1 人臉識別的發(fā)展及現(xiàn)狀
人臉識別的研究已經(jīng)有很長的歷史，在19世紀，法國人Galton就曾對此問題進行了研究，他用一組數(shù)字代表不同的人臉側(cè)面特征來實現(xiàn)對人臉側(cè)面圖像的識別。國內(nèi)外對于人臉識別的研究發(fā)展，分別經(jīng)歷了三個階段：傳統(tǒng)的人機交互式階段、機器自動識別初級階段、機器自動識別高級階段。
1．1 傳統(tǒng)的人機交互式階段
第一階段是以Bertilion為代表，主要研究人臉識別所需要的面部特征，該階段的識別依賴于人的操作。這些人臉識別方法都需要利用操作員的某些先驗知識，仍然擺脫不了人的干預。
1．2 自動識別初級階段
第二階段主要是采用機器自動識別的手段進行識別，20世紀90年代以來，隨著高速度高性能計算機的出現(xiàn)，人臉識別方法有了重大突破，進入了真正的機器自動識別階段，人臉識別研究也得到了前所未有的重視。
1．3 機器自動識別高級階段
第三階段是真正利用機器進行對人臉的自動識別，隨著計算機的大型化、高速化和人臉識別的方法的發(fā)展，提出了許多人臉自動識別的系統(tǒng)。

2 PCA算法的原理
PCA(主成分分析)算法是人臉識別中比較新的一種算法，該算法的優(yōu)點是識別率高，識別速度快。
2．1 PCA算法介紹
2．1．1 PCA原理
令x為表示環(huán)境的m維隨機向量。假設(shè)x均值為零，即：
E[x]=O．
令w表示為m維單位向量，x在其上投影。這個投影被定義為向量x和w的內(nèi)積，表示為：

而主成分分析的目的就是尋找一個權(quán)值向量w使得表達式E[y2]的值最大化：

根據(jù)線性代數(shù)的理論，可以知道滿足式子值最大化的訓應(yīng)該滿足下式：

即使得上述式子最大化的w是矩陣Cx的最大特征值所對應(yīng)的特征向量。
2．1．2 主成分的求解步驟
在PCA中主要的是要求出使得方差最大的轉(zhuǎn)化方向，其具體的求解步驟如下：
(1)構(gòu)建關(guān)聯(lián)矩陣：Cx=E[x*xT]，Cx∈Pn*n.
在實際應(yīng)用中，由于原始數(shù)據(jù)的數(shù)學期望不容易求解，我們可以利用下式來近似構(gòu)造關(guān)聯(lián)矩陣：

(其中x1，x2，…，xN，是各個原始灰度圖像所有象素點對應(yīng)的向量，N是原始圖像的個數(shù))
(2)先計算出Cx的各個特征值
(3)把特征值按大小排序

(4)計算出前m個特征值對應(yīng)正交的特征向量構(gòu)成w。
(5)將原始數(shù)據(jù)在特征向量w上進行投影，即可獲得原始圖像的主特征數(shù)據(jù)。