人脸自动识别技术就是用计算机分析人脸图像，从中提取有效的识别信息并自动鉴别的一种技术。人脸识别是生物识别技术的一种。而在个人生物特征中，指纹、虹膜、DNA等人体生物特征的身份验证方法容易令使用者有受到侵犯的感觉，产生抵触情绪，不适合一般场合的身份验证。相比之下，最为方便、有效的部位首推人脸，用人脸特征进行身份验证自然方便，易于为用户接受，且其高度的唯一性使它的识别吸引了越来越多研究者的注意。 在人脸识别的主流算法中，基于主分量分析(PCA)的特征脸方法，由于计算简单，概念清晰易于实现，一直受到研究者的广泛关注。但是传统的主分量分析的方法还是有自己的弊端的。首先作为一种图像的统计方法，图像中的所有像素都被赋予了同等的地位，无视不同的特征在识别中所起的作用不同。其次，人脸在人脸空间的分布近似高斯分布，且普通人脸位于均值附近，而特殊人脸则位于分布边缘。由此可见，越普通的人脸越难识别。 基于以上考虑，本论文在以下几个方面有所创新： 1、在已有的经典主分量分析算法和加权主分量分析算法的基础之上，改进并提出了一种新的基于双中心羽化加权的加权主分量分析算法。对每维特征设定一个双中心羽化函数作为加权函数，并以加权重建误差最小为目标，计算出加权子空间，根据测试样本点到加权子空间的距离进行分类。 2、对提出的基于双中心羽化加权WPCA人脸识别算法的参数进行优化，找到在ORL人脸库中的最佳参数。 3、将本文的算法与已有的单中心羽化加权WPCA算法以及经典PCA算法的识别率进行比较，实验证明本论文提出的算法在ORL人脸库以及ⅡS人脸库上都取得了比较高的识别率。 4、对由本所自主采集的ⅡS人脸库进行了实验，证明了本人脸库的可用性，并且找到了人脸库采集中的问题，以待以后的工作中改进。本论文的不足之处以及今后要做的工作： 本论文在总结了人脸识别的各种主流算法后，将经典的基于主分量分析的人脸识别算法进行了改进，提出了一种新的算法，并且在实验中提高了新算法的识别率，证明了新算法的优越性。但是新算法的参数优化工作做的不充足，在参数选取方面存在一定的弊端，今后的工作中应着重于对参数的选取方式的研究。同时，算法在应用于更一般性的人脸库时，识别率有所下降，如何提高算法的鲁棒性也将是今后的工作重点。