人脸表征(即特征提取)和分类器设计是人脸识别中两个关键性的问题,本论文针对这两方面的问题,尝试将近年来模式识别领域中的新方法—核方法应用于人脸识别问题研究中,取得了一些有意义的结果.本论文的主要工作包括: 1、提出了一种基于支持向量机的层次型人脸识别方法.首先分别在两个不同的人脸数据库上,研究了三种主要的人脸表征方式:原始图像表征、特征脸表征以及小波脸表征情况下支持向量机的分类性能,得出了一些有意义的结论.在此基础上,讨论了支持向量机中的核函数与特征提取之间的关系.根据支持向量机与最近邻关系的分类结果,提出了一种基于支持向量机与最近邻分类器相结合的层次型人脸识别算法.实验结果表明,该算法能够提高支持向量机的分类性能.2、提出了三种改进的基于核主元分析的人脸识别算法.讨论了核主元分析在人脸识别中的应用,然后针对核主元分析的不足,提出了三种改进算法.通过采用近似样本集方法,可以降低计算的复杂性,并且能够保证系统具有较高的识别率.类均值向量法则是充分利用了类别的信息,不仅大大将低了特征空间的维数,同时又能保证较高的识别率.另外针对核主元分析算法在处理局部特征方面的不足,提出了一种局部核主元分析的人脸识别算法.根据人脸的结构特征将人脸图像分割成一些局部区域,然后再在每个区域上进行核主元分析变换提取非线性特征,最后将这些特征组合在一起,构成一个完整的特征向量来表征人脸.这个特征向量能够在一定程度上反映出人脸结构的局部信息和整体信息.实验结果表明,该算法不仅能够提高识别率,而且还能降低计算的复杂性.3、 全面而系统地研究了基于线性判别分析的人脸识别算法,提出了一种新颖的基于线性判别分析的人脸识别算法.首先详细讨论了线性判别分析方法应用于人脸识别中存在的一些问题,然后讨论了几种主流的改进算法.在此基础上,提出了一种新颖的基于线性判别分析的人脸识别算法.实验结果表明,所提出的算法一方面不仅能够有效的提高识别率,而且大大降低了计算的复杂性.4、 提出了将核判别分析方法应用于人脸图像特征提取.在线性判别的基础上,利用支持向量机的思想,通过非线性映射将样本映射到高维特征空间中,然后在高维特征空间中进行LDA变换,提取图像的非线性判别特征.实验结果表明,该算法能够提高系统的识别率.5、提出了基于核的非线性独立分量的人脸识别算法.全面分析了基于独立分量的人脸识别方法,然后通过核函数的形式得到了该算法的非线性形式,并将它用于多姿态的人脸识别.实验结果表明,该算法能够在一定程度上降低姿态和表情变化对识别率的影响.