人脸识别技术是一种运用人的脸部特征信息进行身份鉴别的生物识别技术,具有非接触、可靠、直观等特点,被广泛应用于人脸识别签到系统、刑事侦探、计算机登录、海关边检等领域。人脸识别主要包括图像采集、图像预处理、特征提取、特征匹配等过程。其中,特征提取是人脸识别的关键步骤,本文对人脸特征提取进行重点研究。局部二值模式(LBP)和梯度方向直方图(HOG)能够很好地描述人脸的局部细节特征。LBP能有效的描述图像的局部纹理特征,并且计算复杂度较低,同时对光照与表情变化有较好的鲁棒性。HOG能显著描述图像的边缘和形状信息。二者在描述人脸特征时具有一定的互补作用。本文对二者的融合算法进行研究并改进,主要工作和创新点如下:(1)研究了LBP特征和HOG特征,设计并实现了基于LBP特征和HOG特征加权融合的人脸识别算法,通过对LBP特征和HOG特征分配合适的权重系数增强融合特征的鲁棒性。实验表明,该算法不仅加快了识别速度,还提升了识别率。图像在分块较少的情况下进行特征提取时,通过改变加权比例可有效提高识别率。在FERET、ORL、GT人脸库下得到的最优识别率分别为97.33%、94.58%、79.43%。(2)研究分析了多级直方图序列特征提取过程,在此基础上提出一种基于多级CS-LBP直方图序列(MHSCSLBP)和HOG的融合特征与Fisherface的结合算法,利用Fisherface去除融合特征的大量冗余信息,同时保留并增强特征的有用信息。该算法相对单一的局部特征具有较好的稳定性,在较低的提取级数下依旧可以得到较高的识别率。同时,由于结合了Fisherface进行维度约简,所以该算法具有特征维度可控的优点。在FERET、ORL、GT人脸库下得到的最优识别率分别为96%、97.92%、87.43%。(3)结合Android NDK开发模式和计算机开源视觉库OpenCV实现了基于Android平台的人脸识别系统,并对系统进行了功能测试和性能测试。在该系统上能够实时的进行人脸检测和人脸验证。