作为人工智能的一个重要应用,人脸机器自动识别是一项极具挑战性的难题。它在理论和应用中的潜在价值一直激励着科研人员的不懈努力。本文主要研究了人脸图像的计算机识别问题,主要研究工作如下:人脸检测是人脸识别的前期工作。本文首先从人脸粗检研究开始,研究了利用肤色检测粗检人脸的方法。该方法首先将图像由RGB空间归一转化到RG空间,以部分消除光照的影响。其次,建立混合高斯模型,并用E-M算法估算其参数,以此来判断象素点是否为肤色象素。通过肤色信息,得到人脸的粗略位置。相对于传统的肤色模型,所提方法能根据不同的训练样本建立不同的模型参数,因此能适合各种不同的肤色特征。基于主成分分析(PCA)的特征脸法是人脸识别中应用最广泛的方法。这种方法将人脸的图像区域看作是一种随机向量,因此可以采用KL变换获得其正交KL基底。对应其中较大特征值的基底具有与人脸相似的形状,因此又称之为特征脸(Eigenface)。利用这些基底的线性组合可以描述、表达和逼近人脸图像,因此可以进行人脸的识别。本文研究了PCA方法用于人脸图像识别的机制,并用其提取人脸特征向量。目前模式识别领域中应用最为广泛的是统计学习理论。支持向量机是建立在统计学习理论基础上的解决两类问题的学习方法。由于其快速性和有效性,近年来得到了广泛的研究和应用。本文研究统计学习理论,特别是小样本情况下机器学习规律的理论,结合主成分分析法,提出一种以特征脸法提取特征,以支持向量机做分类器的人脸识别方法。本文研究了特征脸法的本质弱点,同时研究了利用小波变换提取人脸特征的优点。Gabor函数是唯一能够到达测不准关系下界的函数,它能够很好的同时在时域和频域中兼顾对信号分析的分辨率要求。Gabor函数这一特性是它在信号处理中得到广泛的应用。Gabor变换具有局部性、方向选择性、带通性,因此能够比较精确地提取图像的局部特征,且具有一定的抗干扰能力。本文深入研究了基于Gabor变换的弹性图匹配方法,并针对其计算量大的缺点,提出了一种新的人脸识别算法:利用人脸的先验结构知识和人脸图像的灰度分布知识,先粗略找出人脸的特征点,然后利用人脸弹性图来对其进行调整,最后在各个特征点处计算Gabor变化系数集合,并以此来表示人脸的特征。相对于传统的弹性图匹配方法,特征点预先被估算出来,而不是在整个图中搜索,因此大大地降低了计算量。根据灰度分布知识来定位人脸特征点的,这种方法的鲁棒性不是很好。如果