人脸识别技术是通过计算机对人脸图像进行处理和特征提取,然后进行识别的模式识别技术。它是利用人体本身固有的生物特征来进行身份认证的技术,以着其具有的安全性、有效性和可靠性得到了人们的重视。人脸识别主要由图像预处理、人脸表征和分类识别三个部分组成。其中人脸表征就是人脸图像的特征提取,是人脸识别中最关键的一个部分。本文首先利用Contourlet变换对人脸图像进行预处理,然后利用主成分分析法对人脸图像的低频子带进行特征提取,最后按照距离分类进行人脸识别。主成分分析人脸识别法是一种基于数学统计的特征提取方法,一直被广泛应用于人脸识别等模式识别领域。但单一的主成分分析人脸识别法存在一些不足,一方面识别率受光照条件和人脸表情变化的影响比较大;另一方面在主成分分析人脸识别法中,一副人脸图像可以用一个N 2维向量来表示,这个向量的维数过高,使得人脸样本的协方差矩阵较大,给人脸图像的特征提取造成很大的计算量。针对主成分分析法的不足,本文提出了一种基于Contourlet变换的主成分分析人脸识别算法。Contourlet变换是一种新的图像的多尺度几何分析方法,与小波变换相比,它能更好的捕获图像的纹理和轮廓信息。本文在单一的主成分分析法之前首先运用Contourlet变换对人脸图像进行处理,得到人脸图像的低频子带,去除人脸图像中人脸表情等高频噪声,然后对人脸图像的低频子带应用主成分分析法提取出主要特征,最后根据这些特征进行人脸识别。该方法通过对人脸图像进行Contourlet变换的预处理,不仅实现了图像降维的目的,而且能提取出更具识别特性的特征,从而识别率能得到提高。最后本文在orl人脸库和yale人脸库上进行了大量实验,对算法所涉及的各种参数作了详细的分析,掌握了各种参数对识别率的影响。实验表明本文提出的方法的识别率要比传统的主成分分析法的识别率高。