基于PCA的人脸识别
基于PCA算法的人脸识别研究
基于PCA算法的人脸识别研究发布时间：2009-6-25 10:11:351 人脸识别的发展及现状人脸识别的研究已经有很长的历史，在19世纪，法国人Galton就曾对此问题进行了研究，他用一组数字代表不同的人脸侧面特征来实现对人脸侧面图像的识别。
国内外对于人脸识别的研究发展，分别经历了三个阶段：传统的人机交互式阶段、机器自动识别初级阶段、机器自动识别高级阶段。
1．1 传统的人机交互式阶段第一阶段是以Bertilion为代表，主要研究人脸识别所需要的面部特征，该阶段的识别依赖于人的操作。
这些人脸识别方法都需要利用操作员的某些先验知识，仍然摆脱不了人的干预。
1．2 自动识别初级阶段第二阶段主要是采用机器自动识别的手段进行识别，20世纪90年代以来，随着高速度高性能计算机的出现，人脸识别方法有了重大突破，进入了真正的机器自动识别阶段，人脸识别研究也得到了前所未有的重视。
1．3 机器自动识别高级阶段第三阶段是真正利用机器进行对人脸的自动识别，随着计算机的大型化、高速化和人脸识别的方法的发展，提出了许多人脸自动识别的系统。
2 PCA算法的原理PCA(主成分分析)算法是人脸识别中比较新的一种算法，该算法的优点是识别率高，识别速度快。
2．1 PCA算法介绍2．1．1 PCA原理令x为表示环境的m维随机向量。
假设x均值为零，即：E[x]=O．令w表示为m维单位向量，x在其上投影。
这个投影被定义为向量x和w的内积，表示为：而主成分分析的目的就是寻找一个权值向量w使得表达式E[y2]的值最大化：根据线性代数的理论，可以知道满足式子值最大化的训应该满足下式：即使得上述式子最大化的w是矩阵Cx的最大特征值所对应的特征向量。
2．1．2 主成分的求解步骤在PCA中主要的是要求出使得方差最大的转化方向，其具体的求解步骤如下：(1)构建关联矩阵：Cx=E[x*xT]，Cx∈Pn*n.在实际应用中，由于原始数据的数学期望不容易求解，我们可以利用下式来近似构造关联矩阵：(其中x1，x2，…，xN，是各个原始灰度图像所有象素点对应的向量，N是原始图像的个数)(2)先计算出Cx的各个特征值(3)把特征值按大小排序(4)计算出前m个特征值对应正交的特征向量构成w。
基于机器学习的PCA算法在人脸识别中的应用研究
基于机器学习的PCA算法在人脸识别中的应用研究随着人工智能技术的不断发展，人脸识别已经成为了智能化生活、公共安全监控、金融支付等领域的核心技术。
而机器学习在人脸识别中的应用也越来越广泛。
本文将围绕PCA算法在人脸识别中的应用展开研究。
一、机器学习在人脸识别中的应用机器学习是一种通过训练数据来学习模型并从中进行预测的技术。
深度学习是机器学习的一种，它利用神经网络对大量的数据进行训练，并通过多层次的特征提取来实现对复杂数据的处理。
人脸识别就是其中的一个典型应用领域。
近年来，随着大数据的发展和算法技术的不断进步，人脸识别的精度和准确度都得到了极大的提升。
基于机器学习的人脸识别系统在智能家居、社交网络等方面都得到了广泛的应用。
机器学习在人脸识别中的应用主要包括特征提取、分类器设计和模型训练等方面。
其中，特征提取是最关键的一步，目前在特征提取方面，常用的算法有LBP、HOG、SURF、ORB、SIFT等。
而在分类器设计中，SVM、KNN、Adaboost等算法也得到了广泛的应用。
另外，深度学习算法也正在逐渐替代传统的机器学习算法，并成为人脸识别领域的主流技术。
二、PCA算法原理PCA全称为Principal Component Analysis，即“主成分分析”。
PCA算法是一种常用的数据降维算法，能够从高维度的数据中提取出相对重要的特征。
降维能够剔除一些无关特征和噪声，提高了数据处理效率和准确率。
PCA算法的原理是将原始的高维数据转化为一组线性不相关的低维数据，从而实现降维。
在提取主成分之前，需要将原始数据进行标准化处理（即：均值为0，方差为1）。
然后采用特征值分解（Eigenvalue Decomposition）的方式，求出数据的协方差矩阵，然后通过计算协方差矩阵的特征向量和特征值，得到主成分，并将其投影到新的低维空间中，从而实现数据降维。
三、PCA算法在人脸识别中的应用PCA算法在人脸识别中的应用是基于矩阵分解的思想。
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别是一种通过计算机视觉和模式识别技术来识别和验证人脸的生物特征，并将其与已知的人脸进行匹配的技术。
近年来，随着计算机算力的提升和人工智能技术的发展，人脸识别技术得到了广泛的应用，例如人脸解锁、人脸支付等。
PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）是两种常见的降维方法，用于从高维数据中提取有用的特征。
基于这两种方法的人脸识别技术研究已经得到了广泛关注。
PCA是一种无监督学习方法，通过将高维数据投影到低维子空间中，保持数据的大部分方差，从而达到降维的目的。
在人脸识别中，PCA可以通过计算训练集中人脸图像的协方差矩阵，然后提取其特征向量和特征值，选择前k个特征向量作为主成分，将人脸图像投影到主成分空间中。
在测试阶段，将待识别的人脸图像也投影到主成分空间中，通过计算其与训练集中人脸图像的距离，来判断其身份。
PCA的一个问题是它在无监督降维的可能忽略了一些与分类有关的信息。
为了解决这个问题，可以利用LDA来增加分类的准确性。
LDA是一种有监督学习方法，它通过最大化类别之间的差异性和最小化类别内的方差，选择最佳的投影方向。
在人脸识别中，LDA可以通过计算训练集中各类别的均值和类内散度矩阵，得到最佳的投影方向。
在测试阶段，将待识别的人脸图像投影到最佳的投影方向上，通过计算其与训练集中各类别的距离，来判断其身份。
由于PCA和LDA均是线性方法，它们对于人脸图像的非线性变化不敏感。
为了提高人脸识别的准确性，可以将PCA和LDA与非线性方法相结合，例如核技巧（kernel trick）。
通过将人脸图像映射到一个高维的特征空间中，利用核函数来计算其与训练集中人脸图像的相似性。
还可以利用深度学习方法来改进人脸识别技术。
深度学习是一种通过构建多层神经网络来学习数据特征的方法，它可以自动地学习人脸图像中的高级特征。
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别技术已成为信息安全、安防领域中的一项重要技术。
而PCA(Principal Component Analysis)和LDA(Linear Discriminant Analysis)是两种常见的人脸识别算法。
本文将对PCA和LDA算法进行简要介绍，并提出一种基于PCA和LDA改进算法的人脸识别技术。
PCA算法是通过对训练集图像进行主成分分析，得到训练集样本基础变换矩阵，使用该矩阵对待识别人脸图像进行变换，将其转化为低维空间中的向量，最后再进行分类识别。
PCA算法简单易懂，但是其容易受到噪声和光照变化等外部因素的影响，导致识别准确率不高。
LDA算法则是通过最大化同一类别内部的类内离散度并最小化不同类别之间的类间离散度，得到一个最好的分类平面，从而使得样本分类更加准确。
但是LDA算法面临的问题在于，当类别数目非常多时，其计算复杂度会大大增加，同时也容易发生过拟合现象。
针对PCA算法和LDA算法的局限性，本文提出了一种基于PCA和LDA改进算法的人脸识别技术。
该算法主要是在PCA算法和LDA算法基础上，通过引入核方法来进行特征提取和分类识别。
核方法是一种通过向高维空间的映射来处理低维空间中非线性问题的方法。
在本文中，我们选择使用径向基函数核(RBF Kernel)来进行特征提取。
这种核函数能够将样本从低维空间映射到高维空间，从而使得非线性问题也能够被线性分类。
具体而言，本文提出的改进算法具体步骤如下：1. 对于人脸图像的训练集，通过PCA算法对其进行主成分分析，并对每张图像进行降维处理，得到训练集样本基础变换矩阵。
2. 将训练集样本基础变换矩阵输入到LDA算法中，得到最佳分类平面参数。
3. 对于待识别的人脸图像，使用PCA算法将其转化为低维空间中的向量。
4. 将转化后的向量输入到径向基函数核中进行特征提取。
5. 基于提取后的特征，将人脸图像分类识别。
基于主成分分析算法的人脸识别研究
基于主成分分析算法的人脸识别研究人脸识别技术在当今社会中得到了广泛应用，越来越多的领域需要使用到这项技术。
在安全防控、手机解锁、身份识别等方面都有着不可或缺的作用。
而在实现人脸识别技术过程中，主成分分析（PCA）算法是最基础的方法之一，也是目前最为流行的人脸识别算法之一。
一、主成分分析算法简介主成分分析（PCA）算法，即Principal Component Analysis，是一种用于数据降维的方法。
它可以利用数据集中的趋势来减少数据的维度，从而更好地对数据进行分析和理解。
PCA算法的原理是将原始数据通过线性变换，转换为新的一组维度，使得在新的维度上数据的方差尽可能大，且各维度之间彼此独立。
在人脸识别的应用中，PCA算法可以将图像数据转换为一个特定的向量空间，并从该空间中提取出一些重要的特征，即“主成分”。
这些主成分可以很好地描述原始图像中的人脸特征，从而实现对人脸的识别。
因此，PCA算法是一种可靠、高效的人脸识别方法。
二、PCA算法在人脸识别中的应用1. 数据采集与预处理在使用PCA算法进行人脸识别之前，需要先对数据进行采集和预处理。
数据采集应选择较为标准的人脸照片，保证图像质量一致、拍摄角度、光照、位置等参数相同。
预处理中需要对图像进行裁剪、缩放、灰度处理等操作，以便后续的算法能够更好地处理数据。
2. 数据降维与特征提取PCA算法最擅长的就是数据降维和特征提取。
对于人脸识别来说，每张图像都是一个高维空间中的向量，包含大量的像素信息。
而使用PCA算法可以将这样高维空间中的向量转换为低维空间中的向量，即将高维向量降维为低维向量，从而实现对数据的简化和聚类。
在PCA算法中，特征向量的选取很重要。
一般采用奇异值分解（SVD）来计算特征向量，从而得到数据的主成分。
主成分具有最大方差，能够最好地描述原始数据的特征。
通过选择和保存一定数量的主成分，我们可以从原始的高维数据中提取出关键的特征，从而实现对人脸图像的识别。
基于主成分分析（PCA）的人脸识别技术
基于主成分分析（PCA）的⼈脸识别技术本科期间做的⼀个课程设计，觉得⽐较好玩，现将之记录下来，实验所⽤。
1、实验⽬的（1）学习主成分分析（PCA）的基础知识；（2）了解PCA在⼈脸识别与重建⽅⾯的应⽤；（3）认识数据降维操作在数据处理中的重要作⽤；（4）学习使⽤MATLAB软件实现PCA算法，进⾏⼈脸识别，加深其在数字图像处理中解决该类问题的应⽤流程。
2、实验简介（背景及理论分析）近年来，由于恐怖分⼦的破坏活动发⽣越发频繁，包括⼈脸识别在内的⽣物特征识别再度成为⼈们关注的热点，各国均纷纷增加了对该领域研究的投⼊。
同其他⽣物特征识别技术，如指纹识别、语⾳识别、虹膜识别、DNA识别等相⽐，⼈脸识别具有被动、友好、⽅便的特点。
该技术在公众场合监控、门禁系统、基于⽬击线索的⼈脸重构、嫌疑犯照⽚的识别匹配等领域均有⼴泛应⽤。
⼈脸识别技术是基于⼈的脸部特征，对输⼊的⼈脸图像或者视频流，⾸先判断其是否存在⼈脸。
如果存在⼈脸，则进⼀步的给出每个脸的位置、⼤⼩和各个主要⾯部器官的位置信息。
其次并依据这些信息，进⼀步提取每个⼈脸中所蕴涵的⾝份特征，并将其与已知的⼈脸进⾏对⽐，从⽽识别每个⼈脸的⾝份。
⼴义的⼈脸识别实际包括构建⼈脸识别系统的⼀系列相关技术，包括⼈脸图像采集、⼈脸定位、⼈脸识别预处理、⾝份确认以及⾝份查找等；⽽狭义的⼈脸识别特指通过⼈脸进⾏⾝份确认或者⾝份查找的技术或系统。
我们在处理有关数字图像处理⽅⾯的问题时，⽐如经常⽤到的图像查询问题：在⼀个⼏万或者⼏百万甚⾄更⼤的数据库中查询⼀幅相近的图像。
其中主成分分析（PCA）是⼀种⽤于数据降维的⽅法，其⽬标是将⾼维数据投影到较低维空间。
PCA形成了K-L变换的基础，主要⽤于数据的紧凑表⽰。
在数据挖掘的应⽤中，它主要应⽤于简化⼤维数的数据集合，减少特征空间维数，可以⽤较⼩的存储代价和计算复杂度获得较⾼的准确性。
PCA法降维分类原理如下图所⽰：如上图所⽰，其中五⾓星表⽰⼀类集合，⼩圆圈表⽰另⼀类集合。
基于PCA的人脸特征提取和识别
基于PCA的人脸特征提取和识别首先，让我们了解一下PCA的基本原理。
PCA的目标是通过线性变换将原始高维数据转化为低维的特征空间，同时保留尽可能多的原始信息。
具体来说，PCA寻找投影方向，使得数据在该方向上的方差最大。
这些方差最大的方向被称为主成分，而数据在这些方向上的投影称为主成分分量。
在人脸识别中，利用PCA进行特征提取和识别的主要步骤如下：1.数据预处理：首先，对输入的人脸图像进行预处理，包括灰度化、直方图均衡化等，以增强图像的对比度和灰度分布。
2.数据采集：采集一组人脸图像作为训练样本。
这些图像应包含不同的表情、姿态和光照条件，以提高人脸识别系统的鲁棒性。
3.数据标准化：将采集到的人脸图像转化为向量表示。
这可以通过将图像像素按行展开成一个一维向量来实现。
4.特征提取：将标准化后的人脸向量输入到PCA模型中，利用PCA算法计算特征向量。
这些特征向量构成了人脸的特征空间。
5.降维：根据设定的降维维数，在特征向量中选择前n个主成分分量。
这些主成分分量可以看作是重要的人脸特征。
6.特征重构：通过将选择的主成分分量与原始数据相乘，可以将低维特征重构为高维特征。
7.人脸识别：将待识别的人脸图像转化为特征向量，并与已存储的特征向量进行比较。
常用的比较方法包括欧氏距离、余弦相似度等。
识别的过程就是找到与待识别特征向量最相似的已知特征向量，即找到最小的距离或最大的相似度。
首先，PCA能够对人脸图像进行降维处理，减少数据的维度，从而提高了特征提取和识别的效率。
其次，PCA能够自动地从大量的原始特征中提取出关键的主成分，消除了冗余信息，突出了人脸图像的主要特征。
另外，基于PCA的人脸识别方法对光照、表情、姿态等因素具有一定的鲁棒性，能够在不同条件下准确地识别人脸。
然而，基于PCA的人脸特征提取和识别方法也存在一些不足之处：首先，PCA是一种线性变换方法，对于一些非线性的人脸变化，如表情、姿态变化，其特征提取和识别能力有限。
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别技术是一种通过计算机来识别和验证人脸的技术，已广泛应用于安全领域、人机交互等众多领域。
传统的人脸识别技术在处理高维数据时，存在计算复杂度高、特征提取效果差等问题。
为了解决这些问题，研究者们提出了基于PCA（Principal Component Analysis）和LDA（Linear Discriminant Analysis）的改进算法。
PCA是一种常见的降维算法，通过线性变换将高维数据投影到低维空间中，保留主要的特征信息。
在人脸识别中，PCA算法可以用于提取人脸图像的特征向量。
传统的PCA算法会忽略数据之间的类间信息，导致识别精度下降。
为了解决这个问题，研究者们引入了LDA算法作为PCA的改进。
LDA是一种有监督的降维算法，它通过最大化类间散度和最小化类内散度，找到最佳的投影方式。
在人脸识别中，LDA能够在保留类间信息的有效地降低维度，提高识别精度。
1. 数据预处理：将人脸图像转换为灰度图像，并进行尺寸归一化，去除光照和姿态差异。
2. 特征提取：利用PCA算法提取人脸图像的特征向量。
计算人脸图像的均值向量，并将每个图像向量减去均值向量，得到零均值图像向量。
然后，计算协方差矩阵，对其进行特征值分解，得到特征向量。
选取特征值较大的前K个特征向量作为特征脸。
3. LDA投影：对特征向量进行LDA投影，将其投影到低维空间中。
计算每个类别的均值向量和总体均值向量。
然后，计算类内散度矩阵和类间散度矩阵。
对类间散度矩阵进行特征值分解，得到投影矩阵。
4. 训练和识别：利用训练集对投影矩阵进行训练，并计算训练样本的类别中心。
对于待识别的测试样本，将其投影到低维空间中，计算与各个类别中心的距离，并选取距离最小的类别作为识别结果。
通过对比实验，基于PCA和LDA的人脸识别算法相比传统的PCA算法，具有更好的识别精度和鲁棒性。
因为它利用LDA考虑了类别间的差异，能够更好地区分不同的人脸特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于PCA的人脸识别哲盼（华北电力大学自动化系， 071003）摘要：人脸识别技术，作为目前模式识别领域研究的热点也是难点之一，其最早提出可以追溯到1888年[1]。
然而，到目前为止，由于人脸识别问题自身的复杂性，使得虽然有众多科学研究人员潜心研究多年，也做出了许多的成果，但离彻底解决并达到实用，仍旧有很多关键性的问题需要解决。
本文结合研究生阶段参与教研室的科研项目，对人脸识别做了一定的研究。
论文首先介绍了人脸识别的背景、研究围以及方法，对人脸识别领域的一些理论方法作了总体的介绍。
本文中所采用的人脸识别方法是比较经典的PCA(Principle Component Analysis，主成分分析)[2-6]。
关键词：人脸识别，主成分分析，PCA，特征脸PCA-based face recognitionCHEN Zhe-pan(Department of Automation North China Electric Power University, Baoding 071003 China) Abstract:Techniques for face recognition were proposed by Francis Galton as early as 1888[1]In recent years considerable progress has been made in the area of face recognition：Through the development of techniques like Eigenfaces computers can now outperform humans in many face recognition tasks，particularly those in which large databases of faces must be searched．Whilst these methods performs extremely well under constrained conditions，the problem of face recognition under gross variations remains largely unsolved．This thesis details the PCA(Principle Component Analysis)algorithm and the development of a real-time face recognition system aimed to operate in constrained environmentsKeywords：face recognition,principle component analysis,PCA, Eigenfaces0 引言随着社会的不断发展进步以及各方面对快速有效的身份识别技术的迫切需求，生物特征识别技术在最近十年中得到了很快的发展。
生物特征识别技术是为了验证身份而采用自动测量技术对身体的特征或个人行为特点进行采集处理，并将采集的特征或特点与模板进行比较，从而完成身份验证的一种解决方案。
由于生物特征识别技术利用人本身所具有的特征(如指纹、虹膜、人脸等)进行身份认证，因而它比传统的根据人所携带物品(如)和你所记忆的容(如账号和密码)更加安全和可靠。
我们有理由相信生物特征识别技术将使人们的生活方式产生重大的变化[7]。
人脸识别是生物特征识别技术的一种，它也是人们生活中最常用的一种身份认证手段，同时它也是当前最热门的模式识别研究课题之一。
通过人脸我们可以判定许多信息:性别、种族、大致年龄及表情等。
与其它的生物特征识别技术相比，人脸识别在采集特征时不需要与采集对象进行直接接触，因此人们不会产生排斥的心理，所以人脸识别可以成为一种最友好的身份认证技术。
人脸识别应用前景广泛，可用于公安机关罪犯身份的认证，档案管理，银行的监控系统，入口控制等。
人脸识别对于我们人类而言是一件非常简单的问题，但人脸识别的机制实际上是非常复杂的。
人脸识别的课题涉及到计算机视觉、图像处理、机器学习、模式识别等很多方面的知识[8]。
近年来人脸识别技术己经取得了很大发展，产生了很多新颖的方法，一些人脸识别系统也己经投入市场。
但还有很多的因素制约着它的发展，人脸识别的鲁棒性受人脸自身和环境的复杂性，如表情、姿态、光照变化的影响很大。
所以它仍是目前一项非常具有挑战性的研究课题。
1 人脸特征提取与识别方法人脸识别本质上是三维塑性物体二维投影图像的匹配问题，它的困难体现在：(1)人脸塑性交形(如表情等)的不确定性；(2)人脸模式的多样性(如胡须，发型，眼镜，化妆等)；(3)图像获取过程中的不确定性(如光照的强度，光源方向等)。
识别人脸主要依据人脸上的特征，也就是说依据那些在不同个体之间存在较大差异而对于同一个人则比较稳定的度量。
由于人脸变化复杂，因此特征表述和特征提取十分困难。
在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。
几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小，灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度地克服光照变换的影响而提高识别率[9]。
关于人脸特征提取和识别的方法可概述如下：基于几何特征的方法：人脸由眼睛，鼻子，嘴巴，下巴等部件构成，正因为这些部件的形状，大小和结构上的各种差异才使得世界上由这些每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。
同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。
基于特征脸的方法：Turk和Pontland[2,3]提出特征脸的方法，它根据一组人脸训练图像构造主元子空间，由于主元具有脸的形状，也称为特征脸。
识别时将测试图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像进行比较进行识别。
特征脸方法是一种简单，快速，实用的基于变换系数特征的算法，但由于它本质上依赖于训练集和测试集图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的局限性。
基于弹性模型的方法：Lades等人针对畸变不变性的物体识别提出了动态模型(DLA)，将物体用稀疏图形来描述，其顶点用局部能量谱的多尺度描述来标记，边则表示拓扑连接关系并用几何距离标记，然后应用塑性图形匹配技术来寻找最近的已知图形[10,11]。
Wiscott等人在此基础上作了改进，用FERET图像库做实验，用300幅人脸图像和另外300幅图像做比较，准确率达到97.3%[12]。
此方法的缺点是计算量非常巨大。
神经网络方法：神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述还是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。
其他方法：Brunelli等对模板匹配方法作了大量实验，结果表明在尺度，光照，旋转角度等各种条件稳定的情况下，模板匹配的效果优于其他方法[13]，但它对光照，旋转和表情变化比较敏感，影响了它的直接使用。
Goudail等人采用局部自相关性作为人脸识别的判断依据，它具有平移不变性，在脸部表情变化时比较稳定[14]。
在最近的一些工作中[15]，Benarie 等提出VFR的表示框架并将它用于人脸识别的工作中，Lam等人研究了不同视点下的人脸匹配和识别问题闭，Vetter等人讨论了由单幅人脸图像生成其他视点的人脸图像的可能性，Mirhosseini等则探讨了多种信息融合的人脸识别方法。
本文主要从基于代数特征的主成分分析(PCA)方法着手，在大量实验的基础上对影响人脸识别的因素进行了研究和探讨。
2 基于PCA的人脸识别2.1 概述主成分分析(Principal Components Analysis。
即PCA，也称为K-L变换)，是图像压缩中的一种最优正交变换。
PCA用于统计特征提取构成了子空间法模式识别的基础。
它从图像整体代数特征出发，基于图像的总体信息进行分类识别。
Simvich和Kirby首先将K-L变换用于人脸图像的最优表示。
Turk和Pentland进一步提出了“特征脸”(Eigcnface)这个概念．下文首先介绍了PCA算法的原理和实现过程，然后给出了在ORL库上的实验结果。
将PCA方法用于人脸识别，其实是假设所有的人脸都处于一个低维线形空间，而且不同的人脸在这个空间中具有可分性。
其具体做法是由高维图像空间经KL变换后得到一组新的正交基，对这些正交基作一定的取舍，保留其中的一部分生成低维的人脸空间，也即人脸的特征子空间。
完整的PCA人脸识别算法步骤包括：(1)、人脸图像预处理。
(2)、读入人脸库。
训练形成特征子空间。
(3)、把训练图像和测试图像投影到上一步骤中得到的子空间上。
(4)、选择一定的距离函数进行识别。
2.2 人脸图像预处理人脸图像的预处理主要处理旧照片或扫描照片因拍摄环境不同产生的光照干扰和角度倾斜。
常用的处理有：(1)、图像噪声滤波输入图像一般在人脸定位、特征提取等方面都会受到噪声问题的影响，一般来说，去除噪声的算法主要是平滑滤波：平滑滤波算法首先需要选择一定的图像区域，在这个区域，选取一个像素作为中心，进而在区域选择一个小的区间，该区间的像素作为该像素区间的基数，然后讲过一种公式化的预算变化推导出该中心像素的新值。
一般通过卷积的方法实现平滑滤波。
(2)、图像旋转在有些情况下，人脸的正面图像会因为坐姿，摄像机倾斜等问题产生不同角度的偏差和倾斜现象，这些偏差数值不一，有大有小，但是在图像识别过程中，细微的、小角度的偏差也会对图像的视觉效果造成一定程度的影响，由此，对这些小角度的处理是也是人脸预处理的必要步骤。
调整人脸角度的原理一般是依据常识情况下，图像中，在正常无倾斜的情况下，人物两眼处于同一个水平线上，对人物两眼间的夹角进行计算，如果夹角为0，则图像是水平的，如果夹角不为零，则说明两眼存在一定程度的倾斜。
具体计算时，将两眼夹角设为θ，将θ的数值计算出后，反向旋转θ角度，就可以得出校正后的图像。
具体计算方法如下：设两眼的瞳孔坐标分别为（x1,Y1）和（x2,Y2），则θ的求取公式如下：设图像中任意点的坐标为（x,y），旋转后该点的坐标为（X,Y），则在进行具体操作时，需要注意我们通常对数据图像进行存储时，存储方式一般是矩阵方式，如果仅仅是将处理图像进行扩大存放，就会导致图像位移。