引言
近年来，数字图像技术的应用范围越来越广泛，运用生物识别技术的身份验证则更是由于其在公安(罪犯识别等) 、安全监控系统[1]、信用卡验证等方面的巨大应用前景而越来越成为当前人工智能领域的一个研究热点。这其中，利用人脸特征进行身份验证又是最自然最直接的手段，相比于指纹、视网膜、虹膜、基因等其它人体生物特征，它具有直接、友好、方便的特点，更易于为用户所接受，因此备受关注。
人脸识别技术是根据人的脸面特征唯一性特点而进行的个体识别和确认技术。人的面部特征的唯一性，可以在脸上某一单一器官或部位上得以体现，更重要的是可在这些单一特征之间的位置、距离、角度、数量、形状和模式等相互关系上得以体现，而且这些面部特征都具有一定的稳定性。当验证某人的身份时，只要通过某种设备摄录下他的面部生物学特征，与事先已经储存着的相关样本特征进行比较，几秒钟内即可完成识别。同许多生物识别技术一样，人的面部识别技术是近几年在全球范围内迅速发展起来的一项安全技术。它依靠面部的二维或三维图像处理和模式识别来实现鉴别或验证个体身份目的，具有非接触性、对被识别对象侵扰少和识别手段隐蔽等特点，在反恐、跟踪、追逃、打拐、出入口控制、银行管理等许多领域都有着独特的应用价值。
利用人脸识别技术和视频监控技术开发的门禁系统，可广泛适用于智能管理系统(智能大楼、高级住宅门禁系统)、银行及金库门安全系统、医院血液中心身份管理系统等高可靠性、高安全性的场所。这无疑将成为21世纪远程监控的新发展趋势，具有广泛的应用前景和巨大的市场潜力。
支持向量机的人脸识别算法
人脸识别应包含学习和识别两个阶段，其流程如图1所示。训练阶段建立支持向量机分类模型，主要步骤为对人脸图像预处理，获得人脸区域再利用肤色和几何特征，获得人脸特征向量训练集。由人脸特征向量训练集建立个体用户的支持向量机分类模型。识别阶段主要步骤为首先由待识别者所声称的身份，确定所要使用的支持向量机分类模型，同时对待识别者的人脸图像进行预处理，获得人脸区域，再利用肤色和几何特征提取人脸特征向量，将该向量输入到所确定的支持向量机模型进行分类，以确定待识别者声称的身份真实与否。
