人脸识别是生物特征识别技术的一个主要方向,与其他生物特征相比,人脸识别具有主动、方便等许多优点.该领域的研究具有广泛的应用价值,可用于身份鉴别、信息安全、人机交互等多方面.该文介绍了人脸识别技术的研究背景及发展过程,简单阐述了人脸识别各个模块的基本功能.主要从人脸图像总体信息出发,对基于统计模式的人脸识别方法进行了更加深入的研究,提出了改进的方法.在特征提取部分,提出了使用D-LDA与KDDA算法对特征进行提取.D-LDA算法采取了对类内离散度矩阵和类间离散度矩阵同时进行特征分析,克服了传统的PCA、Fisherfaces算法计算复杂的缺点;KDDA算法利用了基于核的分析方法,首先通过非线性变换将原始空间变换到高维空间,使得样本线性可分,然后再利用D-LDA方法提取最优的特征向量,它避免了利用线性方法处理问题产生的缺陷.在分类器设计部分,重点研究了径向基函数网络分类器在人脸识别方面的应用.提出了利用非监督学习与监督学习结合的聚类算法,确定隐层基函数的参数,解决了常用的k均值算法等存在的问题;学习过程包括正反两个阶段,通过调整权值、计算误差、修正隐层单元的参数,以达到最优结果.克服了常用方法中收敛速度慢,局部极小等问题.通过对ORL图像库中的人脸图像进行训练和检验,表明改进的径向基函数网络分类器具有学习能力强、收敛速度快的优点.只要选取的特征合适,识别率能够达到95％以上,优于最近邻分类器.所以该文采用的算法具有很强的实用性.