人脸识别是一个典型的图像模式分析、理解与分类计算问题,它涉及到模式识别、图像处理、计算机视觉、统计学习和认知科学等多个学科。人脸识别问题的深入研究和最终解决,可以极大的促进这些学科的成熟和发展。同时作为生物特征识别主要研究内容之一的人脸识别技术在安全部门、身份鉴别、数字监控等领域的应用前景十分广阔,研究人脸识别技术具有十分重要的理论价值和应用价值。本文首先介绍了人脸识别技术的研究背景和主要方法,然后针对人脸识别技术中的关键环节—人脸图像预处理、特征提取和分类进行了深入研究。人脸图像的预处理就是将由图像采集设备采集到的人脸图像调整成规范化的图像,主要包括几何规范化和灰度规范化。如何有效的从人脸图像中提取使之区别于其他个体的特征,是人脸识别研究的一个关键问题。本文重点研究了基于线性投影的特征提取方法,以及非线性核方法。对于线性投影方法,本文主要阐述了主成分分析(PCA)、线性判别分析(LDA)方法,并且针对人脸识别中的小样本问题提出了先用PCA方法减少特征空间维数,再利用LDA实现对人脸的识别。实际问题中原始样本的分布通常是高度复杂和非线性的,受支持向量机理论中有关核方法的启发,本文把PCA和LDA进行了非线性推广,研究了KPCA和KFDA两种非线性特征提取方法。在KFDA方法中要求总体散度矩阵可逆,而在人脸识别中该矩阵往往是奇异的。针对这一问题本文提出了基于核的正交补空间法,该方法先在原始样本里利用核方法,在变换后的特征空间里,利用正交补空间思想提取用于判别分析的特征,较好地解决了KFDA方法中的奇异性问题。本文采用BP神经网络对所提取的人脸特征进行训练和识别。在ORL人脸数据库上的实验结果验证了本文方法的有效性。