人脸识别技术是利用计算机分析人脸图像,从中提取有效的识别信息用来辨识身份的一门技术。它涉及图像处理与分析、计算机视觉、人工智能、模式识别及生物学等多个研究领域,研究的成果有着非常广阔的应用前景。由于人脸图像的特殊性,人脸识别问题是模式识别领域的一个难点,这一技术的完全成熟还有很多问题需要解决。人脸识别包括图像预处理、特征提取和识别三个环节。其中特征抽取是模式识别研究中最基本问题之一。对图象识别而言,抽取有效的图象特征是完成图象识别的首要任务。而基于核的特征抽取方法是当今很热门的一种有效的非线性特征提取方法。本文即从核特征抽取方法入手,提出了一种基于虚拟样本的快速核鉴别框架方法。核特征提取方法虽能把原始空间的线性不可分的问题转化为高维空间的线性可分的问题,但其投影向量是由所有训练样本线性展开的,尤其在多类的情况下,需耗费大量的时间来计算庞大的核矩阵,从而使核方法的计算量变得很大。为了解决这一问题,一些核加速算法被提出,但这些加速算法搜索投影向量展开元素十分耗时。为了减少展开元素,这些加速方法使用迭代算法从原始样本集中逐个选择展开元素,尤其考虑每个核函数的计算量,计算量就更加巨大了。而且由于舍弃了部分样本信息,这些加速核方法的识别能力均有所下降。本文对核方法的加速提出了一种新思路:基于虚拟样本的快速核方法。该方法通过一次性构造虚拟样本集,并从中选择少量描述能力强的作为投影向量的展开元素,包括投影本征样本(MES)、投影公共向量样本(MCS)和投影均值样本(MMS),大幅提高了核方法的计算速度。AR, FERET和CAS-PEAL数据库上的实验验证了所提方法是快速有效的,且在加速后识别率也优于传统的一些核方法,这是其他加速方法所难以达到的。所提出的核鉴别框架还被应用在一些经典核鉴别方法上,均获得了快速有效的识别效果。