1、人臉識別是圖像處理、模式識別、機器學習等領域的經(jīng)典問題。盡管目前已取得豐碩的研究成果，但當前的人臉識別技術都具有如下限定：（1）可控的圖像采樣環(huán)境；（2）被識別對象的主動配合。這些限定成為人臉識別技術發(fā)展和推廣的最大障礙。然而，隨著智能視頻分析、人臉匹配、人臉圖像搜索等應用需求的增長，人們對非限定條件下的人臉識別技術的需求日益增長。
　　但是，非可控條件下的姿態(tài)、光照、表情和遮擋等復雜干擾因素可能導致人臉圖像的類內(nèi)變化遠大于類間變

2、化，這使人臉識別精度急劇下降而不能滿足實際應用需求。本文以減少非可控條件下復雜干擾的影響為目標，圍繞人臉識別系統(tǒng)中的人臉圖像預處理、特征提取、相似性度量和判別分類等關鍵步驟展開研究，根據(jù)人臉識別任務的特點，針對每個關鍵步驟，提出減少復雜干擾影響的解決方法。
　　本文的主要貢獻如下：
　?。?）提出了基于人臉圖像預評估的自適應人臉驗證方法。該方法首先按照預定義區(qū)域將人臉對分割成多個圖像對。然后通過評估人臉對在關鍵點的圖像梯度差

3、異，自適應地選擇人臉區(qū)域上的圖像對。最后聯(lián)合選出的圖像對驗證人臉對是否匹配。為了選擇圖像對，提出了三種圖像對的可靠性評估方法：基于異常差異檢測的方法、基于支持向量回歸機的方法、基于堆棧自編碼深度網(wǎng)絡的方法。它們分別適用于對驗證速度和驗證精度要求不同的情形。實驗表明，該人臉驗證方法可以根據(jù)輸入人臉對的遮擋、表情等視覺干擾條件差異，自適應地選擇受干擾影響較小的人臉區(qū)域驗證該人臉對。與僅使用全臉的方法和直接聯(lián)合多人臉部件的方法相比，它可以有效

4、減少局部干擾的影響。
　?。?）提出了基于特征池化學習的高層人臉特征提取方法。首先提出一種新穎的特征池化學習算法。針對當前特征池化方法無法描述人臉結構信息且無法有效抑制局部噪音特征碼，引入池化權重向量和線性變換矩陣兩個模型參數(shù)，基于Sum-Pooling定義新穎的池化操作。并設計一個交替迭代優(yōu)化算法學習該池化操作的模型參數(shù)，通過學習池化操作實現(xiàn)學習人臉高層特征。然后，將提出的特征池化學習算法應用于采用稀疏編碼方法提取的局部特征，在

5、不同大小的人臉圖像塊上學習人臉高層特征。最后聯(lián)合所有圖像塊的高層特征形成人臉高層特征表達。實驗表明，該方法可以提取不同層次的人臉結構高層特征，同時也可以有效地抑制局部噪音特征碼。而且，提取的特征向量是低維的。
　?。?）提出了基于視覺條件差異自適應調(diào)整的距離度量學習算法。首先利用人臉對齊檢測的關鍵點位置關系和關鍵點上的局部特征，計算一對人臉關于姿態(tài)、表情、遮擋、光照的視覺條件差異。將這種與身份信息無關的視覺條件差異引入到特征空間的

6、距離度量中，聯(lián)合馬氏距離定義新穎的距離度量。然后設計度量學習算法學習定義的新距離，并采用增廣拉格朗日方法求解相應優(yōu)化問題。優(yōu)化過程同時學習特征空間中的馬氏距離、視覺差異條件對馬氏距離的影響及相應的調(diào)整規(guī)則。實驗表明，在測試階段，對于一對人臉圖像，學習的距離度量能夠根據(jù)它們的視覺條件差異，自適應地調(diào)整它們的特征向量計算的距離，從而有效地減小復雜干擾導致的類內(nèi)變化。
　?。?）提出了基于優(yōu)化訓練和組織多分類器的人臉驗證方法。首先提出一

7、種視覺一致性度量方法。然后分割成對的訓練人臉圖像，并利用視覺一致性度量方法優(yōu)化組織分割的子圖對，形成在不同人臉區(qū)域上、不同視覺一致性條件下的訓練子集。接著融合多特征在每個子集上訓練支持向量機分類器。每個分類器保存著特定人臉區(qū)域、特定視覺一致性條件下的分類規(guī)則。在測試階段，根據(jù)一對人臉在全臉和人臉部件上的視覺一致性度量結果，自適應地選擇分類器并優(yōu)化組織它們執(zhí)行判別。實驗表明，該方法能夠根據(jù)一對人臉在全臉和部件上的視覺干擾條件差異，自適應地