人脸识别(Face Recognition,FR)也称自动人脸识别(Automated Face Recognition,AFR),是一个近年得到广泛关注的研究热点,其相关技术的应用范围也在不断扩展。人脸识别一般包括人脸检测、特征训练和特征提取、模式类识别等相关的步骤。　　 本文在前人研究的基础上将基于肤色相似度的人脸检测与线性子空间人脸识别方法相结合,实现了基于视频输入的彩色图像的人脸识别系统。在进行人脸检测之前,系统首先对摄像头输入的彩色图像进行一些滤波去噪、光线补偿、gamma校正等一系列预处理操作,这样有利于后续的人脸检测,可以提高人脸检测的正确率以及提高定位的精确性。然后对预处理后的图像运用基于肤色像素的算法进行肤色检测,从而得到肤色相似度的灰度图,然后对该灰度图进行二值化处理,得到肤色与非肤色的二值化图像。然后在二值化图像上检测出脸部边缘,从而检测到眼睛等关键部位。使用该方法可以节省大量的处理时间,同时检测的正确性和定位的准确性都很高。有了这些关键部位的定位,就能根据人脸归一化的算法从原始图像中提取出标准人脸图像。使用该方法不仅可以在一定程度上降低人脸检测的时间复杂度,并且同时去除了一些不利因素的干扰,保证了人脸的一致性。　　 得到人脸标准图像之后,需要对人脸标准图像进行基于线性子空间的特征训练,使用该方法具有计算的方便性和结果的有效性等特点,从而得到特征子空间的变换矩阵。然后对所有的人脸标准图像进行特征子空间的投影变换,得到该子空间下的人脸特征,并将这些特征作为后续识别过程中的比对标准。本文的特征训练过程包括两种方法,即基于主成分分析(以下简称PCA)的方法和基于直接线性判别分析(以下简称DLDA)的方法。其中基于PCA方法是为了在识别的过程中对人脸检测得到的标准图像确认是否是人脸,这样可以降低识别错误率,节省一些不必要的计算时间。而采用DLDA方法得到的子空间的特征则作为识别时的比较标准。　　 提取了DLDA特征之后,就可以利用这些特征来构造分类器。本文中采用的是最常用、最简单且实时性效果最好的κ-近邻分类器。识别时,对于测试样本,利用κ-近邻的快速搜索算法即可找到这κ个近邻中所属类样本最多的类,从而将该类作为测试样本的类别,达到人脸识别的目的。为了提高时间效率,本文将K-近邻快速算法用于分类器的设计中,大大降低了测试特征与数据库里存储特征的比较时间,使系统具有实时性和高效性的特点。