人脸识别是模式识别领域的一个重要研究课题，已被广泛应用于门禁系统、考勤系统、安检、刑事案件侦破等领域中。与其他生物识别技术相比，人脸识别具有非接触式、可靠性强等优点。然而人脸图像不仅数据量大，而且容易受到光照以及人脸姿态等的影响，这给计算机进行有效人脸识别提出了极大挑战。如何快速准确的提取人脸特征来进行人脸的匹配是研究者们关注的焦点。目前，常用的特征提取方法有主元分析法(PCA)、Fisher线性判别分析法(LDA)以及独立成分分析法(ICA)等。非负矩阵分解(Non-negative Matrix Factorization,NMF)算法是Lee等人提出的一种基于特征子空间的特征提取与数据降维的新方法。与传统方法相比，NMF在处理大规模数据以及局部特征提取方面具有较大优势。它通过对分解的矩阵引入非负性约束条件，将任何图像看成是由一组基图像按照不同的权重相加而成的，更符合人们“局部构成整体”的思维方式。可见，基图像的构造对NMF能否进行准确的特征提取起着举足轻重的作用。考虑到人脸对称的生理特性，本文提出了一种利用镜像偶特征改造NMF基图像并进行局部特征提取的人脸识别算法。首先获取镜像偶特征并进行二次Haar小波分解，得到重构人脸样本图像。然后利用NMF分解得到一组在垂直方向对称的基图像，由它们组成基矩阵并对它们正交规范化。由于改造后的基图像符合人脸对称的生理特性，使得NMF基矩阵更加适用于人脸特征提取。在含有姿态变化和不均匀光照样本的Yale人脸数据库上取得了较好的识别效果。