人脸自动识别系统是模式识别、数学图像处理、计算机视觉、神经网络等学科的一大研究热点,可以广泛地应用于安全部门、电视电话会议、身份识别、数字监控等领域。由于快速增长的应用需要以及神经网络、小波分析、计算机图形和计算机视觉等技术的发展,人们对人脸自动识别的兴趣不断升温,研究工作也异常的活跃。很多针对方法二维灰度图像的人脸识别方法已经提出,基本上可以分基于几何特征的方法、基于特征脸方法、基于局部特征方法、基于肤色特征方法、基于弹性模型方法、基于模板匹配的方法、基于神经网络的方法和它们的混合方法等。尽管这些方法都已经成功地运用于人脸识别,但他们都有各自的优势和劣势。本文的工作主要是以人脸的识别为主。主要包括两个部分:在已经过预处理的灰度图像中提取代数特征;双动态双门限累积平均识别判定。本文采用的代数特征提取的方法是Turk 和Pentland 的Eigenfaces forrecognition 的方法[7]。但Turk 和Pentland 的方法有其局限性,其表现为①由于它在本质上依赖于训练集和测试集图像的灰度相关性,而且要求测试图像与训练集比较相像;②虽然Turk和Pentland代数特征是经过投影变换,从而降低了维数.但每个训练图像都有其特征矢量,这样每个个体都有多个特征矢量,从而影响了判别的速度;③每个人只有几个特征矢量,就不可能包涵一个人的所有特性,因此就会降低识别率。本文对Turk和Pentland特征提取进行了改正.训练过程中,对每个人脸图像的特征进行加权平均,假设每个人有四张照片,如笑脸、无表情脸、谅讶脸及愁容脸。对每种人脸加以不同的权重,只提取加权平均脸的特征矢量,以减小判别次数。本文应用的是对每一个个体进行多次采样累积平均判别。判别门限采用动态双门限,这里的双门限就是一个接受门限和一个拒绝门限;而所谓的动态就包括了两个方面的动态性:①每个个体判别门限中的拒绝门限都不一样,有的个体接受门限阈值大些,有的个体接受门限阈值小些;②对于某一个体,每次累积判别过程中其接受门限和拒绝门限都不一样(每一次接受门限除外)。如前一次识别判定的接受门限小于后一次的识别判定门限,而前一次识别判定的拒绝门限大于后一次的识别判定的拒绝门限,两个门限在累