人脸识别是生物特征识别领域的重要组成部分,也是机器学习、模式识别等课题的研究热点,具有重大的学术研究和实际应用价值。随着社会的发展和人们生活水平的提高,人脸识别技术的应用范围越来越广泛,同时也对人脸识别技术提出了更高的要求。人脸识别是一门复杂且富有挑战性的研究课题,寻求稳定、准确、快速的人脸识别算法是该课题的发展方向。特征提取是人脸识别算法的关键步骤,同时也是研究难点。本文将如何提取稳定、有效的人脸特征作为研究重点,并主要从两方面展开:首先是对奇异值特征及其改进算法的研究;其次对图像全局特征以及局部特征融合算法进行了研究。奇异值特征描述了图像中的代数特征,具有很好的稳定性以及旋转、置换、位移不变性等性质,但大量的实验表明,直接采用奇异值特征进行分类时,识别效果较差,在ORL人脸库上只有50%左右的识别率。本文通过对奇异值的分布进行统计分析发现,将图像子空间对应的奇异值线性组合作为原始图像的特征描述时,可以有效提高样本的类间离散度,并依据子图像法、小波子空间以及两者相结合的方式分别对奇异值分解算法进行了改进。此外,本文结合改进的奇异值分解算法提出了一种自适应权值的特征融合算法,实验结果证明,融合后的特征包含了更多有利于分类的信息。本文的研究成果主要有以下几方面:(1)对子图像法与奇异值分解相结合的算法进行了研究,不同于直接对图像进行奇异值分解,人脸图像首先被划分为不重叠同等大小的多个子图像,提取各个子图像的奇异值进行线性组合作为人脸图像的识别特征,此外对该算法涉及的两个参数即子图像数量以及奇异值的数量进行了实验分析。(2)对小波子空间与奇异值分解相结合的算法进行了研究,小波变换后的图像在频率域被划分为不同的子空间,提取各个子空间的奇异值进行线性组合作为人脸图像的识别特征,此外对小波函数的选取以及小波层数的设置进行了分析。(3)综合以上两个改进算法,提出了空间域以及频率域相结合的奇异值改进算法,首先将划分后的子图像进行多层的小波变换,之后对每一个小波分量都进行奇异值分解,提取每个小波分量的最大奇异值线性组合作为识别分类的特征。(4)提出了一种基于权值自适应特征融合的人脸识别算法,该算法采用了改进的奇异值算法提取人脸图像的全局特征以及6个关键区域的局部特征,6个关键区域通过权值自适应算法组合为局部特征,最终在特征层实现全局与局部特征的融合。(5)采用基于弹性梯度下降算法的BP神经网络实现分类,相对于传统的梯度下降算法,弹性梯度下降算法具有训练迭代次数少,运算效率高的优点。