人脸识别技术凭借直观、非接触等特点,成为了生物特征识别领域的焦点,因此也积累了大量的成熟理论和算法。当前,在非理想条件下的人脸识别仍然存在一些不足,因此对非理想的条件下的人脸识别还待进一步研究。Gabor变换由于和哺乳动物的视网膜神经细胞接受场模型极度相似,因此被广泛地应用于特征提取。但传统的Gabor变换存在一些不足,如含有直流分量,带宽受限制,特征维数高,计算耗时等问题。Log-Gabor变换具有Gabor变换的一般性质,同时具有不含直流分量、带宽不受限制,计算速度快等优点。在光照变化、遮挡问题下的人脸识别基于稀疏表示分类的人脸识别算法(SRC)比传统子空间的人脸识别算法具有更好的识别率。基于协同表示分类的人脸识别算法(CRC)具有和SRC相当的识别率,同时计算速度更快。对于SRC和CRC算法大都采用诸如特征脸、随机脸、Fisher脸等整体特征,这些整体特征对光照、表情、姿态和遮挡等影响的人脸识别不是非常有效。因此,本文将在Gabor变换和协同表示算法的基础上对这些非理想条件下的的人脸识别进行研究,本文主要的研究成果如下:⑴提出了基于分块Gabor特征与协同表示的人脸识别算法(BG-CRC)。为了克服Gabor-CRC算法对光照变化、表情变化和遮挡下的人脸识别识别率不高的问题,首先对人脸图像进行分块提取Gabor特征,利用CRC_RLS算法对各个子块进行识别,最后通过投票得到图像的类别,实验仿真证明,BG-CRC算法在光照变化、表情变化和遮挡情况下的人脸识别比Gabor-CRC具有较高的鲁棒性。⑵提出了以子块识别率为子块权值的计算方法。为了充分利用分块后的局部特征,对各子块的贡献率进行研究,通过实验证明,以子块识别率为子块权值进行加权投票是一种有效的投票方式。⑶将Log-Gabor特征与CRC算法结合,提出了Log-Gabor+CRC算法,并对人脸图像先分块再特征提取和先进行特征提取再分块,哪种方式更有效进行了研究,提出了先进行特征提取再进行分块的Log-Gabor分块+CRC算法和Log-Gabor分块+WCRC算法、以及先分块再进行特征提取的分块Log-Gabor+CRC算法,实验仿真证明,采用先特征提取再进行分块的算法具有更好的识别率和鲁棒性。⑷最后在自建人脸库上,对提出的算法进行验证,达到了预期的效果,具有一定的实用价值。