人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一,涉及模式识别、图像处理、计算机视觉、神经网络、生理学以及心理学等诸多学科,是一个典型多学科交叉的应用,它在公共安全、信息安全、人机交互等领域中有着广泛的应用前景。尽管在人脸识别中包括许多个步骤,然而特征提取无疑是最重要的一个环节,特征提取的差异性从根本上决定了人脸识别方法的优劣。而分类器的设计与实现则是人脸识别的最后一个步骤,对分类器性能的改进也同样对人脸识别有着相当重要的作用。本文在前人的基础上,对人脸识别中的特征提取和分类器做了深入的研究,具体如下:1.为了提高常用分类器的性能,本文引入了Box-Cox变换的思想,推导出了基于Box-Cox变换的分类器判别公式;由于Box-Cox变换对数据的正态化作用,以及很多模式识别技术在所操作数据满足正态分布时的最优性能,分类器在Box-Cox变换后的性能有了相当大程度的改进,特别是神经网络,无论是训练速度,还是类别判定的准确性,都有相当程度的提高。2.在对Box-Cox变换的深入研究的基础上,本文又将它与人脸识别的特征提取相结合,主要是主成分分析(PCA)、线性判别分析(LDA)和鲁棒性主成分分析(RPCA)方法结合Box-Cox变换;通过在ORL人脸库上的大量实验,证明这种结合的有效性和积极作用。3.把上下文信息的思想应用于主成分分析(PCA)和线性判别分析(LDA),提出了前向的上下文信息方法和双向的上下文信息方法,并且设计了基于上下文信息方法的分类器,最终在人脸识别上取得了令人满意的效果。