人脸识别是计算机图像处理的一个重要的方面,它利用计算机工具分析人脸面部图像,将原始人脸图像进行预处理,利用特征提取或选择技术提取有效的身份识别信息,与人脸库中的已知人脸信息进行匹配达到自动辨别身份的目的。近年来,人脸识别技术发展迅速取得了很多有价值的成果,但是人脸识别技术面临的障碍和挑战还有很多。由于一方面人脸的相似性,另一方面人脸图像常常受到光照变化、表情变化、姿态差别、佩戴饰物及面部遮挡等的影响,因此准确地进行人脸识别还存在较多困难,这些困难需要研究者们不断努力去攻克。在人脸识别系统中,最关键的一步就是特征提取或选择,而本文主要讨论了特征选择用于人脸识别的方法。特征选择的含义是对于已知的一个特征集,从中选择出一个有效的特征子集使得评价判据达到最优值。本文就人脸识别中特征选择步骤展开讨论,首先介绍了在该领域常用的特征提取或选择算法,重点讨论了特征选择方面的工作,接着提出将判别最小二乘特征选择方法及其改进算法即带组内互斥信息的判别最小二乘特征选择方法应用于人脸识别领域。本文主要的研究工作可以总结为以下两点:1.在人脸识别的特征选择步骤中,提出将判别最小二乘特征选择方法应用到人脸数据集中。在最小二乘回归的基础上进一步利用数据的类别信息,扩大不同类别数据的距离,形成了判别最小二乘特征选择算法。判别最小二乘特征选择与主成分分析、拉普拉斯评分、费雪评分在人脸数据集上进行对比实验,实验结果表明了当训练样本数足够多时,判别最小二乘特征选择算法比主成分分析、拉普拉斯评分、费雪评分识别率更高。2.在人脸识别的特征选择步骤中,进一步基于判别最小二乘特征选择算法提出了考虑特征相关性信息的带组内互斥信息的判别最小二乘特征选择算法。该方法考虑了特征之间的相似程度,相似程度很高的特征同时存在造成了特征冗余,因此对于相似度很高的两个特征只需要选择其中一个排斥掉另一个以达到更好的特征选择效果。在人脸数据集上的实验也表明了带组内互斥信息的判别最小二乘特征选择算法比原判别最小二乘特征选择算法识别率有所提高。但因为增加了相似度计算和特征分组等过程,使得计算复杂度变高,所以改进后的算法在计算速度上不如原算法,计算所耗费的时间大大延长了。