人脸识别技术应用背景广泛,可用于身份识别、人脸的视频检索以及人机交互等诸多领域。这些巨大的应用前景使得人脸识别技术越来越多的成为当前模式识别和人工智能领域的一个研究热点。目前,大量的人脸识别方法已经被提出,这些方法主要集中在两个方面:1)如何表征一个人脸图像,即人脸图像的特征提取;2)针对所提取人脸的特征设计有效的分类器,实现对人脸的正确分类。本文的主要工作集中于第二个方面,即分类器的设计,我们将Boosting算法应用于人脸识别算法来提高分类的正确率。 集成学习算法通过训练多个弱学习算法并将其结果进行合成,可以显著地提高学习系统的泛化能力。Boosting算法作为集成学习算法的主要代表算法,得到了广泛的研究和应用,其研究成果大部分都集中在分类问题上。在Boosting算法中,我们将分类任务划分成多个子分类器,每个子分类器专注于一些难分类的样本,然后组合这些子分类器形成一个强的分类器。本文将Boosting算法应用于经典的基于LDA的人脸识别算法和概率推理模型。我们在FERET和ORL数据库上做了大量的实验来验证Boosting算法的性能,加强型的LDA算法比原始的LDA算法的识别率提高了3.0个百分点,加强型的概率推理模型比概率推理模型的识别率提高了1.8个百分点,实验结果表明Boosting算法很大程度上提高了人脸识别率。