特征提取是机器视觉和模式识别领域主要研究的课题之一。若训练样本不进行特征提取,则过高的特征维数会影响最终识别器的性能,即所谓的维数灾难。目前许多优秀的特征提取方法陆续地被提了出来,如PCA、LDA等。然而这些特征提取方法都是“批处理”的训练模式,所有的训练样本需要事先准备好,当样本是按照队列的形式加入训练时,由于传统方法需要重复进行训练,所以耗时会非常多。为解决这个问题,在特征提取的基础上对增量学习算法进行研究也很有必要。本文主要包括以下两个方面的研究内容。(1)分块类增广PCA提出了一种分块类增广PCA (SpCAPCA)人脸识别算法。先对原始图像矩阵进行分块,然后对各个分块子图像施行自适应的CAPCA方法进行特征提取,再将提取到的特征依次整合起来,从而达到降维的目的。该方法不仅能够有效提取图像的局部特征,而且能够适应不同的光照条件。(2)一种基于Cam加权的增量拉普拉斯特征提取方法提出了一种经过Cam加权距离寻找邻域的增量拉普拉斯特征提取算法。先对原始数据进行Laplacian降维,然后采用Cam加权距离获得每个添加样本的近邻,再由其近邻重构出降维后的插入点,最后再更新近邻发生改变的样本点的低维数据。该方法的有效性在流形仿真实验中得到了进一步的证实,该算法在样本分类、人脸识别、稳定性、耗时等方面也有很好的效果。(3)增量二维MMC提出了一种增量二维最大间距(I2DMMC)人脸识别算法。先采用2DMMC对初始样本库进行特征提取,然后依据所添加的样本信息,逐一地更新当前的特征空间。该方法不仅能够有效地避免小样本问题(SSS),而且可以在减少计算量的同时,动态更新投影空间。