人脸识别是一项极具发展潜力的生物特征识别技术,在银行、公安系统、社会福利保障等领域有着广泛的应用前景。经过几十年的研究,人脸识别取得了长足的发展与进步,目前在控制和配合条件下人脸识别可以取得比较高的准确率,但是在非控制和非配合条件下,人脸识别仍然是一个极具挑战性的课题。人脸特征容易受到光照、表情等因素的影响,从而导致识别率急剧下降,因此研究出鲁棒性高且能够提取更好表征能力特征的特征提取算法具有十分重要的现实意义。本文主要研究了适用于光照环境下的特征提取算法并在人脸识别原型系统中得以实现,主要工作如下所示:(1)分析并总结了人脸识别在生物特征识别中的优势、应用领域以及所面临的问题,阐述了特征提取算法在国内外的研究和应用现状。同时概述了人脸的主要特征,介绍了特征提取和特征选择方法,并且介绍了光照影响下人脸的处理方法。(2)现有的大多数特征提取算法在提取人脸特征时,容易受到光照等外界因素的影响,从而导致人脸识别率下降。而方向梯度直方图(Histogram of Oriented Gradient,HOG)对光照具有较强的鲁棒性,它能够很好的减小光照对特征提取造成的影响,但传统HOG在计算梯度幅值和方向时只计算水平和垂直方向上四个像素点对中间像素的影响,当外界环境变化时不能保证其稳定性,因此提出一种基于Haar特性的改进HOG的特征提取算法。该算法在计算梯度幅值和方向时考虑水平、垂直以及对角线上8个像素点对中间像素的影响,由于增加计算量导致特征提取时间随之增加,因此引入Haar,借助Haar型特征运算简单、快捷的特点设计4组Haar型特征编码模型,按照改进的HOG特征计算方式提取人脸特征。仿真结果表明该算法对光照具有更好的鲁棒性,能够在复杂环境下提高人脸识别率。(3)针对特征提取过后特征维数过大以及存在较多冗余特征的问题,借助受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)能够提取出低维高度可分特征的优点来进行特征选择,但是在RBM训练过程中,如果选择的学习参数不适合数据集或RBM结构,将无法正确建立数据分布模型。因此提出一种基于粗糙集的RBM特征选择算法。该算法首先利用粗糙集理论分析样本数据之间的决策关系,从数据样本中获取最简决策规则和各个属性的隶属度;再根据得到的决策规则以及隶属度确定了RBM的初始参数;并根据确定的初始权值和每次更新得到的权值共同确定下一次权值,同时根据迭代误差动态控制权值的更新步长,从而改进权值更新准则来优化RBM算法。仿真结果表明该算法减少了网络训练的迭代次数,同时减少了RBM学习的重构误差,从而提取出低维高度可分的特征。(4)最后,设计并实现了一个人脸识别原型系统。该系统基于上述研究成果,设计并实现了人脸检测、特征提取以及人脸识别等功能,并验证了基于Haar特性的改进HOG的特征提取算法和基于粗糙集的RBM特征选择算法的有效性和实用性,同时为了提取出表征能力更好的特征来提高人脸识别率,本系统将多个RBM叠加成一个深度信念网(Deep Belief Network,DBN)来对特征进行选择。最后进行了系统测试,并对测试结果进行了相应的分析。