人脸识别是多年来经过研究学者的不断探索和创新,快速发展起来的生物识别技术,因为采集人脸样本的过程具有不接触性,友好不侵犯性的特点,能以最自然、最直接的方式获取,人脸识别取得了突破性的研究成果,并成功应用于实际工作和生活,比如门禁系统、考勤机的应用以及视频监控等各个方面。非负矩阵分解(Non-negative Matrix Factorization,NMF)是一种有效提取人脸局部特征的算法,该算法通过加入非负性的限制使得分解后的矩阵更具有现实意义,因此NMF算法逐渐成为各个领域中比较受欢迎的降维处理的研究方法。但是NMF算法中参数的随机初始化使得迭代求解速度慢,且易陷入局部极小的问题。针对以上问题,提出了一种自适应FCM-NMF的算法,该算法利用模糊C聚类算法(Fuzzy C-Means clustering,FCM)获得相似性关系矩阵,能为NMF参数的初始化提供较好的初值,从而有效解决了上述问题。通过在人脸库的实验结果显示,收敛速度明显高于随机赋初值的方法,验证了本文算法的可行性和有效性。本文主要研究内容:(1)首先介绍了几种图像预处理的方法,包括灰度变换、滤波以及直方图均衡化;然后通过对目前人脸检测算法的研究分析,本文采用基于Adaboost的人脸检测算法进行人脸检测,达到了快速定位人脸的效果。(2)在人脸识别时,本文提出一种基于自适应FCM-NMF人脸识别算法,算法以NMF算法为基本框架,利用FCM算法和相似性关系矩阵获得最优的参数值及相应的隶属度矩阵和类中心,从而为NMF提供有效的初值,有效的解决了NMF算法收敛速度慢和易于陷入局部极小的问题。为验证本文算法的有效性,在ORL人脸数据库、YALE人脸库和实验室自己采集的人脸库上进行实验,将本文算法和几种NMF的改进算法进行收敛性、识别率等性能的对比,验证了本文算法的可行性和有效性。(3)以本文提出的自适应FCM-NMF算法为核心,Matlab为平台,实现了一个基于Matlab的人脸识别系统,并将其应用于实验室的考勤中。系统测试结果表明,本文设计的系统具有一定的实用性和有效性。