人脸识别是一个具有很高理论和应用价值的研究课题,是模式识别和计算机视觉领域的一个重要分支。特征提取是人脸识别中的关键环节,不同方法提取的特征含有不同的信息,如何将各种形式的特征进行综合应用,是目前人脸识别领域的研究热点。特征融合是解决该问题的一种重要方法,它能将多种特征融合后进行分类识别且能提高识别效率和准确率。另外,由于所提取的人脸特征往往是高维向量,不但使算法计算代价(包括计算时间和存储空间)增加,而且这些特征可能的冗余信息将降低算法的识别性能。因此针对特征选择方法的研究在人脸识别中显得极为重要。本文重点研究了人脸识别中的特征融合和特征选择问题,主要作了如下几方面的工作:(1)人脸图像预处理是特征提取和识别的前提。人眼精确定位是预处理阶段的重要环节,根据人眼位置裁剪图像实现图像的几何规范化,最后进行灰度规范化完成图像预处理。在人眼定位过程中,提出了一种混合投影峰分析的人眼定位方法。通过将方差投影函数和梯度投影函数混合投影后,经分析投影曲线上的投影峰确定了人眼的精确位置。(2)对人脸特征提取的线性子空间方法和核方法作了详细介绍和优缺点分析。着重对核方法中的核函数及参数设置问题,进行了实验研究。(3)针对无监督KPCA和有监督零空间KFDA在特征提取中的不足,结合特征融合思想提出兼顾两种特征的融合方法,分别利用串行融合和并行融合策略进行特征融合,将融合后的特征用于分类识别。在ORL和Yale标准人脸数据库上的实验结果表明,特征融合方法避免了二者的缺点且识别性能优于其他算法。(4)通过分析KPCA算法的误识率与特征维数的变化关系,表明KPCA算法提取的特征用于识别时存在特征冗余,因此有必要进行特征选择。鉴于离散二进制粒子群算法处理组合优化问题时的优势,通过设计合理的适应度函数,将其用于对KPCA进行特征选择,搜索最优特征子集。在ORL和Yale标准人脸数据库上的实验表明,融合离散粒子群算法的KPCA算法具有较高的识别准确率,优于KPCA方法。