● 摘要
人脸识别是利用计算机对人脸图像进行处理、分析和理解，以识别测试人脸的身份信息的技术。这种技术是模式识别研究中的十分重要的分支，其深远的理论意义和广泛的应用价值吸引了国内外众多专家学者在这一领域的研究。聚类分析是数据挖掘领域的一种重要技术，聚类是搜索簇的无监督学习过程，根据对象的相似性将数据分类到不同的类或者簇这样的一个过程，聚类已经在商业、生物、地理等诸多领域得到了广泛的应用。基于线性子空间的人脸识别算法具有算法计算简单、实时性好、易于实现以及对表情和饰物变化具有良好的鲁棒性等优点，成为人脸识别技术的经典解决方案之一。但是该类算法本身无法在大规模人脸数据库中应用。在一些比较特殊的应用领域（如公安部门），往往维护着一个大规模的人脸数据库，如何能在这样大的数据库中保持现有人脸识别方法的识别效果是近年来的一个研究热点。本文针对以Fisherface技术为代表的线性子空间识别算法进行研究，分析造成其应用局限性的原因，结合数据挖掘中的基于网格和密度的聚类算法，提出一种基于大规模人脸库的人脸识别方案。较好的解决了基于线性子空间的人脸识别算法在大规模人脸库中的识别问题。同时本文对基于网格和密度的聚类算法进行研究，针对传统的基于网格和密度的聚类算法需要输入网格划分参数和密度阈值，提出题一种改进的基于网格和密度的聚类算法，解决了传统算法参数值难以确定，影响聚类结果的问题。经过实验验证，实验数据证明：通过改进的基于网格和密度的聚类算法和Fisherface技术的结合，在海量人脸库上取得了较好的识别结果。