随着网络与通讯技术的飞速发展和人类物理与虚拟活动空间的不断扩展,人们对于信息安全性的要求日益提高,需要进行人的身份识别的场合也越来越多。生物特征识别技术是利用人的生物特征(生理特征或行为特征)通过计算机来判别一个人的身份。生物特征具备“人人拥有、人各不同、长期不变”的特点,并且不会被遗忘或丢失,具有先天的便利性和技术上的高效性,因此,生物特征识别技术已经成为当今身份识别的一种有效手段。人脸识别技术是生物特征识别技术领域中重要的组成部分,它根据人面部影象中的有效信息进行个人身份识别。与其它生物特征识别技术相比,人脸识别具有方便快捷、非接触无侵犯性采集、可交互性等诸多优势,已成为了生物特征识别技术中的一个研究热点,并且具有广阔的应用前景。在当今众多的特征提取及人脸识别算法中,子空间分析算法因其计算简单、有效等特性引起了人们的广泛注意,现已成为人脸图像特征提取和识别的主流方法之一。本文以基于子空间分析的人脸特征提取和信息融合为重点进行了相关研究,提出了几种高效的人脸特征提取和识别的算法。本文主要工作及创新如下:1.为解决基于线性判别分析的人脸识别算法中的小样本问题,本文提出了完全Fisher判别分析(Complete Fisher discriminant analysis,CFDA)方法。首先证明了基于Fisher判别准则的所有判别信息都存在于样本总散度矩阵S_t的秩空间Ψ_t中,可以在不损失任何有用判别信息的前提下,将搜索范围从高维的原始数据空间缩小到较低维的Ψ_t空间,大大降低了计算复杂度和存储复杂度。其次分别从样本的类内散度矩阵S_w的秩空间Ψ_w和零空间Ψ_w~⊥内提取两类判别特征DF1和DF2,这两类特征构成了样本基于Fisher判别准则的完整描述。2.提出一种基于整体与局部特征的完全Fisher判别分析和模糊积分(GLCFDA-FI)的人脸识别算法。眼部局部图像包含有大量的判别信息,它受表情变化的影响相对较小,而且还不会受到有无胡须、有无口罩以及张口闭口的影响,因此针对人脸识别而言,眼部局部特征是整体面部特征的重要补充。GLCFDA-FI算法首先在预处理阶段根据两眼的坐标,剪裁出整体面部图像和眼部局部图像;然后将它们分别进行基于完全Fisher判别分析的最佳投影变换,得到四类不同类型的判别特征:整体DF1、整体DF2、局部DF1和局部DF2;最后基于模糊测度与模糊积分的决策级融合进行人脸识别。GLCFDA-FI算法在进行人脸识别时,综合考虑了包含于整体面部和眼部局部的判别信息,以及存在于S_w秩空间和零空间的判别信息,给出最终的识别结果。GLCFDA-F1人脸识别算法可以将小样本问题由不利因素转化为有利因素,在光照变化或表情变化情况下,通过调整各类特征所对应的模糊密度,得到较理想的识别结果。3.提出一种基于小波分解的完全Fisher判别分析和模糊积分(WCFDA-FI)的人脸识别算法。在WCFDA-FI人脸识别算法中,首先将人脸图像进行适当层次的二维小波分解,选择低频分量和合适的高频分量构成表示人脸的低频特征和高频特征;然后将这两类特征分别进行基于CFDA的最佳投影变换,得到四类判别特征:低频DF1、低频DF2、高频DF1和高频DF2;最后基于模糊积分的决策级融合进行人脸识别。因为,小波分解得到的低频和高频子图受表情、光照、噪声等干扰的影响不同,通过调整各类特征所对应的模糊密度,就可以尽可能的利用人脸内在的判别特征,减小干扰因素的影响,得到较为理想的识别结果。4.提出一种基于整体与局部的完全核Fisher判别分析和模糊积分(GLCKFDA-FI)的人脸识别算法。基于核映射(Kernel Mapping)的非线性子空间分析方法是当今人脸识别领域中的主流方法之一,该方法很好的解决了人脸图像在原始样本空间中分布的非线性问题,并且可以通过核方法避免直接在高维特征空间进行特征提取的海量计算。完全核Fisher判别分析(CKFDA)在高维特征空间F中再进行完全Fisher判别分析,提取完整的判别特征。GLCKFDA-FI算法是本文提出的GLCFDA-FI算法的非线性分析版本,首先整体面部图像和眼部局部图像分别进行基于CKFDA的最佳投影变换,得到四类不同类型的判别特征:整体KDF1、整体KDF2、局部KDF1和局部KDF2;最后基于模糊测度与模糊积分的决策级融合进行人脸识别。实验结果表明,GLCKFDA-FI适合于复杂环境下的人脸识别问题,在人脸样本受到光照、表情等干扰因素影响时也能获得较理想的识别效果。5.为解决人脸样本在原始样本空间的非线性流形嵌入问题,本文提出了局部Fisher判别分析(LFDA)算法。与Fisher判别分析中具有全局意义上的类内散度S_w和类间散度S_b不同,LFDA定义了能够代表数据局部结构特征的局部类内散度S_w~L和局部类间散度S_b~L,且在Fisher判别准则下,使局部类内散度最小的同时,局部类间散度达到最大,从而提高样本的可分性。为解决小样本问题,本文提出两种基于LFDA的人脸识别算法:(1)基于局部Fisher脸(L-Fisherface)的人脸识别算法,L-Fisherface算法首先基于PCA变换对原始样本进行降维,以确保局部类内散度矩阵非奇异,然后在PCA变换子空间内进行局部Fisher判别分析。(2)基于局部完全Fisher判别分析(LCFDA)的人脸识别算法。为了不损失基于Fisher准则下任何有用的判别信息,首先在S_w~L的秩空间中提取样本的第一类局部判别信息,同时在S_w~L的零空间中提取样本的第二类局部判别信息;然后基于特征融合将两类局部判别信息融合起来进行人脸识别。实验结果表明,本文所提出的L-Fisherface算法和LCFDA算法既考虑了数据的局部结构特征又考虑了样本的可分性,得到比较理想的识别结果。