人脸识别是基于生物特征的一种识别技术,作为机器视觉领域重要研究方向,它通过提取人物个体所特有的生物特征来实现个体识别。因为人脸识别的非接触的识别,使得其应用更加卫生和快捷,所以在智能安防、场所门禁、计算机视觉等领域应用广泛,是人工智能领域重要研究方向。为此,本文针对这一问题展开了研究。首先针对人脸识别中,人脸姿态丰富性难以在采集的训练样本中得到满足,因而影响人脸识别准确率的问题,本文提出一种用于人脸识别的虚拟姿态生成方法,根据两幅不同姿态人脸图像之间冗余信息,建立两图像垂直子块之间的对应关系,进而由此对应关系对两幅人脸图像做区域性的伸缩,再平均两幅新产生的图像,得到一幅新的人脸图像。将产生的虚拟姿态图像加入训练集,以增加训练图像集人脸姿态的多样性,增强训练集对测试人脸的线性表示能力,提高人脸识别准确率;其次针对对于人脸识别中图像配准的问题,本文使用一种基于稀疏表示的自动匹配方法,求解最优化问题得到测试图像与每一类训练图像的最佳配准位置,从而得到每一类别的配准误差,经过对配准误差的分布特性的分析,本文提出一种类别参数自适应的方法,自适应的为稀疏表示分类器设置稀疏字典的大小,最终提高稀疏表示分类器人脸识别的准确率。基于上面的研究,本文在国际标准测试数据库FETET上进行测试实验。在测试中,选定数据库中每一类别中的部分样本作为训练样本,剩余的另一部分作为测试样本。首先对于现有的训练样本用本文的虚拟人脸生成方法生成虚拟的人脸图像,加入到原训练样本中,然后训练人脸识别分类器进行测试识别,将其与未加虚拟样本的情况对比,有更高的识别率;其次在数据库中选择相同的训练样本和测试样本,对比本文参数自适应稀疏表示方法和原方法的人脸识别率,测试结果表明,本文方法有更高的识别率,由此验证本文方法的有效性。