随着科学技术的进步,人类正在快速进入信息化时代。以视频为代表的多媒体信息丰富了人们的生活,为人们的生活提供了安全保障;然而另一方面,如何管理和使用这些海量的视频数据给人们提出了挑战。由于当前视频主要以人物为主,随着国内外关于人脸识别技术的发展,以人脸作为摘要信息来实现视频检索功能将能大大方便人们管理和使用海量的视频数据。尽管当前人脸识别方法很多,但是视频数据中的数据量大,对计算速度要求很高,能满足视频检索的人脸识别方法很少。基于局部二值模式(LBP)的人脸识别方法计算简单高效,能满足视频检索对人脸识别的要求。但是在光照和背景的剧烈变化下,传统的基于LBP的人脸识别方法的人脸识别率急剧下降。为了提高在光照和背景剧烈变化条件下的人脸识别率,本文对传统的基于LBP的人脸识别方法进行了研究和改进。仿真结果表明,改进后的人脸识别方法提高了在光照和背景剧烈变化条件下的人脸识别率。本文主要工作和创新点如下:1.本文提出了一种采用自适应阈值的多阈值LBP人脸识别算法。该算法解决了原始LBP人脸识别算法只考虑了人脸细节部分的变化而忽略了人脸轮廓信息的缺点。此外,传统基于多阈值LPB的人脸识别方法在提取人脸识别梯度及轮廓信息时的固定阈值设置,导致人脸识别率在剧烈变化的光照和背景条件下急剧下降。而本文算法中的阈值是通过计算人脸图像3*3邻域周围像素与中心像素的平均绝对差自适应得到,解决了这一不足。2.本文提出了一种基于局部熵的分块加权人脸识别算法。该算法考虑到人脸各器官对人脸识别的贡献大小不一,从信息论中信息量的角度考虑,计算每一块人脸图像的局部熵并归一化处理后作为人脸各个分块的权值进行人脸识别。同时,以人脸图像分块的局部熵作为各个分块的权值降低了光照剧烈变化造成的损坏人脸块对人脸识别结果的影响。仿真结果表明该算法显著提高了人脸识别率。3.本文对该算法进行了仿真对比。在不同人脸库上的实验验证了本文算法提高了光照和背景剧烈变化条件下的人脸识别率。