随着模式识别、计算机视觉和图像处理技术在信息化社会中的快速发展,人脸识别作为一种身份验证的重要手段,目前已经得到社会各界的普遍关注,由于人脸识别具有唯一性、安全性、便捷性、有效性、非接触性和不易被察觉等特性而倍受青睐。现在人脸识别的商业产品也越来越多,像大多数机场、银行、港口等重要场所,都已安装和部署了人脸识别系统,人脸识别在我们的日常生活中发挥着重要作用。在人脸识别中,图像采集会受到光照干扰、视觉角度的变化、人脸表情变化、年龄变化以及遮挡等的影响,这样就可能使得同一个人的人脸图像表观差别很大,造成识别的困难,因此提高人脸识别系统识别的准确率是人脸识别技术研究的重要目标之一。本文首先介绍了人脸识别的课题背景和研究意义,接着介绍了与本课题相关的基础知识、相关理论和技术；然后阐述了基于局部特征和整体特征的人脸识别技术,并根据现在应用最广泛的基于尺度不变特征(Scale Invariant Feature Transform, SIFT)和核主元分析法(Kernel Principal Component Analysis, KPCA)的人脸识别技术,提出了本文实验中所采用的局部特征的提取方法和整体特征的提取方法。在对局部特征提取时,本文建立了人脸坐标系,根据美学分析报告,利用14个关键特征点作为局部特征点进行人脸识别；在对整体特征提取时,本文采用脸部器官间距离特征、角度特征、周长特征、面积特征、体积特征和面部比例特征等几个方面作为整体特征,并在得到特征向量组,利用这些特征向量组作为整体特征进行人脸识别。最后用AR人脸库中具有不同表情特征的6幅经典人脸图像对各个局部特征和整体特征进行了测试。本文最后采用一种的改进的D-S证据理论将人脸的局部特征和整体特征融合起来进行人脸识别。实验是采用OpenCV基础函数库,利用Microsoft Visual Studio C++6.0开发完成的。由于SIFT算法和KPCA算法应用比较广泛,本系统将本文的算法与上述两个算法在AR人脸库和JDL人脸库上进行了比较,实验结果表明本文的算法具有更高的识别率。