人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一,也是近来研究的一个热点问题.本文的主要工作体现如下:首先通过对人脸图像灰度直方图的修正,消除了光照强度差异对人脸识别的影响.另外研究表明,人脸的表情变化和少许遮掩只影响图像中的高频部分的变化,由此本文采用两种方法提取人脸图像的低频部分,第一种是通过离散余弦变换的方法提取人脸图像的相对稳定的低频子带,然后进行反变换得到与低频区域相同大小的图像.第二种是采用了小波变换的方法,提取一次小波变换后的低频子带图像.通过这两种变换,既消除人脸图像中表情及姿态对识别率的影响,又减小了图像的分辨率,降低了运算的复杂度.其次本文分析了四种用于构建投影子空间的算法,他们分别是:主分量分析法(PCA),平均脸法,fisher脸法以及基于平均脸和线形判别分析相结合的方法.单纯采用PCA方法来进行人脸特征的提取,得到的是人脸的最佳表示特征,但对于分类来说并不是最佳的.LDA方法在提取特征的过程中,充分利用了类别的信息,可以得到最利于分类的人脸特征.但由于人脸特征空间维数很高,无法直接利用LDA方法提取分类特征.为此,本文采用了两种算法:第一种算法是fisher脸算法,它首先通过PCA方法降低人脸特征空间的维数,然后运用LDA方法得到最利于分类的投影,来实现对人脸的识别;第二种算法首先应用平均脸方法降低人脸特征空间的维数,然后再运用LDA方法得到最利于分类的投影,来实现对人脸的识别.试验证明,采用后两种方法得到的识别率较好.最后本文采用了两种不同结构的人工神经网络构建分类器,进行训练和识别:一种是BP网络,另一种是RBF网络.对于BP网络,本文采用引入动量项的自适应变步长来调整学习率的算法,这样可以有效地抑制网络陷入局部极小,缩短学习时间.RBF网络是一种特殊的两层网络,具有全局近似性、极佳的近似能力、学习速度快、与其他网络相比有更加紧凑的拓扑结构等显著特点.本文比较了自组织学习法,梯度下降法和正交最小二乘法(OLS)三种RBF网络的学习算法,结果发现正交最小二乘法不仅简单易行、而且精度高、运算速度快,最适宜训练RBF网络.