人脸识别是模式识别和图像处理等学科的一个研究热点,它广泛应用在身份验证、刑侦破案、视频监视、机器人智能化和医学等领域,具有广阔的应用价值和商用价值。人脸特征作为一种生物特征,与其他的生物特征相比,具有友好、直接、方便等特点,因此使用人脸特征进行身份识别更易于被用户所接受。人脸识别技术在过去的几十年里得到了很大的方展,但由于人脸的非刚性、表情多变等因素,使得人脸识别技术在实际应用中面临着巨大的困难。本文在对近年来国内外相关学术论文及研究报告进行学习和分析的基础上,针对某些单位内的数据敏感性场所需要对进入人员进行限制的问题设计并开发了一套身份验证识别系统,该系统根据识别人员数量的不同采用不同的方法进行识别。当需要识别的人员较少时,采用PCA人脸识别方法,这种实现简单且识别准确率高,但其缺点是计算量大,特别是当需要识别的人员较多时,对内存和识别时间的要求比较高。因此需要识别的人员较多时,本文利用粗糙集和神经网络的方法进行识别,以提高识别效率。由于人脸识别系统规模较大,因此本文只讨论本人所负责部分的内容,即系统的理论研究和测试部分。PCA人脸识别方法的基本原理是通过将人脸图像信息转换成矩阵,利用K-L变换和奇异值分解原理将人脸图像进行降维,利用降维后的图像信息对人脸图像进行识别。该方法对需要识别的人脸图像较多时,存在计算量大、运算时间长、效率低等缺点,但当需要识别的人员数量较少时,识别的速度比较快,且准确率比较高。因此,本文利用PCA识别方法的特点,将其应用在需要识别人员较少的场合中,这样既提高了效率又保证了识别的准确率。对于大型单位,需要身份识别的人员较多,如果仍然使用PCA人脸识别方法将会使工作效率低下,因此本文结合粗糙集的特点,在PCA降维后的人脸特征再次进行了筛选,进一步减少了用于表示人脸图像的特征个数,然后使用神经网络分类器对人脸图像进行识别。该方法在预处理的基础上,利用粗糙集对PCA降维处理后的人脸特征进行约简,提取其中分类能力强的特征,实现在识别精度不变的情况下,有效的去除冗余信息;然后将约简后的属性输入到神经网络进行规则提取,利用神经网络非线性映射和并行处理的特点,增强对人脸图像识别的泛化能力。