人脸识别技术在各类身份识别领域有广泛的应用,人脸识别技术包括从高清摄像机进行图像采集,获得图像后进行图像预处理,处理成数据后利用流行的人脸识别算法进行图像的特征采集,最后通过特征匹配识别数据库中的人脸等环节。目前,主要研究方向是如何采用合适的预处理方法以及优化提取特征的算法。本文介绍了通过灰度变换和锐化等技术针对原始图像进行预处理,能够让图像更加清晰,图像的特征更加突出,其中介绍了线性和非线性两种灰度变换。经典的特征提取方式是由M.Turk和A.Pentland在论文《Eigenfaces forRecog-nition》中提出的 PCA(主成分分析)方法,此方法通过提取图像的特征部分,去掉一些次要的信息,使得图像特征凸显,将原来复杂的高维的图像变成简单的低维的数据图像,这样不仅保留了绝大部分信息,又能提高识别效率。2000年后,杨健、陈伏兵、韩晓翠等人基于传统PCA方法,依次提出了优化的2DPCA方法、模块2DPCA方法、基于中间值改进的2DPCA方法,都取得了不错的效果。本文主要考虑的特征提取方式是传统的PCA方法,对整个PCA算法过程进行了推导,并利用PCA方法完成了人脸识别的全过程。同时,将其中2DPCA等其他一些特征提取方法进行了对比研究,分析了各自的优缺点。文章的贡献在于提供了完整的人脸识别解决方案,创新点在于将传统经典的PCA方法的特征空间进行加权处理。由于特征向量的前几个最大向量值受到光照的影响比较大,利用加权处理可以减少光照对于图像的影响,数值实验结果表明特征加权PCA方法在某些系数范围内人脸识别率较PCA方法和2DPCA方法效果更好,从而可以更好的提高人脸识别率。当然也可以利用相同的思路针对2DPCA方法同样进行加权处理,但效果还需后续通过实验研究比较。