的基本结构。多层感知机由几层全互连的非线性神经组成。神经元之间有权值连接，权值包含了训练模式空间的特征。训练过程就是调整权值的过程，最常用的算法就是BP法则。
多层感知机的输入形式有很多种，最简单的就是将整个人脸图像作为输入层，也可以对人脸图像进行采样，然后用低分辨率图像作为输入层。
由此可以看出，人工神经网络有着与Eige
face方法非常相似的表达方法。
一般来说，BP算法的收敛速度非常缓慢，学习过程可能需要对整个训练集进行上千次反复迭代运算，这是神经网络实际应用的一个问题。此外，BP算法以误差梯度下降的方式达到极小值，但在实际应用中，容易陷入到局部极小中，无法得到全局最优解，这也是有待解决的一个问题。
124基于小波包的识别方法
基于小波包的面部识别方法首先对一幅人
f脸图像进行小波包分解。因为小波包分解得到的不同频带包含有不同的人脸信息，所以从每一个小波包中可以提取出不同的面部特征。对于小波包分解得到的离散逼近稀疏，Garcai进一步将它分解成三个部分，分别是边界区、上半部分和下半部分，然后就可以分别计算这三个区域的均值和方差，加上另外15个离散细节区域的方差，组成一个包含有21个分量的特征向量。小波包分解是一种多分辨率分析方法，能够提供良好的面部纹理描述，所以有利于提取面部特征。
125支持向量机的识别方法
支持向量机SupportVectorMachi
e，SVM起源于统计学习理论，它研究如何构造学习机，实现模式分类问题。其基本思想是通过非线性变换将输入空间变换到一个高维空间，在高维空间求取最优线性分类面，以解决那些线性不可分的分类问题。而这种非线性变换是通过定义适当的内积函数即核函数来实现的。SVM技术中核函数及其参数的选取难度较大。由于它基于结构风险最小化原理，而不是传统统计学的经验风险最小化，因而表现出很多优于已有方法的性能。
f由于SVM的训练需要大量的存储空间，非线性SVM分类器需要较多的支持向量，所以速度很慢。
2人脸特征提取与识别
PCA方法将包含人脸的图像区域看作随机向量，因此可采用KL变换得到正交KL基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置。PCA方法认为图像的全局结构信息对于识别最重要，将图像看作一个矩阵，计算矩阵r