提出一种基于自适应加权Curvelet梯度方向直方图(AWCHOG)的人脸识别算法。首先,人脸图像通过基于Wrapping的离散Curvelet变换得到多尺度多方向的Curvelet变换系数;然后按照编码方式将同一尺度下不同方向的特征进行编码融合,获得融合后的幅值域图谱,并通过HOG算子结合分块的方法获得Curvelet变换后融合图像的直方图特征,分别根据每个尺度对人脸识别率的贡献进行计算,得出各尺度的权重;最后融合权重系数以及各尺度的HOG特征,利用最近邻分类器进行分类。通过在ORL、AR和CAS-PEAL三个人脸库的实验可以看出,所提算法在人脸图像部分遮挡、姿态、表情、光照变化以及噪声等因素干扰下具有较好的识别效果。

针对传统的归一化指数损失(Softmax损失)函数缺乏区别特征能力,对人脸特征无法进行判别性学习的问题,提出一种聚合判别多任务学习算法。首先,利用多任务级联卷积神经网络方法对目标图像进行人脸检测和对齐,剔除与人脸识别区域无关的图像;然后,利用深层卷积神经网络提取对齐后的人脸图像特征,同时使用聚合判别多任务学习算法将提取的人脸特征向量分解为学习类内特征的向量和判别类间身份的向量,加强对类内特征的约束,提高类间特征可分离性;最终分别采用最近邻分类器和十折交叉验证法进行人脸的识别和验证。实验结果表明:该算法在LFW人脸库中的验证准确率可达99.68%,改善了人脸识别性能,且在光照、姿势、表情和年龄变化测试中具有较好的稳健性,能有效应用于人脸识别的工程实践中。

针对目前基于韦伯特征的人脸识别算法没有充分利用方向信息且提取信息不充分的问题,提出一种多方向韦伯梯度直方图的人脸识别方法。在原始差分激励的基础上增加邻域像素梯度,提取改进的差分激励和韦伯梯度特征;将改进的差分激励与韦伯方向进行量化并分块提取二维直方图,进而转化为一维直方图特征,将韦伯梯度分块后沿韦伯方向累积提取直方图特征;连接两个特征形成组合特征,并利用最近邻分类器分类。通过在不同人脸库的实验可看出,所提算法具有良好的识别效果,且对光照、表情和部分遮挡变化有较好的稳健性。

针对双空间局部方向模式（DSLDP）人脸识别算法只是单一采用作差运算提取特征的问题, 提出一种双运算局部方向模式（DOLDP）的人脸识别方法。首先, 将图像3 pixel×3 pixel邻域像素灰度值与8个Kirsch模板算子卷积, 得到8个方向的边缘响应值; 然后, 将近邻边缘响应值按照逆时针方向分别作差和作和, 得到两组8个方向的边缘响应差值和和值, 将两组边缘响应值取绝对值, 取各自最大值的方向编码成一个二位八进制数, 构成DOLDP码。在YALE、ORL、AR和CAS-PEAL人脸库上的实验结果表明：该方法将和值空间和差值空间人脸特征信息结合, 取得了更好的识别效果; 和值空间人脸特征信息较强度空间起到了平滑作用, 对光照、表情、遮挡等情况表现出更强的稳健性。

针对局部二值模式采样不充分和对随机噪声及非一致性光照敏感的问题,提出一种改进梯度局部二值模式(IGLBP)的人脸描述方法。利用多半径和多方向的采样方式获取两组3 pixel×3 pixel的子邻域,其由2个半径8个方向的16个像素点组成;再将其用梯度局部二值模式提取特征,并将两组特征进行编码融合产生IGLBP值;将得到的IGLBP特征进行分块和统计直方图得到人脸的特征向量,并进行人脸的分类识别。在CAS-PEAL和AR人脸数据库的实验结果表明,该方法能够有效地提取特征信息,对人脸识别中的光照、表情、部分遮挡变化以及噪声等具有较好的稳健性。

针对差值局部方向模式(DLDP)识别效果不理想的问题,提出一种基于正交梯度差局部方向模式(OGDLDP)的人脸识别方法。分别将3 pixel×3 pixel和5 pixel×5 pixel领域的像素灰度值与两组不同的8个Kirsch算子卷积,将两组边缘响应值按照对应编号相互作差并取绝对值,得到8个水平和垂直方向的边缘响应差值;若将3 pixel×3 pixel领域得到的近邻边缘响应值,按逆时针方向前后作差并取绝对值,同样会得到8个水平和垂直方向的边缘响应差值。取两组边缘响应差值的最大值对应的方向下标,组成一个二位八进制数,形成OGDLDP码。在YALE和AR人脸库进行实验的结果表明:所提算法提高了识别率,且对光照、表情和遮挡变化有较好的稳健性。

针对单样本环境下传统人脸识别算法识别效果不佳的问题，提出一种结合改进中心对称局部二值模式和位平面分解的单样本人脸识别算法(ICSDBP)。采用改进中心对称局部二值模式算子提取人脸的特征信息得到两幅不同半径的纹理特征图像，将每幅纹理特征图像分解为4幅位平面图像，最后将8幅特征图像串联融合，使用最近邻分类器进行分类识别。在AR、CAS-PEAL和Extend Yale B人脸数据库上的仿真结果表明，该算法具有较高的识别率和较快的识别速度，对光照和表情等变化具有较好的稳健性。

为了解决2维最小误差阈值分割法对呈偏斜分布与重尾分布的图像分割鲁棒性较差的问题,提出一种基于平均中值离差的2维最小误差阈值分割法.考虑到1维直方图呈偏斜分布和重尾分布的图像中,中值是比均值更为鲁棒的灰度级估计量,因而将2维最小误差阈值分割法中的方差用平均中值离差替代;为提高运算速度,将2维算法分解为2个1维算法.结果表明,相比2维Otsu法、2维最小误差阈值分割法等经典算法,基于平均中值离差的2维最小误差阈值分割法对1维直方图呈偏斜分布与重尾分布的图像有更准确的分割效果、更好的鲁棒性.

为了在2维直方图上用Otsu方法更好地分割红外图像、提高抗噪能力, 提出了一种改进的方法。首先分析在2维灰度-邻域均值直方图上的分割存在不准确性, 采用2维灰度-梯度直方图, 且改进对邻域均值的求取算法;然后对Otsu法的阈值函数进行研究, 引入类内的分离信息改进阈值函数, 并简化该阈值函数以降低运算复杂度, 通过实验给出了相应的实验对比。结果表明, 改进的方法能更好地分割目标, 运行时间较少、抗噪性更强。