人脸识别是模式识别领域中最热门的研究课题之一。它主要包含预处理、人脸特征提取和分类器设计。人脸特征提取也称人脸表征,是对人脸进行特征建模的过程,目的是提取出原高维人脸模式的低维特征,以用于后续的分类任务。人脸特征提取是人脸识别中的核心步骤,提取特征的好坏直接影响识别率的高低,也是人脸识别的主要难点所在。本文主要针对人脸特征提取技术进行比较详细的研究,主要内容为:(1)传统的LDA方法在计算类间散布矩阵时,仅仅考虑了类的中心,忽略类的边界结构,而这些类的边界结构已经被证明在分类时也是非常有用的,因此LDA方法在人脸识别中的识别性能并不稳定。针对这些缺点,本文引入非参数子空间分析分析方法和非参数特征分析方法。非参数子空间分析方法重新定义了类间散布矩阵,不仅考虑了类的中心,还考虑了类的边界结构,弥补了LDA方法的缺陷。但是非参数子空间分析方法中类内散步矩阵Sw仍然和LDA的一样,这样可能会影响识别效果;非参数子空间分析方法运算法则使用单一的局部平均值来代替所有选定的KNN样本计算类间散布矢量,因此计算类间散步矩阵没有考虑到不同的KNN点有助于构建不同的类间散射矩阵。为了解决这几个问题,提出了非参数特征分析方法。在人脸库上的实验结果表明,非参数子空间分析分析方法和非参数特征分析方法的识别效果比LDA要好。(2)但是由于人脸图像空间维数太高,使得在实际问题中难以找到或根本不可能找到足够多的训练样本来保证类内散布矩阵的可逆性。为此,本文作者提出了二维非参数线性判别分析,即二维NSA方法和二维NFA方法。在人脸库上的实验结果表明,2D线性鉴别分析和2D非参数线性鉴别分析就没有1D来的好,但是稳定性比一维算法好,运行时间上2D算法要比1D算法短。(3)核方法的出现使我们能够解决非线性的问题,并将其应用于人脸识别,而判定一种核方法的优劣往往取决于我们选取一个怎样的核函数,因此核函数是解决线性问题的关键。本文在KDA的基础上提出了分块KDA方法并将其应用于人脸识别。所提出的方法是一种直接基于子图像矩阵的非线性特征提取方法,与以往的基于图像向量的非线性特征提取方法(比如KPCA方法)相比,由于对原始图像进行分块,可以方便地在较小的图像上进行特征提取方法,使其过程简便,如分块KDA可以避免使用矩阵的奇异值分解理论。通过实验结果表明,所提出的方法的识别率比KDA的识别率高。(4) SVM的基本原理是把数据映射到高维特征空间,以结构最小风险最小化(SRM)为归纳原则,在高维空间中将构造的具有低VC维的最优超平面作为判决面。它采用基于结构风险最小化原理的方法,使风险上界达到最小。本文在SVM_LDA的基础上提出了SVM_NSA方法并将其应用于人脸识别。通过实验证明了本文所提出的方法要优于SVM_LDA方法。