人脸识别这一研究热点已经成为计算机视觉领域中的核心问题,而特征提取与识别紧密相连,人脸识别系统性能的好坏直接取决于特征提取算法的优劣。论文针对人脸识别与特征提取的相关理论做了大量分析研究,主要研究工作如下:首先,对彩色人脸图像的预处理系统进行了研究,包括:对4种常用的色彩空间进行了研究,实验比较分析RGB和中人脸图像各分量特征特点,得出分量更适合人脸识别特征提取;针对彩色图像进行灰度处理,分析比较三种灰度化方法的优劣;为突出人脸细节,进一步对灰度图像进行灰度变换;此外对噪声干扰的图像进行去噪处理,在采用中值滤波基础上进行矢量中值滤波方法改进,既能实现灰度图像的滤波又能完成彩色图像的去噪。Ycb cr Ycb cr其次,研究人脸图像的特征提取算法:(1)实现经典的基于PCA的人脸识别算法,并在此基础上进行了改进,直接求解二维图像的协方差矩阵,避免了一维数据较复杂的计算,充分利用样本类别的差异,使特征值与特征向量的求解过程得到简化,比较不同特征维数的特征脸,达到了更好的降维效果;(2)研究线性判别分析方法,对基础算法进行改进,从对人脸图像进行一维变换到直接二维进行处理,对其做LDA变换得到最佳分类的特征,采用基于欧式距离的最近邻分类器进行分类,与基础算法相比,大大提高了正确识别率,识别率能够达到95%。(3)对基于核的非线性人脸识别算法深入研究,分别采用多项式核函数和高斯核函数进行非线性映射,结合PCA算法,在不同的人脸库上仿真实验,同时将几种线性与非线性方法的识别结果进行对比分析,结果表明非线性识别方法具有较好的鲁棒性,更能满足实际需求。最后,重点针对ICA算法进行研究改进,将基于信息论中最大熵的判别准则应用到FastICA中去,其收敛速度更快,同时采用的KICA使广义特征向量的求解更多样化,使用RKHS空间的方式更为灵活,而且选取不同的非线性函数也可以使算法性能达到最优,结果表明,FastICA算法具有比ICA更好的识别率,能够达到94.5%,有很高的实用价值。