信息化技术的发展使得人们在现代科学研究中不可避免地会遇到大量的高维数据，其内在规律的复杂性也超过了人们的感知能力，如何有效地提取出有用的信息成为解决该问题的核心。随着研究的深入，许多有效地特征提取方法被提出，其中基于子空间分析的方法因其计算简单、有效等特性引起了人们的广泛注意。现已成为人脸图像特征提取和识别的主流方法之一。
　　传统的子空间方法(如Principal Component Analysis,PCA和Linear Discriminant Analysis,LDA)更多的是考虑数据集的全局线性特性，不能有效地发现隐藏在数据中的非线性结构特征。流形学习以其非线性特点，能够揭示数据集的内在几何结构，然而在处理人脸识别问题时却暴露出诸多缺陷，例如小样本问题、样本外点学习问题等。为了克服这些缺点，本文以流形学习方法为基础，进行了子空间人脸识别算法研究，并建立了一个基于 ARM的嵌入式自动人脸识别系统框架，具体研究如下：
　　1.等度规映射(IsometricProjection, IsoP)是流形学习方法等距映射(ISOMAP)的线性近似，且具有保持样本局部结构关系的属性，但没有考虑对人脸识别来说很重要的类判别信息，是一种无监督的特征提取方法。为了解决该问题，本文提出一种新的称为判别等度规映射(Discriminant Isometric Projection,DIsoP)的子空间算法。该算法在 IsoP基础上，将最大散度差准则引入到它的目标函数中，使得在嵌入低维子空间后，类内样本保持它们固有的近邻几何结构关系，而类间样本彼此分离，进而提取出具有判别力的人脸特征。此外，该算法还避免了小样本问题。在ORL和Yale人脸数据库上的实验结果验证了算法的有效性。
　　2.通过等度规映射(IsoP)算法所提取特征之间存在一定的相关性，使得所提取信息存在一定的冗余，也扰乱了所提取特征的分布，从而降低了识别性能。针对该问题，提出一种新的人脸识别方法，称为无相关判别等度规映射(UncorrelatedDiscriminant Isometric Projection,UDIsoP)。该算法在通过构建判别权重矩阵考虑样本判别信息的同时，又在 IsoP的目标函数中引入无相关约束条件，使得所提取特征是统计无相关的。因此，UDIsoP充分利用样本的可分性信息，使得投影后的样本区分性更强，实验结果验证了该算法的有效性。
　　3.本文采用 ARM11作为嵌入式开发平台，建立简单的嵌入式人脸识别系统，并探讨了嵌入式人脸识别应用系统设计及实现的过程。系统首先在通用 PC机上完成人脸识别分类器的训练，然后再将训练好的分类器结果传输到嵌入式平台，最终完成基于嵌入式操作系统 WinCE)的用户注册和认证过程，验证了系统的实时性和准确性。