近年来,随着计算机技术、图像处理方法和模式识别理论的不断突破,生物特征检测及识别准确率得到大幅提升。人脸识别具有稳定、非接触和不易察觉性,已成为生物特征识别最重要的研究方向,被广泛应用于员工身份识别、安全验证系统和移动支付等领域。由于人脸是一个非刚性物体,受表情、姿态、光源、年龄和发型等因素影响,人脸识别率有限。尤其对于样本数较少或外界干扰严重的情况,传统人脸识别率较低,尚无法满足工程应用需求。为此,本文针对中小企业员工身份验证和厂区安全监控应用背景,开展人脸识别算法研究,以解决其中核心理论和关键技术问题,在此基础上进行系统开发及应用。本文的主要工作和成果如下:(1)针对人脸样本有限、类别较少和受光照干扰较少情况,提出一种基于主元分析和粒子群优化的有向无环图核支持向量机(PCA-PDKSVM)的人脸识别方法。该方法首先通过主元分析(PCA)对人脸图像进行线性降维,然后设计并构建以降维后主元分量为输入、以人脸标签为输出的有向无环图核支持向量机(DKSVM)模型,接着采用粒子群算法(PSO)进行参数寻优。实验结果表明,对于ORL人脸库,该方法人脸识别率达99.1%,识别时长为0.243s,优于传统方法,能满足中小企业员工身份验证应用需求。(2)针对人脸样本有限、类别较少和受光照干扰较多的情况,提出了一种基于PCA和反向传播神经网络(BPNN)的人脸识别方法。该方法首先通过PCA对人脸图像进行降维,然后设计以降维后主元分量为输入、以人脸标签为输出的BPNN模型,接着提出了一种隐藏层层数优化估计方法。实验结果表明,对于F-AR人脸库,该方法人脸识别率达99.5%,略差于PCA-PDKSVM方法,但是识别时长为0.114s,适用于对识别时长要求严格的场景。(3)针对人脸样本有限、类别较多、受光照和受遮挡干扰较严重的情况,提出一种基于LeNet-5架构改进的卷积神经网络(ILeNet-5)人脸识别方法。该方法首先设计并优化卷积层和池化层层数、卷积核数、神经元数量和激活函数来自动提取人脸特征;然后设计并优化全连接层结构、层数和神经元数;最后采用Softmax分类器对人脸进行识别。实验结果表明,对于AR人脸库,该方法识别率达95.3%,识别时长为0.182s,优于传统人脸识别方法,对能满足中小企业厂区安全监控应用需求。(4)针对中小企业员工身份验证和厂区安全监控应用场景,采用Visual C#2015语言,SQL Server2014数据管理系统和Devexpress控件,设计开发了一套人脸识别系统。该系统首先在Matlab平台将PCA-PDKSVM算法和ILeNet-5算法生成COM组件,然后由Visual C#进行调用,系统能实现人脸样本的识别、录入和权重更新。测试表明,系统的识别率较高、时延短,能有效满足中小企业实际需求。