5.2 不同光照条件的实验
本算法随机从扩展的Yale B数据库的一个子集下每个人脸的图像中选取不同比例的图像作为训练集，余下的图像作为测试样本，稀疏阈值设置为训练样本数目。表2显示的是随着训练样本比重变大识别率的变化情况。从中可以看出，本算法在不同光照条件下表现出较高的识别率。
图2 Yale B 数据库种不同光照条件
表2 正交匹配追踪算法应用于Yale B数据库
训练图像 测试图像 稀疏阈值 识别率（%） 用时（s） 5 5 5 6 4 6 7 3 7 8 2 8 6 结束语
本文研究了稀疏表示理论并且应用矩阵Cholesky 分解实现正交匹配追踪快速算法，该算法简化了迭代过程中逆矩阵的计算，提高了识别的速度，并在具有表情变化和光照变化的条件下取得了很好的识别率。人脸识别的困难主要在于遮挡、单样本、鲁棒性等的问题。稀疏表示在这些限制下的识别中仍具有很大的发展潜力，有待于进一步研究，这也是目前一个比较热门的研究方向。
参考文献
[1] 杨淑莹. 模式识别与智能计算-Matlab技术实现[M]. 北京: 电子工业出版社. 2011.
41-183.
[2] 杨荣根， 任明武， 杨静宇. 基于稀疏表示的人脸识别算法[J]. 计算机科学. 2010,
9(37): 267-269.
[3] 张国琰. 基于稀疏表示的人脸识别[D]. 河北： 河北工业大学工学硕士学位论文.
2012. 1-25.
[4] 李映， 张艳宁， 许星. 基于信号稀疏表示的形态成分分析：进展和展望[J]. 电子学
报. 2009, (1): 146-151.
[5] 平强， 庄连生， 愈能海. 姿态鲁棒的分块稀疏表示人脸识别算法[J]. 中国科学技术
大学学报. 2011, 41(11): 975-981.
[6] 胡正平, 宋淑芬. 基于全局和分离部件融合的双 L1稀疏表示人脸图像法[J]. 模式识
别与人工智能PR ＆ AI. 2012, 25(2): 256-261.
[7] 肖良, 戴斌, 方宇强. 基于自组合稀疏表示的鲁棒人脸识别算法[J]. 中国控制会议.
2012,（31）：3853-3857.
[8] 焦李成, 孙强. 多尺度变换域图像的感知与识别:进展和展望[J]. 计算机学报. 2006,
29(2): 177-193.
[9] 苏煜，山世光，陈熙霖，等． 基于全局和局部特征集成的人脸识别[J]．软件学报，
2010，21( 8) : 1849 －1862.