人脸自动识别技术是用计算机分析人脸图像,从中提取有效的识别信息并通过分类器自动鉴别的一种技术。作为生物特征识别的一种,人脸识别更为直接、友好而自然.因此,人脸识别自上个世纪以来一直受到研究者的极大关注。人脸识别技术可分为人脸特征提取和分类器设计两方面,两方面的技术相辅相成而又相互制约,我们最终的研究的目的就是提取出最具代表性的人脸特征,并通过分类性能优良的分类器进行识别分类。本文主要工作内容包括:经典算法实现、理论研究及改进、实验证明和最终人脸识别系统的设计。重点描述如下:第一,特征提取和融合。目前,人脸特征提取的算法很多,每种算法都有各自的优点和缺点;因此近些年来,许多学者倾向于将几种算法混合起来达到较好的识别效果。本文也是从此角度出发,在对以有经典算法进行实现和筛选的基础上,又对特征融合方法做了大量实验和尝试。最终选定独立成分分析,线性判别,离散余弦变换三种特征融合的方法提取人脸特征。实验结果表明,此三种特征的融合可以更好的表征人脸图像的统计特征,相对每种方法单独使用而言,识别正确率的提升比较明显,而计算量并没有显著提高。第二,支持向量机的研究.支持向量机是目前比较流行的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。本文将支持向量机用于人脸识别,主要对支持向量机的核函数和支持向量机的参数选择进行了研究,提出了基于cosh的核函数,实验表明,该核函数在人脸识别方面效果优于普遍使用的传统核函数。并且提出了基于离散微粒群算法的支持向量机参数选择方法,大幅度提高了核函数的参数选择速度,从而使得本文提出的基于cosh的核函数的实用性大大提高。第三,参与创建北京交通大学人脸识别系统。在Visual Studio 2005为实验平台,将独立成份分析算法和基于cosh的核函数用于实时人脸识别系统,证明了以上算法的可行性和有效性,效果比较理想。本文对人脸识别技术和人脸识别系统的实现有比较全面的论述,理论研究关注的重点在于人脸特征的提取和改进,以及支持向量机核函数的改善,一系列的工作为日后的研究奠定了基础也确定了方向。同时也充分认识到本文自身的局限性,并对后续研究提出了目标与希望。