1、人臉包含許多重要的視覺(jué)信息，是表現(xiàn)人與人之間差別的重要生物特性之一。人臉識(shí)別已經(jīng)成為模式識(shí)別、圖像處理和信息安全等領(lǐng)域中最具有挑戰(zhàn)性的研究課題之一。在身份的自動(dòng)辨認(rèn)和確認(rèn)的研究上，人臉識(shí)別具有巨大的應(yīng)用價(jià)值和重要科學(xué)意義。
　　本文重點(diǎn)關(guān)注的是人臉圖像的特征提取和識(shí)別技術(shù)。奇異值分解法能有效反映矩陣的特征，且具有位移不變性、轉(zhuǎn)置不變性等特性，因此它是圖像的一種有效特征。但是提取整幅圖像的奇異值特征有明顯的缺陷：整幅圖像的奇異值特征

2、向量?jī)H反映圖像整體的特征，缺少對(duì)局部細(xì)節(jié)的表述。因此，多尺度奇異值分解（Multiscale Singular Value Decomposition，簡(jiǎn)寫(xiě)MSVD）算法被人們提出：將人臉圖像進(jìn)行多尺度劃分，得到每個(gè)圖像子塊的奇異值向量，取其前幾個(gè)最大的特征值，組成特征向量，再進(jìn)行人臉識(shí)別。由于多尺度奇異值特征向量反映了圖像的全局特征與多種尺度下的局部特征，是以它具有的分類信息更多。而本文提出了將MSVD和PCA融合作為特征提取的方法并

3、進(jìn)行實(shí)驗(yàn)，雖然識(shí)別率有所提升，但是時(shí)間效果并不令人滿意，因此又提出了將MSVD和隱馬爾可夫模型（Hidden Markov Models，簡(jiǎn)稱HMM）結(jié)合的方法。
　　隱馬爾可夫模型是一種統(tǒng)計(jì)模型，其中其狀態(tài)數(shù)是計(jì)算復(fù)雜度的主要有效因子。大多數(shù)研究人員根據(jù)面部區(qū)域劃分的數(shù)量使用了五個(gè)以上的狀態(tài)?；趯?duì)時(shí)間考慮，本文提出將三狀態(tài)的隱馬爾可夫模型作為人臉識(shí)別的分類器，在不影響識(shí)別效果的前提下減少了識(shí)別的時(shí)間。在研究過(guò)程中，確定了隱馬爾