人脸识别是生物特征识别的一个主要分支。与指纹识别、虹膜识别等其它生物特征识别技术相比,它不接触、无侵犯,拥有更为明显的优势。目前,由于国内外安全形势的迫切需要,人脸识别日益受到包括公共安全、访问控制在内的广泛应用领域的青睐。应用的升温推动了相关研究的开展,人脸识别技术的研究呈现出一派蓬勃发展的态势。然而,人脸识别技术面临的一些难题尚未被完全解决。本文主要研究了单样本条件下的人脸识别问题。单样本即单训练样本,是指:在已知的人脸图像数据库(如护照人脸图像数据库)中,其中的每一个人都仅有一幅人脸图像。这是小样本问题的特例,同时也是整个人脸识别领域最为极端的一种情形。在单样本情况下,许多传统的基于多训练样本的人脸识别算法效果均不太理想,一些算法甚至根本不再适用。本文以基于代数特征的方法为着眼点,对单样本人脸识别问题进行了一定的研究。主要工作和贡献如下:(1)在分析灰度图像存储格式的基础上,提出了一种新的样本扩充方法:位平面图像样本扩充法。按照这种方法,1幅原始图像可以被切片为8幅位平面图像。其中,低位切片图像存在明显噪声,直接舍弃;而高位切片图像则包含较为丰富的鉴别信息,保留下来,作为获取到的新样本图像。然后,把每个类别的单幅原始训练样本图像和由它扩充得到的若干幅高位切片图像一起作为该类别新的训练样本图像。经过样本扩充,鉴别信息得到了一定的强化,更利于特征抽取和分类识别。最后,实验证实了所提方法的有效性。(2)遵循把单样本问题转化为多样本问题的研究思路,分析了传统的一些单样本人脸识别算法。发现:导致识别性能不能很好发挥的一个主要原因是扩充得到的样本中包含太多的噪声。于是,围绕如何消除这些噪声,提出了一种新的基于线性鉴别分析的样本扩充方法——泛滑动窗样本扩充法。该方法在进行样本扩充时不会引入任何外来干扰信息,从而最大限度地提高了新样本鉴别信息的保真度,理论上更加有利于后续的特征抽取与分类识别。不仅如此,该样本扩充方法比传统的样本扩充方法更加简捷。用扩充得到的新样本,结合二维线性鉴别分析算法进行实验,实验结果证实了新方法的上述性能与优势。(3)针对单样本人脸图像可能存在的所谓边缘化模式问题,把线性加权的思想引入到了先前提出的单样本人脸识别框架中,从而改进了原来的识别框架。新的单样本人脸识别框架具有两大优势:第一,在样本扩充环节,有效地避免了噪声的引入,能够获取到更高质量的新样本。第二,在特征抽取环节,很好地解决了边缘化模式问题,使抽取到的特征更具鉴别力。前者使基于线性鉴别分析思想的单样本人脸识别成为现实。而后者有助于优化其识别性能——在无边缘图像的情况下,能够保证其识别性能正常发挥;在含边缘图像的情况下,能够保证其识别性能有所改善。因此,在新的识别框架里,单样本人脸识别的整体性能变得更加有效和鲁棒。在ORL标准人脸库上的实验证实了新识别框架的上述性能优势。