人脸识别是一项挑战性的研究课题,以致得到了诸多不同学科领域研究人员的青睐。人脸识别技术广泛运用到国家公共安全、社会安全及商业等领域,如公安刑侦破案、监控、信息安全、公司员工考勤等等。在人脸识别系统中,包括人脸图像预处理、人脸检测、特征提取和人脸分类等等。在过去的几十年间,研究者们提出了许多特征提取和人脸分类的核心算法,有关这方面的学术论文层出不穷。目前,主成分分析(principal component analysis, PC A)和独立向量分析(independent component analysis, ICA)是人脸识别问题中的特征提取阶段中采用的两种主要方法。针对传统的PCA方法,本文提出了基于奇异值分解的PCA方法,该方法减少了在特征提取过程中的存储空间。同时,引入了能量参数,通过选择适当的能量参数值,使得特征向量的维数更低并且能重构出原始高维人脸图像,为人脸图像的分类识别阶段提供了良好的基础。人脸图像分类的方法很多,包括基于面部几何特征、基于模板匹配、基于代数特征、基于神经网络、基于支持向量机的方法等等。一些人脸图像分类方法将若干分类方法结合在一起,以满足实际的应用需要。本文将径向基函数神经网络分类器和最近邻分类器的思想有机地结合在一起,提出了一种快速最近邻分类器。径向基函数(radial basis function, RBF)网络是神经网络中的一种,它的网络结构简单,训练简洁,学习收敛速度快,能够逼近任意非线形函数,该网络在时间序列分析、模式识别、非线性控制和图像处理等中有广泛的应用。本文采用基于监督的聚类方法,来确定RBF神经网络分类器的结构,该分类器在人脸识别中占有重要作用,它有非常高的分类准确率。最近邻分类器的分类准确率高、泛化性能好。但最近邻分类算法存在着一个弱点,当样本集数量增大时,分类计算量也显著增大,因此分类速度显著下降。为了克服这一不足,本文提出了快速最近邻分类器。通过重点研究径向基函数网络分类器的原理,将该分类器学习的特点运用到最近邻分类器,得到改进的最近邻分类器。在保持分类准确率的前提下,提高分类速度。该方法分类时,通过条件判断,一步步地排除掉不可能的训练样本集合,只在可能的训练样本集合中检索距离测试样本最近的样本,这样,大大地减少了最近邻分类器的计算量。