人脸识别是时下很流行的重要研究方向,发展迅速。人脸识别技术利用了不同人的面部特征存在诸多差异这一现实,通过定位视频或图像里出现的人脸图像,加以处理后使之与已有的人脸库中的图像逐一匹配,从而完成身份识别。历经半个世纪,人脸识别技术逐渐发达,加之人脸图像获取简便,成本低廉,容易为人们所接受,因此人脸识别系统被广泛应用于多种场合来提高身份鉴定的效率和准确性。本文介绍了一些经典的人脸识别算法,对它们的优缺点、发展方向进行了讨论。传统的分类算法基于样本点之间的距离保留局部结构,没有充分利用类别信息,最近特征空间嵌入(NFSE)算法与拉普拉斯矩阵结合,引入特征空间的概念,更完整地保留了高维样本的拓扑结构和样本间线性关系。NFSE通过线性的欧氏距离度量来寻找最近特征空间,导致类内离散度和类间离散度变化同步;测试时,最近邻分类器也使用欧氏距离度量,而忽视了高维空间样本间直线距离具有趋同性。这些都会降低识别率。另外,求每个样本的最近邻特征空间都要遍历所有类的做法使得训练时间较长。为此,本文在最近特征空间嵌入算法的基础上,结合非线性距离度量和样本夹角度量,对NFSE做了如下改进:1)提出了基于非线性距离和夹角组合的最近特征空间嵌入方法(NL-IANFSE)。在训练阶段,该方法使用非线性距离度量方法选取近邻特征空间,使类内离散度的变化速度远小于类间离散度的变化速度,从而使转换空间中同类样本距离更小,不同类样本距离更大。在匹配阶段,使用结合夹角度量的最近邻分类器,充分利用样本相似性与样本间夹角的关系,更适合高维空间中样本分类。仿真实验表明,基于非线性距离和夹角组合的最近特征空间嵌入方法的性能总体上优于对比算法。2)提出非线性距离的最近邻特征空间嵌入改进方法(NDNFSE),引入非线性距离公式选取最近邻特征空间,并使用结合夹角度量的最近邻分类器,提高了识别率;仅在样本的近邻类中选取最近邻特征空间,而不像NFSE遍历所有类,有效减少了训练时间。实验表明,NDNFSE的训练时间明显低于NFSE,识别率总体高于各对比算法。