由于在安全验证方面,视频监控方面,甚至家庭娱乐等方面潜在的巨大应用前景,人脸识别技术近年来已经受到许多学者、政府部门、企业界的普遍关注,并已成为生物特征识别领域的一个研究热点。实际上,在身份验证中,相对于其他生物特征识别而言,人脸特征识别是最直接,最方便友好的手段。本文的主要研究内容是人脸识别技术,重点研究了利用统计特征进行人脸识别的方法。本文的主要创新点有: (1) 提出了两种基于小波变换和多特征的人脸识别方法:一种是将多特征和多分类器结合的识别方法:另一种方法则是利用多特征组成混合特征,并引入了“支持向量机”(Support Vector Machine)进行分类的方法。两种方法均取得了满意的识别结果。 (2) 提出了基于人脸局部特征融合的识别方法。首先根据人脸的分布知识对人脸特征进行分割,提取各局部特征的特征脸特征,再分别利用支持向量机和Boosting算法进行融合和分类。实验证明这种方法的识别率高于传统的直接利用整幅人脸图像的特征的方法。 (3) 结合了小波变换和图像频谱的频谱脸,在人脸识别方面具有相当高的应用价值,本文进一步提取了频谱脸的特征脸和线性鉴别特征作为分类特征,并利用了不同的分类方法进行识别,这种基于频谱的方法可以有效提高识别率,我们称之为频谱特征脸法。同时在这种特征提取基础上,还提出了一种利用多特征和径向基函数网络进行人脸识别的算法,并将该算法应用到了单训练样本情况,获得了较好的识别结果。 (4) 为了克服人脸识别中由于小幅度的姿态、表情,光照变化所带来的困难,本文提出了一种利用“互信息”(Mutual Information)和混合特征的两步人脸识别算法,并在几个不同的人脸库上进行了实验,证明了该算法可以在人脸图像存在小幅度的姿态、表情,光照变化的情况下可以保证较高的识别率。 (5) 在人脸识别研究中,由于获得的人脸图像常常是不同视角,不同光照方向的,因此会给识别带来较大的困难,我们提出了两个针对不同具体情况的解决光照变化情况下的人脸识别方法,第一种是光照子空间法,第二种是利用径向基函数网络产生虚拟光照条件下的人脸图像或特征来增加训练样本的方法,称为虚拟脸方法。两种方法都可以在一定程度上解决识别中光照问题所带来的