采用图像欧氏距离将灰度值及其坐标关系相结合用于表征人脸,使之对于图像的短距离晃动比较鲁棒,同时将图像欧氏距离应用于模糊支持向量机中。采用ORL人脸库进行分类实验,并与已发表论文的实验结果进行比较,验证了该方法的有效性。

针对人脸检测的特点,深入分析了基于Haar-Like小波特征和AdaBoost算法构造强分类器的人脸检测算法,并将此算法应用于ORL人脸库。在VisualC＋＋6.0平台下,首先利用AdaBoost算法训练得到用于人脸检测的强分类器,然后利用该分类器进行人脸检测。实验表明,提出的算法在保证检测精度的同时,极大的提高了人脸检测速度,且受光照变化影响小。

针对非参数特征分析（nonparametric feature analysis,NFA）方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出M2DPCA＋NFA相结合的方法。新方法对图像矩阵进行分块,再采用2DPCA进行特征提取,再实行NFA。该方法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NFA方法以及本方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NFA方法。

系统选用S3C2410A处理器作为硬件平台，Linux操作系统作为软件平台，采用0V7640＋OV511的结构实现图像信息采集，使用基于V4L的方法编写图像处理、检测和识别程序，实现了快速、准确识别人脸的功能；并对相关浮点算法进行了改进，极大地提高了ARM处理器上图像预处理的速度。采用基于隐马尔可夫模型（HMM）的方法，简化了人脸检测和识别的过程。