冯小荣，惠康华，柳振东

人脸识别[1-2]一直是模式识别和人工智能领域研究的热点问题。在此背景下，国内外公司竞相进入该领域，如苹果公司推出的手机人脸识别解锁，支付宝的刷脸登录等。解决人脸识别问题的关键环节是特征提取，特征提取的好坏直接影响分类器识别准确率的高低。目前常用图像特征有LBP纹理特征[3]、HOG方向梯度直方图特征[4]和Haar-like特征[5]，这三种特征虽然在人脸识别中获得了不错的效果，但是也存在特征提取过程比较复杂，识别效率较低等不足。与传统的人脸识别算法相比，卷积神经网络可以将原始图像直接作为输入，减少数据的预处理过程，通过自学习的方式完成特征提取，不仅有效降低了人脸特征提取的时间消耗，而且提取的人脸特征具有很高的辨识度。为了克服传统人脸识别算法特征提取带来的长时间消耗、低识别度的问题，本文提出一种基于卷积神经网络特征提取和贝叶斯分类器相结合的人脸识别算法，利用卷积神经网络提取人脸特征，利用主成分分析法（PCA）对提取的特征进行降维，采用贝叶斯分类器进行判别分类，最后在ORL人脸数据集上进行实验分析，验证该方法提取特征辨识度高和低耗时的优点。

1 相关工作

1.1 卷积神经网络

卷积神经网络[6-7]作为一种高效的深度学习识别算法，近些年引起了广泛关注，其在语音识别、语音分析和图像处理等领域都获得了巨大成功。在图像处理领域，卷积神经网络可直接将多维的图像数据输入网络，有效避免了复杂的特征提取和预处理过程。……