1、人臉識別作為生物特征識別技術(shù)的一個極具挑戰(zhàn)性的重要分支，以其直觀性、非接觸性和可靠性成功應(yīng)用于很多領(lǐng)域。經(jīng)典人臉識別系統(tǒng)包括人臉圖像的采集和定位、降維預(yù)處理、人臉特征提取和特征分類識別四部分，人臉識別算法的優(yōu)劣，很大程度上取決于人臉的特征提取效果和分類器的選取。
　　本文研究的人臉識別算法重點是對特征提取階段和分類識別階段的研究，在特征提取階段，采用主成分分析法和快速獨立成分分析法相結(jié)合的方法進行特征提取;在分類階段，分別采用基于

2、改進的支持向量機和極限學(xué)習(xí)機進行識別。通過在MATLAB2012a平臺上對ORL人臉數(shù)據(jù)庫的訓(xùn)練集和測試集進行實驗仿真，從運算時間和識別率兩方面驗證了改進算法的有效性。
　　本文主要內(nèi)容如下:
　　1.為消除光照等因素對分類性能的影響，將采集到的圖像從三維空間轉(zhuǎn)化到二維空間，利用基于膚色的人臉定位方法實時準確的定位出人臉的大致位置。
　　2.在特征提取階段，本文采用了PCA和FastICA相結(jié)合的特征提取方法。對高維的

3、人臉圖像采用一次小波分解提取其低頻子圖，用PCA算法進行降維提取主要的特征信息，結(jié)合FastICA算法提取得到獨立成分臉空間，人臉的局部信息得到很好的體現(xiàn)。
　　3.在分類識別階段，重點研究了支持向量機和極限學(xué)習(xí)機這兩種分類器。在基于SVM的人臉識別系統(tǒng)中，針對粒子群算法易陷入局部極小的問題，通過引入基于雁群啟示的粒子群算法改進支持向量機，實驗表明，與傳統(tǒng)算法相比GSPSO-SVM算法提高了分類精度并降低了計算復(fù)雜度;在基于ELM