在人脸识别中, 人脸图像往往受到表情、光照、遮挡、姿态变化的影响, 对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像, 再分别对训练样本与误差图像提取特征构造特征字典, 计算测试样本图像特征字典下的协同表示系数, 最后通过重构误差进行分类。通过AR和ORL人脸库进行实验, 结果表明, 本文提出的人脸识别算法的识别率、识别速率得到有效提高。

根据肤色信息在YCbCr空间分布特点,提出在基于肤色信息的马氏距离图的特征脸空间中用RBPNN神经网络进行人脸识别。该方法利用肤色信息构造图像的马氏距离图,利用K-L变换构造特征脸空间。在特征脸空间中提取图像的统计特征,以这些统计特征作为输入,构造径向基概率神经网络,利用它的非线性计算和映射能力,进行人脸识别与分类。实验证明,这种方法能够有效地完成人脸识别。

研究了复杂背景下人脸的鲁棒识别，比较了两种常用的人脸识别算法特征脸和弹性匹配方法的性能，在弹性匹配算法的基础上提出了利用关键点信息的改进算法，并在一个真实人脸库上进行了测试。

在已有的人脸识别方法中,识别时间一般随数据库规模而线性增长,因而难以控制,影响算法对大型人脸数据库的实用性.为此,提出了一种新的人脸识别策略:首先通过训练确定一组有代表性人脸作为参考脸,并在此基础上建立基于相似度的排序结构;这样在识别时只需计算待识别人脸与参考脸的相似度,即可结合排序结构确定一组最相似人脸,再逐个比较确定最终识别结果.由于大量计算已离线完成,识别速度大大提高.通过选择参考脸和最相似人脸的数目,可大致控制不同规模数据库的识别时间.实验表明,该识别策略下识别性能略有下降,但识别速度大大提高.

人脸识别是模式识别领域中一个相当困难而又有理论意义和实际价值的研究课题.传统的基于K-L变换的自动人脸识别方法,不用过多地考虑人脸的局部特征,利用特征脸方法进行识别,取得了一定的进展.但是,人脸作为一个特殊的场景,脸像会受年龄、心情、拍摄角度、光照条件、发饰等因素影响,所成图像存在差异.传统的基于K-L变换的自动人脸识别方法不能很好地克服这些畸变的影响.文中将主成分分析方法引入人脸识别,模拟人脸脸像的各种变化,事先对脸像做相应的变化,产生一系列变形脸.然后对变形脸进行主成分分析,提取它们的主成??最后应用遗传算法选择最优特征向量构造子空间,提出一种能抗御一定脸像变化的人脸识别方法,并运用该方法进行了实验.实验结果证明了该方法的可行性和良好的抗畸变能力.