生物特征识别技术是指用人体生物特征来进行身份验证的技术。人体的生物特征主要分为两类,一类是生理特征,另一类是行为特征。生理特征包括虹膜,DNA,掌纹,指纹,人脸等一系列特征,而语音,笔迹步态等特征属于行为特征。生物特征识别技术为身份识别提供了一个解决方案,是计算机视觉和模式识别中的一个研究热点。人脸识别是通过人脸进行身份确认或者身份查找的技术或系统,在人机交互,生物身份认证,视频检测与视频资料检索等方面有着广泛的应用。与其他的识别技术相比,人脸识别具有直接,友好,方便,非接触等优点。同时,由于年龄,姿态,表情,光照等因素对人脸图像的影响,人脸识别面临多方面的挑战。人脸识别中,通常是把人脸图像投影由特征向量组成的空间中,特征向量决定了人脸识别的效果。同一人的人脸图像在好的特征向量上的投影应具有较集中的分布,反之亦然。首先全面介绍了近年来人脸识别技术发展的背景及本文的研究的目的及贡献;然后在相关文献的基础上,对当前流行的人脸数据库、人脸特征提取以及人脸分类等技术进行综述,从微观意义上提出了每个向量的识别能力的概念,通过计算识别能力的大小,选择具有较大的识别能力的特征向量。为了使每个向量在识别中发挥与其识别能力相对应的作用,根据每个向量的识别能力对它们进行均衡化处理,赋予不同权重,提高了识别率。通过在ORL、Yale人脸数据库上进行试验,验证了该方法的有效性。本文主要包含有两大创新点:其一,主成分分析方法(PCA)是人脸识别最基本的方法之一,PCA算法提供了一个从高维空间到低维空间的线性变换矩阵,它是在最小均方差意义上对原图像的估计,具有计算效率高,概念清晰,推广性强等优点。传统的PCA算法中,选取那些较大特征值对应的特征向量用于识别,即主分量特征,也有选择较小的特征值对应的特征向量,即次分量特征。两种方法的效果都不是很好,因此将识别能力选取特征向量及根据它们的识别能力进行均衡的方法与PCA结合起来,取得了很好的效果。其二,分析了识别能力选取与LDA的关系,并提出进一步的改进,提高了识别的效果。并进一步将识别能力选取均衡策略与2DPCA方法结合起来。2DPCA是基于2维图像矩阵而不是一维向量,因此特征提取的方法更简单、直接,计算效率更高。根据识别能力的特征向量选取策略,它更能在微观意义上体现每个特征向量在人脸识别中所起的作用,并根据每个向量的识别能力进行均衡,按照识别能力的大小对它们赋予不同的权重,在分类识别中发挥与其识别能力相对应的作用,提高了人脸识别率。而人脸识别系统也具有广泛的应用前景,可以应用于出入口管理、身份认证、社会安全、智能监控、人机互动等各领域。