目前人脸识别的算法中主要是针对人脸特征提取和分类决策的俩大领域进行研究。而人脸图像的子空间和稀疏表示人脸特征提取方法的研究热度近年来一直持续上升,同时这些方法大都基于人脸图像局部线性的特征提取,由于非约束环境的要求性越来复杂,而人脸结构本身是非线性的,再加上用户对系统的体验要求也越来越高,这就需要在非线性的条件下找到一个具有较好效果的算法。同时随着大数据,云计算时代的到来,越来越多的用户信息被完全暴露在各大互联网媒体上,这样就存在很大的隐患和安全性问题,这同样也是用户担心的问题。基于以上描述,本文现总结两个问题:a.如何在非线性条件下能找到一种具有较好效果的人脸特征提取算法。b.如何在a实现后能找到一种隐秘安全的人脸识别算法。基于以上描述问题a和b,本文所做工作如下:1.在最大间隔和鉴别保局投影(Maximizing Margin and Discriminant Locality Preserving Projections,MMDLPP)算法中,能较好的保持同类近邻关系,区别不同类的伪近邻关系,同时也是个能解决小样本问题的监督学习方法。然而MMDLPP是一种线性特征提取方法,会存在将低维的线性不可分模式映射到高维空间来实现线性可分,然后在高维空间计算时造成“维数灾难”。与此同时,人脸结构通常是非线性的,如何找到一种既能获得人脸的非线性特征,也具有MMDLPP算法的优点的算法成为了一个问题,为解决这个问题,本文研究了核函数的工作原理和eigenfaces将高阶矩阵计算转换成低阶矩阵计算的思想,同时结合MMDLPP算法的优点,提出了核化MMDLPP(KMMDLPP)算法,这样就将原始样本通过非线性映射投影到高维空间中,然后将高维空间的计算转换成特征值分解问题。该方法不仅较好的保持了类内的近邻关系,分离了类间的伪近邻关系,也较好的解决小样本问题,同时在非约束环境下具有很好的鲁棒性,也为本文下面的工作打下了基础。2.在基于超完备信号的稀疏表示结合鉴别信息的鉴别稀疏保持嵌入(Discriminant Sparsity Preserving Embedding,DSPE)算法中,该算法较好的把超完备信号稀疏表示和子空间方法结合起来,即很好的解决真实近邻和伪近邻的关系,同时在非约束环境下的人脸识别中也有较好的鲁棒性。DSPE是线性的稀疏表示方法,为了得到人脸图像的非线性的稀疏表示,本文提出了用核技术的思想来对稀疏矩阵核化,同时整体的对DSPE进行核化后得到KDSPE。KDSPE算法将原始样本通过非线性映射投影到高维空间中,然后将高维空间的计算转成利用核函数求解内积的问题。KDSPE作为一个非线性的监督学习方法,不仅获得了图像全局最优低维嵌入,还有效的提取人脸非线性特征,同时在非约束环境下具有较好的鲁棒性。3.随着大数据和云计算时代的到来,越来越多的用户信息被完全暴露在各大互联网媒体上,这样就存在很大的隐患和安全性问题,为了保护用户的个人隐私信息,完成人脸图像数据在服务器端的隐秘计算,本文提出了核鉴别稀疏保持嵌入算法(KDSPE)结合密码学领域的同态加密和基于身份加密系统(IBE)的不经意传输协议的一种隐秘人脸图像识别方案。终端采集待测样本的数据和数据库的人脸图像数据进行对比,从而判断终端采集的人脸数据是否在数据库存在。这里利用KDSPE算法得到的核鉴别稀疏矩阵,然后利用同态加密和基于身份加密系统(IBE)的不经意传输协议来隐秘计算终端和服务器人脸的核鉴别稀疏矩阵的欧式距离,进而判断是否匹配。该方案的优点在于除了可以有效的提取人脸非线性特征外,同时在非约束环境下(姿态,表情,光照,遮挡,年龄,拍摄角度)也有较好的鲁棒性,此外由于结合密码学的知识,该方案还可以保证通信参与者的数据安全和通信通道的安全性,实验结果表明本文方案提高了人脸识别率,同时具有一定的算法安全性。