人脸识别,即通过对人脸图像的分析来确定人的身份,是一种新兴的生物识别技术。相对于其他生物识别技术,例如,指纹识别、虹膜识别等,人脸识别的优点在于:这种识别不需要被测对象特意的配合,在某些情况下,被测对象甚至都没有必要知道这种识别系统的存在,因此,这种系统的存在并不会对人们的日常生活造成很大的影响。正是由于具有这个优点,人脸识别的概念一经提出,就引起了极大的关注。人脸识别的研究内容已经涉及图像处理、模式识别、计算机视觉和人工智能等多个领域。本文所要研究的是如何构建一个能够实时识别视频图像中人脸的身份的鉴别系统。本文研究的内容比较广泛,既包括人脸识别的各项相关技术,又涉及如何综合这些技术来形成一个完整的系统。本文主要研究内容包括:1、人脸检测。要对图像中的人脸进行识别,首先要做的是从图像中把人脸所在的区域分割出来,即进行人脸检测。本文首先简要介绍了早期比较常用的人脸检测技术;然后,比较详细的介绍了曾经被广泛研究的基于肤色的人脸检测技术;最后,重点论述了我们所设计的系统中所采用的基于AdaBoost算法的层级式人脸检测策略。我们选择这种方法的原因在于:它检测的速度很快,能够满足实时处理的要求,并且也有相当高的检测精度。2、人脸识别。这一部分主要包括两部分的内容:人脸特征提取和分类器设计。这两部分中前者更加重要。能否从维数很高的人脸图像数据中提取出有用的识别信息,是整个人脸识别系统成败的关键。本文首先介绍了在模式识别各个领域都有广泛应用的基于主成分分析(PCA)的特征提取策略;然后,介绍了特别强调类内和类间信息的基于线性判别式分析(LDA)的特征提取策略;最后,针对PCA和LDA算法的弱点,我们提出了自己的改进策略:基于全局搜索策略的PCA和基于全局搜索策略的LDA。在前一种方法里,我们利用全局搜索策略来构建类区分能力更好的特征空间;在后一种方法中,全局搜索策略则被用来弥补经典LDA算法不能被应用于小样本问题的缺陷。我们在多个标准人脸图像库中测试我们的方法,取得了良好的效果。在我们设计的系统中,也实际应用了这些方法。在分类器设计方面,我们首先介绍了比较简单的基于距离函数的分类器;然后,讨论了相对复杂但分类能力较强的基于神经网络的分类器。我们的系统最终采用的是适应能力很强的基于RBF神经网络的分类器。3、系统的集成。介绍如何将人脸识别的各个部分组合成一个整体,并展示了我们设计的系统的运行流程。我们的系统实时性强,识别率高,并且能够同时识别出一幅图像中多个人脸的身份。