人脸识别与许多其它的传统模式识别问题具有明显的区别。一方面,对于人脸识别系统,经常有成百上千的非常大量的类数(人数),而对于每个人却只有很少的几幅图象,甚至每人只有一个图象样本的情况也屡见不鲜。另一方面,人脸识别还受到光照、姿态、表情、年龄、图象质量、图象尺寸、背景等因素的影响。本文的研究主要针对在光照、姿态、表情等因素的影响下、每人只有单幅图象的大规模(几百人以上)的正面人脸图象的识别问题,取得以下创新性研究成果:(1)针对每类单样本的人脸识别问题,提出了一种具有非特定人群泛化能力的统一概率模型思想。统一概率模型基于人脸相似性特点,以一个统一模型建模不同的人脸,取代传统的对每个人脸都分别建立特定模型的方法。统一概率模型使用一个现有的人群B的图象样本(每类具有多个样本)进行训练,能够对另一个未知的人群A(人群A与人群B没有交集)完成每类单样本的识别任务,与传统方法仅使用人群A的每类单样本进行训练相比较,能够更好地反映人脸图象的变化。(2)提出了一种基于高斯混合模型的人脸识别方法。本文基于统一概率模型的思想,使用高斯混合模型估计人脸图象类内差别和类间差别的分布,比传统的使用正态密度函数来估计分布的方法更为精确;并应用分类器融合技术融合多个高斯混合模型,使得分类器的性能更加鲁棒。(3)根据人脸图象的左右基本对称的固有特性,提出一种基于身份子空间统一模型的人脸识别方法。由于人脸图象中的不对称性主要是由与身份信息变化无关的因素造成的,人脸空间被分成正交互补的身份子空间与非身份子空间。身份子空间基于人脸对称性的特点,对人脸空间进行降维,去除了特征空间中与身份信息变化无关的特征项,更紧凑地包含了人脸图象中身份信息的变化。(4)针对人脸定位误差常常导致识别失败的问题,提出了一种基于遗传算法的人脸精确定位的新方法。将精确定位问题转化成一个在离散空间中的优化搜索问题,利用遗传算法作为优化搜索方法,利用其收敛速度较快、鲁棒性强和全局寻优等优点,提高了基于身份子空间统一模型的人脸识别系统的性能。(5)对人脸识别中的特征选择问题进行了系统的研究。在基于身份子空间统一模型的人脸识别系统的基础上,对各种典型的特征选择方法进行了广泛的对比实验,得出了有益的相关结论。