面部识别是人工智能和图像处理(模式识别)领域的主要研究方向之一,已经广泛应用于身份认证、视频监控和生物检测。因为非接触式、自然、方便并且可靠,面部识别已成为生物识别系统的一个普遍选择。面部识别准确率仍然有待提高,一直被当做一个重要的研究领域。因此,本文研究的主要目标就是提高人脸识别的准确性。现有的一些基于支持向量机(SVM)的方法,能够提高人脸识别精度。参考这些方法,本文提出了一种基于SVM的新方法,可以更加有效识别人脸。本文方法可以显著提高人脸识别精度,并可以用作合适的SVM多类模型。为了解决多于两个类别(多类)的问题,可以把几个二进制值分类器组合在一起,已有多个这种SVM与多分类器结合的模型得到了有效应用。本研究采用了组合式多分类器,即分类式纠错输出码(ECOC)分类器。本文方法采用方向梯度直方图(HOG)特征提取技术来提取图像相关特征。通过借助一对一编码设计方法,利用多类SVM对图像进行分类。此外,ECOC用于将多类分类问题简化为一组二进制分类问题,来降低错误率。为了验证本文提出的人脸识别方法的有效性,ORL、YALE、JAFFE和自建数据库分别被用来进行测试。实验结果显示,本文方法的正确率达到了98%以上,表明本文方法比现有的其他方法更为有效。本文所提出的人脸识别方法具有较高的识别精度。这种精度水平具有很多潜在的实际应用前景,如预防犯罪、残疾人辅助技术、执法和法医计算等。