1、人臉識別是模式識別和計算機視覺領域最富挑戰(zhàn)性的研究課題之一，具有非常廣泛的應用前景如視頻監(jiān)控、刑偵破案、身份識別、入口控制等領域。人臉識別系統(tǒng)采用計算機視覺和圖像處理等相關技術，以人臉圖像為媒介，抽取人臉的不同特征進行匹配和識別方法。本論文進行的人臉識別研究是以靜止正面人臉圖像為對象，針對實際應用中人臉圖像殘缺，或人臉通過眼鏡、發(fā)型和化妝等偽裝造成圖像不完整的情況，在子空間人臉識別算法的基礎上，提出一種適應性較強的方法，實驗結果驗證該方

2、法是可行的。主要的工作如下：
　　1.深入分析了基于主分量分析PCA(Principle Component Analysis)的特征臉方法。針對傳統(tǒng) PCA方法在處理圖像識別問題存在的計算量大和時間上長的缺陷，進一步分析直接基于圖像矩陣的2DPCA方法。相比PCA方法，2DPCA方法計算復雜度低，特征抽取速度快。
　　2.對2DPCA方法的特征值（主分量）選擇問題進行分析研究，提出了一種基于Fisher準則的特征值選擇方法

3、。特征值的選擇是選取對分類有利的特征向量而不只考慮大的特征值所對應的特征向量，這樣可以有效地將類與類之間的距離拉開，避免有效信息的損失。
　　3.針對2DPCA難以表征人臉局部特征的缺陷以及實際應用中存在人臉圖像殘缺，或人臉通過眼鏡、發(fā)型和化妝等偽裝造成圖像不完整情況，提出一種結構2DPCA方法。將人臉圖像分割為互不重疊的多個圖像塊，對每一個圖像塊進行2DPCA特征提取，最后對每個圖像塊進行加權識別。這種方法結合了統(tǒng)計模式識別與結

4、構模式識別的優(yōu)點，通過調整各圖像塊的加權系數(shù)，可應用于各種不同人臉圖像的識別。實驗結果表明，基于結構2DPCA方法的人臉識別率與2DPCA方法相比有較大提升，靈活性更強。
　　4.分析研究了線性辨別分析方法，針對該方法在人臉識別過程中存在的小樣本問題，本文在傳統(tǒng)子空間方法的基礎上提出了基于Fisher準則的結構2DPCA人臉識別方法，ORL和FERET標準人臉庫的實驗結果驗證了該算法的有效性。該方法不僅增加了識別系統(tǒng)的靈活性和適應