人脸姿态识别是计算机视觉领域和人脸识别领域的一个重要研究方向,是人脸识别系统中至关重要的一步,具有广泛的应用价值和良好的市场前景。当前,国内外对于人脸姿态识别的研究都投入了可观的人力、物力和财力。相关的研究方法根据实现原理的不同,可分为基于模板的方法、基于检测的方法、基于人脸几何特征的方法、基于特征回归的方法、基于子空间学习的方法、基于局部约束模型的方法等等;根据数据源类型的不同,可分为基于彩色图像的方法、基于深度图像的方法和基于3D图像的方法等。尽管人脸姿态识别研究已经取得了重大的突破,但是由于图像采集、人脸检测、姿态识别等过程中软硬件条件的制约,目前存在的人脸姿态识别方法在实际应用中仍存在一定的局限性:仅能识别小范围的单个方向上的离散的人脸姿态变化,针对光照变化、局部遮挡和表情变化等影响因素的鲁棒性不高,对于复杂的多个方向同时变化的人脸姿态仍无能为力。本文提出了基于PHOW的人脸姿态识别算法以解决提取可以更准确描述人脸姿态变化特征的难题。其中,SIFT尺度不变特征转换算法,作为一种局部特征描述子,具有旋转、缩放和仿射不变性,且对光照变化、观察视角的变化、局部遮挡和噪声等敏感度不高。Bag of Words模型最早被应用于文本分类,之后被引入了2维图像处理中。BOW模型有助于图像语义的理解,更屏蔽了复杂背景变化对于识别结果的影响。但由于其模糊了图像的结构和位置信息,所以我们将金字塔尺度空间融合其中,对丢失的部分结构和位置信息进行补偿,以提高人脸姿态识别的效果。文中的相关实验结果表明,本文提出的用于人脸姿态识别的算法具备良好的识别能力。本文的主要贡献和创新之处在于:采取人脸图像的SIFT局部特征描述子来描述人脸姿态的变化,结合Bag of Words模型、金字塔尺度空间和支持向量机分类器完成了对人脸姿态的识别。实验结果表明,对于水平方向人脸姿态的旋转角度较大时,鲁棒性较高,识别率比较理想。