人脸识别是模式识别领域的研究热点之一。有效的提取图像中的特征是人脸识别研究过程中所要面对的首要任务。因此设计有效的特征提取方法成为了提高人脸识别性能的关键。而在实际中,带有遮挡、光照、神态变化等各种干扰的图像随处可见,传统的特征提取方法在处理这类问题时的效果往往不尽如人意。本文基于多流形学习的思想,设计和实现了几种具有较强鉴别力的人脸识别特征提取算法,主要的工作可概括如下:1、基于最大间距准则的鲁棒多流形判别局部图嵌入算法(Robust Multi-manifold Discriminant Local Graph Embedding Algorithm Based on the Maximum Margin Criterion)针对现有的多流形人脸识别算法大多直接使用带有噪声的原始数据进行处理,而带有噪声的数据往往会对算法的准确率产生负面影响的问题,提出了一种基于最大间距准则的鲁棒多流形判别局部图嵌入算法。首先,通过引入一个降噪投影对原始数据进行迭代降噪处理,提取出更加纯净的数据;其次,对数据图像进行分块,建立多流形模型;再次,结合最大间隔准则的思想,寻求最优的投影矩阵使得不同流形上的样本距离尽可能大,同时相同流形上的样本距离尽可能小;最后,计算待识样本流形到训练样本流形的距离进行分类识别。实验结果表明,与表现较好的最大间距准则框架下的多流形局部图嵌入(MLGE/MMC)算法相比,所提算法在添加噪声的ORL、Yale和FERET库上的分类识别率分别提高了 1.04%、1.28%和2.13%,分类效果明显提高。2、基于核稀疏表示的多流形判别分析算法(Multi-manifold Discriminant Analysis Based on Kernel Sparse Representation)针对单样本人脸识别中非线性可分性问题,提出了一种基于核稀疏表示的多流形判别分析算法。首先,对数据图像进行分块并融入多流形思想,在构建的多流形模型中运用核稀疏表示方法刻画各流形数据点之间的关系,学习流形内部图和流形间图;然后,在每个流形空间中分别寻找最佳的投影增强人脸图像内部流形的紧致性,提高人脸图像外部流形的可分性;最后,通过计算测试样本流形到训练样本流形的距离进行分类识别。在Extended YaleB和CMUPIE数据库上的实验研究表明,与其他同类算法相比,所提算法对光照、遮挡变化具有更强的鲁棒性。3、稀疏约束的非负矩阵分解多流形图正则增量学习算法(Sparse Constraint Non-negative Multi-manifold Graph Regular Incremental Learning)针对非负矩阵分解(NMF)方法缺乏对数据多流形结构进行建模能力的问题,提出了一种稀疏约束的非负矩阵分解多流形图正则增量学习算法。该算法将多流形学习和增量学习引入非负矩阵分解中,同时对分解后的矩阵进行稀疏约束,使分解后数据的稀疏度得到提高,图像的局部表示能力更强。此外,增量学习的融入,在新加入训练样本后,避免了大量的重复运算,提高了算法训练效率。公共数据库上进行的实验验证了该方法相对于现有算法的优越性。4、人脸检测与分类识别系统(Face Detection and Classification Recognition System)基于Visual Studio平台,结合本文中的算法,设计和实现了一个人脸检测与分类识别系统。该实验系统的主要功能包括(1)图像导入;(2)人脸检测;(3)人脸图像处理(切割、规一化、保存);(4)特征提取;(5)识别。