作为模式识别的一个分支,人脸识别已经成为一个研究热点。在科学理论和技术发展的大环境下,人脸识别技术逐渐趋于成熟,但是,它的完全实用化还面临着诸多挑战,比如表情变化、人种、性别、年龄、采集设备以及光照和姿态变化等。因此,一个优秀的人脸识别方法,应该考虑利用哪些特征来表示图像,以及如何基于这种表示对一幅新的人脸图像进行分类。从整个人脸识别系统的组成来看,特征提取是人脸识别的关键问题,它直接影响到后续的分类决策过程,即直接决定了识别精度,因此,注重鲁棒性同时兼顾效率的特征提取方法一直是完善人脸识别技术的重要研究方向。本文主要针对特征提取技术进行研究,研究的重点是局部二值模式(Local Binary Pattern,LBP),它能够有效地度量图像局部的纹理特征,作为描述灰度变化某种规律的描述算子,其在人脸识别领域受到了越来越多的关注并取得了巨大的成功。但是,LBP特征刻画的纹理过于精细易对噪声敏感且该纹理描述符维数较高降低了人脸识别效率。本文针对LBP算法在人脸图像描述中的以上几个不足,进行了下面的研究:(1)提出了中心对称局部差分模式(Center-symmetric Local Difference Pattern,CSLDP)特征提取方法,引用了中心对称特性和灰度差分的原理。它只选择了表征四个中心对称方向变化的16种模式,不同于LBP对局部特征精细的提取方式,着重刻画了人脸边缘和面部器官的轮廓信息,同时大幅度减少了特征向量维数;(2)提出了一种Gabor+CSLDP人脸识别方法,首先将Gabor小波核函数分别与人脸图像库中的每一幅人脸图像进行卷积运算,然后应用CSLDP对卷积结果进行分析,最后用Gabor+CSLDP模式值的直方图表征原始图像。最后在几个常用人脸库中的实验结果表明,本文给出的CSLDP和Gabor+CSLDP对于非约束环境下的人脸识别表现出了良好的识别性能,特别是CSLDP在保持较高识别率的同时处理速度也很高,便于实时应用。但是本文所提出的方法还存在一些不足:首先,在中心对称的基础上提出的CSLDP方法,仍然存在以单纯的中心像素作为阈值的问题,另外CSLDP将方向的变化用绝对的是否存在来判断,这是不准确的,因为方向变化是一个过程,可以考虑数学中的概率论建立其相关的隶属度函数模型。其次,Gabor特征属于高维特征,虽然与CSLDP的结合降低了其维数,但是减少量有限,在未来的工作中,可以引入其它方法,如PCA、流形学习等方法。最后,本文只是在特征提取这一点上作了初步的探索,而分类器的设计也是人脸识别系统的重要组成部分,未来分类器的优化也是一个探索的方向。