人脸识别是现代社会不可或缺的一种身份认证技术,从本质上讲是智能分类,是人工智能的具体体现。这是一种重要的生物特征识别技术,能够利用人脸图像的视觉特征信息来进行身份识别,发展前景十分广阔。其非接触式操作,隐秘性强,而且具有唯一性,可靠性,能够广泛的应用在视频监控、身份验证等多个领域。随着经济的高速发展,该技术朝着更加高效、稳定、安全的方向发展,所以该课题的研究仍具有重要的研究价值和意义。人脸识别技术涉及到的学科很多,对数学基础要求高,数字图象处理、模式识别、人工神经网络、人工智能和机器学习等学科都涵盖其中。该技术是当前的研究热点并存在诸多待解决的问题,比如抗干扰能力不强、特征提取效果不佳、识别率和识别时间有待继续提高等。目前,关于人脸识别技术的算法有很多,诸如模板匹配法、最小近邻法、神经网络法和稀疏表达法等等。这些方法都有各自的优势,也有自己的劣势,它们均是把灰度空间作为表达人脸图像的图像源。由于灰度图像中含有较多的噪声和冗余信息,直接从中获取分类信息效果不佳,而通过稀疏变换得到的疏编码算法能够很好的表达人脸特征信息。该算法可以有效的剔除噪声个冗余信息,保留有利于分类的特征信息。LDA算法可以有效的降低数据的维度,找到最佳分类坐标的方向和维数,同时减小了计算量。分类器承担着分类工作,是人脸识别的最后一步,其中人工神经网络在模式识别有着广泛的应用。基于此,本文提出了将稀疏表达和神经网络相结合的人脸识别方法,结果表明该方法具有很好的识别效果。具体的探究工作如下:1)本文提出了将稀疏表达与LDA算法结合的新特征提取算法:首先采用KSVD算法对字典进行优化,然后通过字典对人像进行稀疏编码,最后将其通过LDA算法进行坐标旋转,映射到更有利于分类的低维子空间中。2)在上述特征提取算法的基础上,本文采用了改进的LDA算法(对类间散布矩阵的重新进行定义),使得低维子空间的稀疏编码均投影到单位超维面上,避免了距离超维面中心较近编码的重叠,提高了识别率。3)将降维后的稀疏编码分别通过RBF神经网络和SVM网络中进行分类。根据导师的项目,建立了253人的维吾尔人脸库,将该库和国际通用库作为测试库进行算法的仿真测试,并进行性能的对比分析。研究结果表明基于稀疏表达和神经网络的算法相比其他算法具有较高的识别率、较快的识别速度,但是训练时间较长。另外,本文算法相对其他算法具有较强的鲁棒性和泛化能力。