人脸图像的识别实质就是对人脸图像的特征进行处理,而未处理的原始的面部图像特征通常具有很多缺陷,例如特征所含冗余信息较多、特征维数较高、特征对于各种干扰因素的辨别能力差等。如何提取到特征维数较低且能包含人脸本质的关键性特征是人脸识别过程中最重要的一个环节。图像的特征的关键度与完整度也直接影响到了图像识别效果的好坏。本文从图像特征提取及图像的分类识别的角度出发,在对HOG特征、Gabor特征等几种图像特征的提取方法、原理及应用领域进行深入研究和对人工神经网络的分类原理及优化方式进行深入全面分析的基础上,针对现有几种图像特征提取算法和BP神经网络分类算法在识别过程中发现的缺点和问题,对算法进行有效的改进或优化。本文在图像识别方面的主要研究内容和成果如下:针对人脸图像中不同部位所含的信息熵不同、对识别的影响程度不同等因素,提出了一种信息熵加权的HOG特征提取算法。在HOG特征的基础上,首先将面部图像划分成一个个小的子块,目的是让图像中的面部重要部位和非重要部位区别出来。对分块后的图像进行HOG特征提取,然后计算每块图像所含的信息熵作为权重系数加到各个分块中形成新的HOG特征,最后对加权后的HOG特征进行PCA降维处理,去除冗余信息。算法充分考虑到人脸不同部位对于识别效果的影响,着重加强人脸所含信息熵较强的部位对于分类识别的作用。在人脸图像的识别过程中,有时仅仅提取人脸图像的某一种方面的单一特征并不能取得较好的识别效果。针对此问题,提出了分块Gabor特征结合HOG特征的提取算法。在深入学习研究Gabor特征提取和HOG特征提取方法的基础上,首先将待识别的人脸图像通过Gabor特征提取方法得到不同尺度和方向的图像Gabor特征,然后对Gabor特征按照尺度和方向两个方面进行融合,之后再对融合后的Gabor特征进行分块,最后对分块后的图像特征再进行HOG特征提取和PCA降维,得到新的H-G特征。通过引入特征融合的思想,对特征进行多层次、多角度的融合,一方面充分保留了人脸图像的完整性,降低了模糊部位对于识别效果的干扰,另一方面增加了特征在识别过程中的抗干扰能力。针对传统BP神经网络算法在人脸图像分类识别中发现的不足和权限,本文提出了附加动量结合梯度下降的BP神经网络优化算法。优化的算法从BP神经网络权值的大小和方向两种角度出发,首先通过附加动量的方式在每一项权值附加动量项来调整权值大小,然后通过弹性梯度下降算法调整权值的方向。两种优化方式的结合一方面是为了避免单一的附加动量优化导致的神经网络训练时间过长的问题,另一方面也避免了单一梯度下降优化算法容易使神经网络陷入局部最优解的问题。增强了算法的识别效率。