，计算并选取前m个*大特征值对应的特征向量构成人脸主成分特征子空间，每个特征向量就是一张本征脸。
1.1子模块主成分分析在单样本人脸图像集中，考虑个样本脸图像，其大小为nix2，每张人脸图片首先被均匀地切割成大小相等且互不重合的户张子图片，形成一个新的样本集。切割后的子图片大小为《1印2/八新样本集的个数为尸X，同一人脸的子模块为一个子集。原样本脸图片和切割后的子图片分别转为向量x；（/=1，2，…，2，…m是散布阵St的m个*大特征值所对应的/维特征向量。为确定合适的m值，把散布阵知的特征值以降序排列，设知共有个特征值，七，…，m是满足式（5）的**个整数：以获得0X100%的总能量。1.2子模块主成分计算及特征提取=1，2，…m时，由于/通常比较大，使得对知直接特征值分解计算消耗太大，甚至不可行。在实际计算中，令每幅子图片与均值图像的差值向量则子集的差值向量阵叭=.再令矩阵=，其维数为/XPN，由式（2）知总体散布阵知可表示为知=A4：利用奇异值分解（SVD）理论来解决高维矩阵的特征值分解问题，令1=4，维数为挪\挪（户/），对矩阵L进行特征值分解的计算量就大大降低，设是矩阵的特征向量，则有：从式（7）可知Av；就是总体散布阵5V的特征向量。
经Sub-blockPCA提取特征空间则切割后的单样本人脸' =在特征空间的投影矩阵：乃用于分类识别。2子模块分类器对训练样本各个子模块进行特征提取后，其特征空间为Fopt，测试人脸图片/test首先也被无重合地切割为均匀的尸等分，即/=\因此切割后测试人脸图片在特征空间的投影矩阵为屯=.根据式（8），单样本集中的人脸在特征空间的投影为月（；=1，2，…，N），不失1般性，选择*近邻分类器，若满足：则测试人脸/test与样本人脸Xc为同一人。综上所述，基于切割子模块的单样本人脸识别流程如所示。
基于切割子模块的单样本人脸识别框架流程图表1不同分割下的Sub-blockPCA识别率从表1可以看出，在图片大小为112x92的ORL人脸库上，采用（2，2）和（4，2）分割，Sub-blockPCA的识别效果*佳。在以下实验中，Sub-blockPCA切割方式均按照（2，2）切割。
图
