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,它在人机交互、安全监视、身份认证等方面有着非常广阔的应用前景。隐马尔可夫模型(Hidden Markov Model,HMM)作为一种统计的识别方法,能够将人脸各个器官的数值特征有效地结合起来对其进行描述和识别,因而可以取得较好的识别结果。本文首先针对HMM方法在特征提取方面的不足进行改进,分别采用主成分分析、非负矩阵分解、离散余弦变换以及奇异值分解,从原始图像中提取较为鲁棒的特征信息,并将其作为观察矢量对HMM进行训练和识别。实验表明,文中方法在提高识别率的同时,也明显地提高了识别效率。其次,本文从信息融合的角度对HMM方法进行了改进。传统HMM方法中,通过重叠采样得到的观察序列能够建立高精度的人脸模型,但训练和识别的时间比较长。本文在非重叠采样的方式下,分别采用特征级融合和决策级调整的方法对其进行改进。在特征级采用典型相关分析将两种不同的特征矢量进行融合,并将融合后的特征矢量作为HMM的观察矢量。另外,尝试将距离判定的思想引入HMM的识别框架中,利用样本的最小距离来对HMM的后验概率进行调整,并将其用于分类。实验表明,与传统HMM相比,改进后的方法既保持了较高的识别率,又大大缩短了训练和识别的时间。