随着社会的发展,人们对身份鉴别的准确性、安全性与实用性提出了更高的要求,传统的身份识别方法已经不能满足这种要求,而人体丰富的生理和行为特征为此提供了一个可靠的解决方案,因而引起国际学术界和企业界的广泛关注。生物识别是一种根据人体自身的生理特征(如指纹、脸像、虹膜等)和行为特征(如笔迹、声音、步态等)来识别身份的技术。近年来,随着模式识别、图像处理和信息传感等技术的不断发展,生物识别显示出更为广阔的应用前景。众所周知,其它的生物测定方法如指纹、声音和虹膜等,要求测定者主动配合,才能达到识别的目的,而人脸识别却不受这种限制。因此,人脸识别正在成为当前人们关注和投入较大研究力量的重点。本文在分析和总结国内外近十多年来的相关研究成果和最新研究进展的基础上,针对应用上急需解决的人脸分割定位和人脸识别的方法和理论进行了系统的实验和理论研究,从而突破了人脸分割和图像检测等方面的一些难题。本文的主要研究内容集中在以下三个方面:1提出了一种基于图像缝隙测量的分割算法。该算法可以准确划分背景和目标、多目标相互重叠及同一目标不同部位的分割,并且取得了理想的分割效果;分割图像所用时间比相关文献的记录时间大幅减少,减少了运算时间,提高了分割效率。同时,对目前的主要人脸检测和识别算法的最新进展作了归纳,并指出各算法的优缺点。2提出了一种结合直方图匹配和形状约束的人脸跟踪方法。把人脸形状看成是一个椭圆。首先通过带空间信息的自适应直方图匹配,来估计一个大体的位置。在直方图匹配中,采用了均值漂移的优化思想自动搜索匹配路径。然后,结合椭圆形状约束,采用椭圆边界上点的归一化梯度模型来准确定位位置及其尺度的大小。实验结果证明了此方法的实时性和鲁棒性。3提出了一种基于ICA(Independent Component Analysis)改进算法。无论是PCA(Principal Component Analysis)算法还是PPCA(Probabilistic PrincipalComponent Analysis)算法都是一种基于二阶统计方法,也就是说,仅仅使用了人脸数据中的协方差信息。同时,在这些方法中常常假设变量具有高斯属性,但是在实际中存在许多非高斯属性的变量,而对于非高斯变量存在成分的统计独立与成分的统计不相关是不等价的。因此,在神经网络和信号处理中提出了一种高阶统计方法。该方法主要针对非高斯变量,充分利用高阶统计量中所包含的信息,同时使其分离出的成分尽可能独立,即称为独立成分分析ICA方法。但是,ICA具有较强的限制条件,同时也假设模型是无噪声模型,称为无噪声ICA。因此,在实际中很可能导致病态情况。本文基于ICA和核技术的优点,利用重构核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)内的非线性函数作为对比函数,将信号从低维空间映射到高维空间,并运用核方法在该空间内搜索对比函数的最小值。因此,与传统ICA方法相比,基于核独立成分分析(KICA)的人脸识别方法具有更好的灵活性和鲁棒性。