随着社会的发展,传统的身份认证方法已不能满足人们的需要,对快速有效的自动身份验证的要求日益迫切。生物特征是人的内在属性,因此成为身份验证的最理想依据。人脸识别与其他人体生物特征识别相比,具有直接、友好、方便的特点,易于被用户接受。人脸识别技术就是利用计算机提取有效信息进行自动识别,它涉及模式识别、计算机视觉、生理学等诸多学科,一直是当前研究热点。本文综述了人脸识别技术的研究现状和主要方法,进而对人脸识别中的关键技术进行了研究,并着眼于基于统计学的方法,提出了一种基于小波变换和改进的BP人工神经网络的主成分分析人脸识别方法。首先,通过对人脸图像进行灰度直方图修正,消除了光照强度对识别的影响,使不同成像条件下拍摄的照片具有一致性。然后用小波变换的方法提取人脸图像中相对稳定的低频子带,过滤掉人脸的表情因数,同时达到了使图像向量降维的效果,为后续算法减小了复杂度。其次,使用基于主成分分析的算法对图像进行特征提取。主成分分析法着眼于人脸图像整体的灰度相关性,所提取的特征向量既保留了原图像空间中的主要分类信息,降低了特征空间的维数,又能在均方误差最小的意义上重建原图像。本文采用的主成分分析法对标准算法进行了改进。最后,使用BP人工神经网络进行训练和人脸识别。本文将主成分分析法的特征抽取与人工神经网络的自适应性的优势相结合,取得了较高的识别率和优良的系统性能。采用很多方法对标准BP做了改进。首先使用动量法和学习率自适应调整的策略,提高了学习速率并增加了算法可靠性;其次通过改变输出层值的设置,提高了系统运算的速度。最后,本文提出了采用距离分类器和BP神经网络分类器相结合的人脸识别方法,利用两者优势,提高系统识别率。与传统的PCA方法相比,本文结合了多种算法的优势,所提取的特征更加反映了人脸之间的差异,降低了运算复杂度,提高了识别率和系统性能。通过ORL人脸库实验验证,本系统有效抑制了一定程度上的表情、姿态变化等因素对人脸识别造成的不利影响,提高了对此类人脸图像的识别率。