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。

提出了一种利用三维人脸模型匹配二维人脸图像的分层人脸识别方法和基于模糊数学的人脸姿态角度估计算法。对多姿态二维图像进行姿态空间划分，利用主成分分析方法(PCA)形成多姿态特征脸。识别过程首先估计测试图像姿态和模糊姿态角，在估计的姿态空间内采用基于PCA 的方法进行第一层识别得到候选个体，然后利用候选个体的三维模型结合模糊姿态角产生虚拟图像，利用相关进行第二层识别。实验结果表明，该方法对姿态的变化有较好的鲁棒性。

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。

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别.首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别.从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较.从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法.

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。

提出的人脸检测方法利用人类肤色在色度空间分布的稳定性,检测出图像中的皮肤区域,然后将其在特征脸空间中投影、重建,通过求重建图像的信噪比进行判断.实验结果证明了方法的有效性.

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.