摘要：随着信息技术的不断发展,人脸识别在社会的发展和建设中受到广泛的关注和应用，特别是在90年代，随着计算机性能的进一步提高和图像采集和处理能力的提升，人脸识别的取得了突破性的进展，开始一步步的进入真正的自动识别层次。研究成果的积累、技术和技术的进步以及对安全性的进一步要求，使得人脸识别领域越来越受到重视和快速发展。近年来，人脸识别因其自然、不被个体察觉的优势，在如银行监控、边界检查、身份证检查、可疑照片比较、人机交互系统、门禁系统、电子商务等领域的应用范围不断扩大。 

-在已存在的众多识别方法中，每种方法有其优势必然就伴随着缺憾。主成分分析（PCA）是一种能够适应实际研究需求更高效地描述多维数据的一种描述方法。最关键的步骤就是通过分析计算，求得协方差矩阵的特征值及其所对应的特征向量。从某种意义上说，人脸识别的各种方法实际上是寻找描述人脸的一种方式，但探寻出一种不受因素影响的描述办法是很困难的。即使是早期被人们应用的几何描述和后来常用的代数描述也是如此。我们只能期待在今后的研究中进一步完善人类面部的描述方式，使其更有效和更准确。

关键词：人脸识别；图像采集；PCA

目录

摘要

Abstract

1 绪论-1

1.1 研究背景与意义-1

1.2 研究现状-1

1.3 存在的问题-2

1.4 论文组织结构-3

2 相关理论与技术-4

2.1 人脸识别相关方法学习-4

2.1.1 人脸检测/跟踪-4

2.1.2 特征提取-4

2.1.3 特征降维-5

2.1.4 匹配识别-5

2.2 子空间方法概述-5

2.3 主成分分析法学习-6

2.3.1 主成分分析法概述-7

2.3.2 主成分分析的数学模型及几何性质-7

2.3.3 主成分分析的主要作用-8

2.3.4主成分分析法的计算步骤-9

3 基于PCA的人脸识别方法-11

3.1 引言-11

3.2 相关工作-11

3.3 主分量分析（Principal Component Analysis，PCA）-11

3.3.1 PCA及K-L变换-12

4 仿真实验-15

4.1 实验环境介绍-15

4.2 实验设置-15

4.3 欧式距离详解-15

4.4 实验步骤-16

4.4.1 计算平均脸-16

4.4.2 矩阵归一化-16

4.4.3 计算协方差矩阵的特征值-16

4.4.4 向特征空间投影-17

4.4.5 计算欧式距离-18

5 实验结果与分析-19

结    论-23

参 考 文 献-24

致    谢-26