人脸识别技术,因为具有极强的科学研究挑战性和潜在的广泛应用,一直是国际性的研究热点。人脸识别的关键步骤包括特征提取和分类。大多数人脸识别系统将人脸表示为基图像的线性组合,基图像要么侧重于全局特征提取,要么侧重于局部特征提取。在众多的特征提取算法中,基于全局特征提取的主元成分分析(Principle Component Analysis, PCA)是讨论最多的经典算法,与此对应的是基于局部特征提取的非负矩阵分解(Non-negative Matrix Factorization, NMF)算法。分类器一般分为线性分类器和非线性分类器。径向基(Radial Basis Function, RBF)神经网络分类器,作为非线性分类器,具有全局函数逼近、函数拟合度好、收敛速度快、网络结构紧凑等优点,被广泛运用于模式识别问题中。本文提出了一种基于非负矩阵稀疏分解(Non-negative Matrix Factorization with Sparseness Constraints, NMFs)和RBF神经网络的人脸识别方法。通过控制稀疏度,NMFs算法既可提取人脸全局也能提取局部特征,再运用RBF神经网络进行模式分类。绝大多数NMF算法仅能提取局部特征,本文认为:通过控制分解矩阵时的稀疏度,NMF算法不仅可以进行基于局部特征提取的人脸表示,也可以进行基于全局特征提取的人脸表示。为了验证本文所提出的NMFs+RBF算法的性能,经典的基于PCA和Fisher线性判别(Fisher’s Linear Discriminant, FLD)的人脸识别方法,以及基于PCA和RBF的人脸识别方法,被用于和本文所提出的人脸识别方法进行比较。实验在ORL人脸数据库上进行,通过识别正常情况和遮挡情况下的人脸样本,来考察这三类方法在局部特征提取或全局特征提取上的表现。实验结果不仅证实了本文所提出的观点,也表明:在遮挡人脸识别情况下,RBF神经网络分类的表现优于最近邻分类器(线性分类器);而与基于局部特征提取的人脸识别方法相比,基于全局特征提取的人脸识别方法对于遮挡情况下的人脸识别,具有一定的鲁棒性。