人脸识别是计算机模式识别领域非常重要的研究课题,特征提取是模式识别中最基本的问题之一。在人脸识别中,能否提取人脸图像有效的鉴别特征是解决问题的关键。基于线性子空间上的特征提取技术是目前流行的方法。本文对其进行了深入研究,主要作了如下几方面的工作:(1)人脸图像的预处理是特征提取和分类识别的前提。对原始图像进行图像增强是预处理阶段的重要环节。由于传统的图像增强算法——空域法(包括领域平均法、中值滤波法等)没有考虑图像的模糊性,简单地对整个图像改变对比度或抑制噪声,往往在抑制噪声的同时也削弱了图像的细节部分,达不到很好的增强效果。基于此本文采用了一种图像模糊增强算法,仿真实验结果表明算法不但较好的抑制了噪声并且很好的保持了图像的细节部分。(2)对人脸特征提取的线性子空间方法作了介绍。着重对线性判别分析法(LDA)及其改进算法——最大间距准则(MMC)的优缺点进行了分析。在此基础上提出了基于统计不相关性的加权最大间距准则(UWMMC)算法,并将其应用于人脸特征提取。在ORL和Yale人脸数据库上的实验结果表明,UWMMC算法识别性能优于其他算法。(3)针对人脸识别中样本容量不足的问题提出了基于对称最大间距准则(SMMC)的特征提取算法。由于人脸自身具有镜像对称性,根据奇偶分解原理得到奇、偶对称图像。利用最大间距准则算法分别提取奇、偶对称图像的特征,将二者融合后用于分类识别。在ORL和Yale人脸数据库上的实验结果表明,融合奇偶特征SMMC算法避免了MMC的缺点且识别性能优于其他算法。