人脸识别是生物特征识别的一个主要研究方向,与其它生物特征识别技术相比较,人脸识别有主动性,用户界面友好等许多特点。同时,在所有的生物特征方面,人脸特征也是最普遍和最比较容易获取的。因此,在模式识别和图像处理领域,人脸识别一直都是比较热门的研究课题之一。特征提取是模式识别学科研究的最基本问题之一。对于人脸识别而言,抽取有效的人脸特征是完成人脸识别任务的关键。从最初的基于几何的方法到基于统计等复杂特征的方法,人脸识别已经发展了很多算法。目前,基于统计特征的线性方法在人脸识别中以发展得比较成熟,但是由于人脸识别涉及光照、表情、姿态等诸多因素,线性方法在实际应用中表现得还远远不够。因此,将线性方法拓展到非线性领域以提高识别率是一个有待解决的问题。基于核的特征提取方法是最近提出的一种很有效的非线性特征提取方法。本文就基于核的特征提取方法在人脸识别方面的应用进行了较深入的研究,所提出的算法在FERET人脸数据库上的试验取得了比较好的识别效果。本文的主要工作如下:(1)对于Fisher(KFD)鉴别和核Fisher(KFDA)算法进行了较为深入的分析,发现了一种等价的但更为简单的非线性特征抽取方法,即先变换样本再进行Fisher鉴别分析的方法。通过设计的矩阵相似度特征提取算法在Yale人脸库上的实验结果验证了所提方法的有效性。(2)虽然基于核的特征提取方法在图像的特征提取问题方面取得了很大的成功,但是也存在着如下一些问题:一、构造特征空间H中的核矩阵K所耗费的计算量非常大。二、当训练样本数N很大时,一方面会使得核矩阵的存储空间急剧增加,因为核矩阵的维数为N×N;另一方面造成核矩阵的不可逆。为此,本文深入分析了两种两阶段的核特征抽取方法:PCA+KFDA和PCA+KPCA,即在进行非线性映射之前,首先利用经典的主分量分析降维,然后再执行核Fisher鉴别分析(KFDA)或核主分量分析(KPCA),这样进一步降低了特征提取所需的时间,使算法具有更高的效率。(3)随着基于核方法的鉴别标准的广泛使用,研究学者们已经提出了各种各样的新的核鉴别标准。本文提出的基于KFD中最大类可分性判别的核矩阵训练方法是和经典的Fisher鉴别标准(用于(LDA)和(KFDA))比较相识的一种不同的最优鉴别标准。当面对一些奇异矩阵问题的时候,这种分类标准比(LDA)和(KFDA)都有比较大的鉴别优势,因为它不像线性鉴别分析(LDA)和核Fisher鉴别分析(KFDA)一样,在计算时可能需要求类内离散度矩阵的逆。