特征提取是模式识别研究的核心内容之一;其基本过程是根据实际需要,定义一个函数映射,将数据从原始输入空间投影到一个新的特征空间,从而提取出感兴趣的信息。本文的主要研究对象为基于统计的主分量分析方法(PCA)。在 已 有 工 作 基 础 上 , 本 文 提 出 了 自 适 应 加 权 子 模 式 主 分 量 分 析 方 法(Aw-SpPCA),成功地将此应用于人脸识别,并最终构建了一个基于 .Net 的人脸识别原型系统。 主分量分析是一种有效和流行的特征提取方法,在人脸识别领域也已成为人脸识别系统的工业评估标准之一。由于基于整幅人脸的 PCA 方法仅能提取人脸的全局信息,难以顾及人脸的局部信息,故在复杂的人脸表情和光照条件下此方法并不十分有效。先前提出的子模式主分量分析(SpPCA)通过先划分输入模式为子模式,然后在各个子模式中分别提取局部信息的策略部分克服了传统 PCA 的局限性,经实验证实了该方法较 PCA 更为有效;但是它对每个子模式都赋予了同样的分类重要性,从而易导致信息的冗余和后期分类性能的下降。本文提出了自适应加权子模式主分量分析方法。该方法试图强化人脸局部信息对人脸识别的贡献;并且能自适应地计算出人脸的不同部位对识别的不同预期贡献,并把此预期贡献作为权值结合到分类器中,以提高人脸识别性能。最后,在三个国际标准数据集(AR、ORL 和 Yale)上的实验结果证明了所提方法的有效性与可行性。 基于以上研究工作,我们采用 Microsoft 的.NET 技术在微机平台上构建了一个人脸识别原型系统。该系统集成了图像采集、预处理、信息存储、人脸识别等一系列过程,为今后开发产品级的人脸识别系统提供了可行性分析依据以及相应的技术储备。