本文对人脸与掌纹识别的子空间特征提取方法进行了深入研究,主要包括流形学习导出的新子空间方法、基于矩阵的特征提取方法的图嵌入理论框架及其在人脸和掌纹识别中的应用。此外,本文还讨论了人脸和掌纹的子空间特征在特征提取层的融合问题。主要研究成果如下:1.局部保持投影算法是一种最近提出的子空间方法,它考虑了样本空间的图结构,在降维过程中,能够保持样本空间的局部结构和本质几何特性。但是在实际应用中,局部保持投影算法采用主成分分析加局部保持投影两个步骤,存在不直接、非完全的问题。针对这些问题,我们提出了一种直接局部保持投影算法,该算法通过同时对角化的方法求解局部保持投影问题,避免了矩阵的奇异性。它以高维原始图像数据作为输入,直接优化局部保持投影准则,没有任何维数削减的中间步骤。在香港理工大学掌纹库和ORL人脸库上的实验证明了这种方法的有效性。2.局部保持投影算法基于向量空间模型,在这种模型中需要把原始图像按行或列串接起来,这既破坏了图像的空间结构又导致串接后数据维数过高。受二维主成分分析算法思想的启发,我们提出了一种直接基于局部保持标准和图像矩阵投影的方法——二维局部保持投影算法。我们的算法直接处理图像矩阵,而不是处理展开的图像向量。在Yale人脸库和香港理工大学掌纹库上的实验结果证明我们的方法在识别能力上比主成分分析、基于向量的局部保持投影算法和二维主成分分析方法更加有效。3.局部保持投影算法是一种线性方法,不能提取图像的非线性的特征。为了提取图像的非线性局部保持特征,我们提出的核局部保持投影方法首先通过核函数把样本非线性地映射到一个特征空间,在这个特征空间里,数据具有一个线性的或者尽可能线性可分的结构,然后在特征空间里实施局部保持投影算法来寻找局部保持投影向量,从而完成分类任务。核方法被用来把核局部保持投影方法变成一个在核主成分分析方法变换后的空间里执行局部保持投影算法的问题。在ORL人脸库和香港理工大学掌纹库上的实验证明了这种方法的有效性。4.最近学术界提出的多种基于矩阵的方法已经被证明是解决基于向量方法的高维和小子样问题的有效方法。我们从图嵌入的角度出发,提出了一个基于矩阵的特征提取方法的一般理论框架。通过设计满足不同目标函数的图结构,这个框架可以用于导出新的算法,基于此我们提出了一种基于矩阵的算法——二维鉴别嵌入分析。它通过结合局部类内紧凑信息和非局部类间分离信息显式地考虑了基于矩阵的类内子流形和类间子流形。二维鉴别嵌入分析方法不需要对数据分布进行任何假设,因而是一个简单的数据驱动方法。我们证明目前的二维线性鉴别分析方法实际上是二维鉴别嵌入分析方法的一个特例。在三个公开的数据库上的实验验证了二维鉴别嵌入分析方法的有效性。5.在实际应用中,由于环境的复杂性和不可预见性,基于单一生物特征的识别系统经常显现出一些难以克服的困难。因此,本文利用人脸和掌纹的子空间特征在特征层融合进行身份鉴别。我们对人脸和掌纹的特征提取使用两种常用的子空间方法:主成分分析方法和独立成分分析方法。实验结果发现,在两种情况下人脸和掌纹在特征层融合后,系统的性能都有了很大的提升,尤其是在使用独立成分分析方法提取特征的情况下,在40个人规模的测试集上,取得了99.17%的准确识别率。我们的结果有力地证明利用人脸和掌纹的多生物特征识别系统的性能要比单个人脸或掌纹系统识别好得多。