人脸识别过程包括人脸检测、特征提取以及人脸分类三个部分,特征提取是其中最关键的环节。人脸特征提取又称为人脸表述,在低维空间内对原高维空间的人脸模式进行描述以提取有利于分类的低维特征。本文的主要工作体现在特征提取方面。目前特征提取过程中主要存在以下问题:由于人脸图像的训练样本总数过大而导致类内散度矩阵奇异的问题(又称小样本问题)；在投影过程中边缘类起到了主导作用的投影重叠问题；最后一个问题是虽然通过实验证明零空间方法求得的最优鉴别矢量效果确实不错,但是它忽略了非零空间也可能存在最优鉴别矢量的可能性,所以零空间所取的鉴别矢量不一定是最优的。在非线性空间中采用加权的最大散度差鉴别准则,该方法不仅有效地抽取了人脸图像的非线性特征,解决了小样本问题,而且在特征空间内,使用权函数重新估计了类间散度矩阵和类内散矩阵之间的关系,从而优化了核的最大散度差准则函数,一定程度上抑制了投影重叠问题。由于改进后的散度差准则包括了零空间方法,或者说零空间方法是本文方法的特殊情况,这样就使得本文方法可以既能得到零空间和又能得到非零空间中的最优鉴别矢量,解决了零空间方法的片面性。考虑到该方法对光照变化有一定的敏感性,本文引入了指数衰减的预处理策略,使得识别率得到进一步提高。最后在ORL和Yale人脸数据库上的实验结果验证了本文方法的有效性。