人脸识别技术尽管取得了较好的发展,并在安全访问控制、基于内容的检索和新一代人机界面等领域中有了初步应用。但现阶段算法在速度,准确性,鲁棒性等方面尚不能满足实际需求。近年来,在基于局部建模的方法取得了较大的成功的同时,基于全局建模的方法也迅速发展,然而这两类方法在速度、准确性、鲁棒性方面各有优缺点。为更有效的利用这两种方法的优点,在人脸识别中引入融合整体与局部特征的人脸识别方法。该方法作为一种新的人脸识别方法引起了学术界和人脸识别应用开发领域的极大兴趣,成为新的研究热点。本文主要围绕整体与局部特征的提取以及整体与局部特征的融合等关键技术展开讨论,主要工作包括以下几方面内容:(1)在人脸检测方面,本文提出了一种结合SVM和AdaBoost的人脸检测算法。并基于该算法检测并分割出人脸样本中的人脸区域,为人脸识别中的特征提取做好充分准备。(2)在人脸整体特征提取方面,运用核主成分分析的方法提取出人脸区域的整体识别特征。在分割出的人脸区域的基础上,运用核主成分分析的方法提取出人脸区域的整体识别特征。该方法不仅避免了在高维特征空间HF中计算内积的不便,并且与其他非线性特征抽取方法相比,由于KPCA方法不需要解决非线性优化问题,只涉及到矩阵的特征值分解计算,因而可以有效提高特征抽取的效率与速度。(3)在人脸局部特征提取方面,采用了核独立主成分分析的方法提取局部特征。该方法首先将人脸划分成均匀小块作为局部区域,并分别提取这些局部区域的识别特征;然后提出了一种根据局部特征个性化程度的自适应加权策略来融合各局部特征。该方法有效地减轻少样本问题的不利影响,同时也降低了样本空间的维数及自化过程的复杂度程度。(4)在人脸整体与局部特征的融合方面,提出了一种基于改进后的D-S证据理论的融合整体与局部特征的人脸识别方法。该方法主要是针对光照、表情、遮挡物(眼睛、围巾)等因素的影响,而提出的一种融合整体与局部特征的人脸识别方法。即在对整个人脸图像进行整体识别特征提取的同时,提取局部区域的识别特征,然后基于改进后的D-S证据理论原理融合整体识别出的相似性信息和部分识别出的相似性信息得出综合的相似性信息,从而得出最终识别结果。通过在JDL人脸库与AR人脸数据库上的实验结果表明,与基于核主成分分析的整体特征识别方法及基于核独立成分分析的局部特征识别方法相比较,本算法具有更好的适应性和更高的识别率。