人脸识别技术是模式识别、图像处理、计算机视觉和认知科学等领域的一个极富挑战性的交叉课题,是近年来的一个研究热点。尽管人脸自动识别技术在各种潜在应用的推动下发展很快,但到目前为止,要建立通用的人脸自动识别系统还有许多难点问题尚未解决,特别是人脸识别算法的效率和鲁棒性问题。人脸识别技术是由计算机分析人脸图像,从人脸图像中提取有效的识别信息,以此来辨认身份的一门技术。计算机人脸识别技术的研究主要从提取表述人脸图像的特征方面进行。要求表述人脸图像的特征既能够容忍几何变化、表情变化和光照变化,又能够保留人脸不同于其它人脸的分类识别信息。本文从人脸特征提取角度介绍了常用的几种人脸识别方法:基于几何特征的识别方法、基于统计的特征脸方法、基于模板匹配的方法、基于神经网络的方法,并分析了它们的优势和劣势。着重从基于图像整体代数特征的主成分分析(PCA)算法入手,介绍了“特征脸”算法的原理和实现过程,针对传统的PCA算法存在的运算量大的缺点,提出了一种基于离散余弦变换(DCT)的PCA特征提取算法。该算法先对整个原始人脸图像进行二维离散DCT变换得到DCT系数矩阵,再取包含了原始图像大部分信息的少量DCT系数作PCA,提取出人脸特征,取得了优于单独的DCT特征提取方法与传统的PCA特征提取几乎等同的识别效果,同时大大减少了PCA算法的运算量,速度提高了将近一倍。寻求适用、优秀的分类方法构造出性能优良的分类器,是提高模式识别效果的关键环节。BP神经网络是常用的一种人脸分类器,它具有自学习性、鲁棒性和自适应性,但传统的BP网在学习过程中容易陷入局部最小,本文对其进行改进,用集成的BP网代替单一的BP网。试验表明,与单一的BP网分类器相比,集成BP网分类器的识别率提高了将近3个百分点,识别时间也大大降低。文中采用Matlab语言实现人脸识别算法,通过对ORL人脸库多幅人脸图像的仿真试验表明,系统的识别率较高,且训练时间大大降低,是一种高效的识别方法。