随着现代计算机视觉技术的不断发展和硬件计算能力的不断提高,人脸识别相比于指纹识别等其他生物特征识别技术,由于其非侵扰、高效率、友好性等诸多优势,已广泛应用于电子商务、罪犯识别、电子支付、门禁考勤等多个场景,近年来得到大量研究人员的关注。由于基于局部模式的人脸识别方法主要对图像的局部纹理进行分析并提取局部特征,因此对于表情、光照等局部变化表现出一定的鲁棒性。但是,目前局部模式方法单一的特征表达很难抵抗不同环境,导致对不同使用场景的鲁棒性较差。另外,由于局部模式过于关注单张图像局部信息,仅利用局部模式学习到的特征有限,如果不融合其他特征,很难实现对人脸特征的充分表达。基于这些考虑,本文综合局部采样、模式编码优化及利用多尺度特征补充等多方面改进,以增强算法的识别效果。主要工作如下:(1)针对局部方向数(LDN)类方法的人脸识别通常仅利用梯度信息且存在信息提取不充分的问题,提出双偏差双空间局部方向模式(DVDSLDP)。该方法首先通过像素采样扩大关联邻域信息,再利用边缘响应算子和局部前后向差分,分别获得相对偏差和绝对偏差以构成双偏差信息,充分挖掘局部梯度空间信息;然后与所提取像素的灰度空间特征级联融合,以获得双空间特征,再进行模式编码得到特征图;最后依据信息熵加权级联各子块直方图获得人脸特征向量,使用最近邻分类器完成分类。针对ORL、Yale、AR人脸库和相关典型方法的对比结果表明:利用双空间特征的融合,获得了轮廓更清晰、纹理更丰富的编码特征图,在ORL和Yale库上分别达到了99.5%、94.44%的识别率,尤其是在训练样本较少时性能提升明显;同时,特别需要提及的是,该方法针对AR库的表情、光照、遮挡A和遮挡B子集分别达到了99.67%、100%、99.33%和97.33%的识别率,明显高于其它方法,表现出良好的鲁棒性。(2)针对局部二值模式(LBP)及局部图结构(LGS)方法因非均衡的提取方式导致特征表达能力不强,以及单纯提取局部特征不能全面描述人脸信息的局限性,提出基于均衡局部模式DOG多尺度融合的人脸识别算法。首先针对LBP、LGS的不足,在利用双圆交叉采样和以局部宏观信息为参考的自适应阈值、中心对称的采样图结构实现均衡优化的基础上,提出可变参的延展交叉型局部二值模式(ECLBP)和四星型局部图结构(FLGS)方法,合称为均衡局部模式,增强了对关键特征信息的提取。然后将经高斯核及图像差分生成的DOG金字塔与均衡局部模式方法融合,补充的多尺度特征图在丰富样本信息的同时实现了大尺度全局轮廓和小尺度局部细节的融合,可进一步捕捉类间及类内差异特征。最后加权级联所有特征图各子块的统计直方图,得到更加全面准确的特征向量,采用最近邻分类器实现匹配识别。特征图、直方图的主客观对比,从理论上验证了均衡局部模式获得信息更丰富、判别性更强的局部特征。针对ORL、AR、LFW人脸库和相关典型方法的对比结果发现:在时间消耗相当时,均衡局部模式的识别率提升最高达15.52%;进一步融合DOG金字塔后,识别率再次提升最高达9.24%。实验结果表明:均衡局部模式特征明显拥有更强的表征能力及鲁棒性,补充的多尺度信息进一步增强了特征性能,尤其在少样本环境,当样本信息有限时,算法的整体优势更加明显。综上所述,针对局部模式的人脸识别研究表明,多空间特征融合可以有效增强对关键局部特征的利用,提高识别算法的鲁棒性。此外,局部采样和模式编码的均衡优化可以帮助算法捕捉更多有效的局部信息,补充的多尺度特征可以进一步弥补单纯利用局部模式提取特征在描述人脸信息时过于片面的局限性,进而有效增强算法的整体识别性能。