受公共安全、金融安全、人机交互等领域大量潜在的需求所驱动,计算机人脸识别技术已经成为计算机视觉领域的研究热点。特别是近十年来,各种各样的人脸识别算法相继被提出并取得了成功的应用。然而,自动人脸识别仍然是计算机视觉领域的一个难点所在。其主要原因在于,人脸图像在获取过程中会受到诸如姿态、表情、光照、拍摄时间等因素的影响。因此,一个实际的人脸识别算法应该对这些干扰具有较强的鲁棒性。Gabor小波核与哺乳动物视觉皮层细胞的感受野类似,具有优良的空间局部性、空间频率及方向选择性等,因而可以捕获图像在不同频率、不同方向下的边缘及局部显著特征。因此,研究者将其广泛用于人脸识别,以提取出鲁棒的人脸特征。然而,过高维数的Gabor特征需要大的存储空间且使得识别过程非常耗时。为了降低Gabor特征的维数,传统的基于Gabor小波变换的人脸识别方法是将人脸图像与多尺度、多方向的Gabor小波函数卷积之后,对Gabor幅值特征进行下采样或特征选择,然后将它们级联起来形成人脸的特征表示。然而,下采样会丢失许多有用的判别信息且得到的特征维数仍然很高。另外,从如此高维的特征中选择出最有用的鉴别信息有着极大的时间开销。同时,这两种技术理论上需要匹配图像对应像素点之间的对准,而这通常很难做到,因此会造成误配准问题。针对Gabor特征的维数过高问题及识别过程中的误配准问题,本文从多个方面探索了人脸的Gabor纹理特征,并将二维流形子空间分析应用于Gabor幅值图像。归纳起来,本文主要创新性成果包括:①提出了基于Gabor幅值的统计纹理特征的零空间线性判别分析(NLDA)算法。在纹理检索及纹理分割领域,Gabor幅值的统计纹理特征(如均值、标准差等)取得了广泛而成功的应用。它既能充分利用原始的Gabor幅值信息,又能极大地降低特征的维数。因此本文首次将其用于人脸识别。为了获取鲁棒的局部纹理特征,本文首先将人脸的Gabor幅值图像划分成许多等大、互不重叠的子图像,然后在其内计算幅值的统计性(均值、标准差)作为局部纹理特征。最后,将它们级联起来作为人脸的特征表示。识别之前,本文采用NLDA对纹理特征向量进一步降维,以增强其鉴别力。实验结果显示,本文所提算法能有效地降低Gabor特征的维数,且识别性能优于下采样之后的Gabor幅值特征的NLDA分析。②从人类视觉的纹理感知特性出发,利用Gabor幅值与相位的分布特性作为纹理特征,提出了两种新的纹理表征方法用于人脸识别:基于Gabor幅值的纹理表征(GMTR)与基于Gabor相位的纹理表征(GPTR)。本文首先采用Kullback-Leibler距离验证了伽玛分布与广义高斯分布分别能较精确地拟合Gabor幅值与相位的分布。于是,GMTR由伽玛分布拟合Gabor幅值的分布来刻画,而GPTR由广义高斯分布拟合Gabor相位的分布来刻画,拟合的参数作为纹理特征。GMTR与GPTR能以紧凑的表征方式极大地降低Gabor特征的维数。另外,为了检验Gabor幅值与相位信息对识别的互补性,本文将GMTR与GPTR在特征级融合,得到融合的纹理特征向量。实验结果显示,GMTR与GPTR的识别性能明显优于下采样的Gabor幅值特征,而且它们的融合能取得较单一纹理特征更好的识别效果。③利用Gabor实部与虚部的分布特性作为纹理特征,提出了两种新的纹理表征方法用于人脸识别:基于Gabor实部的纹理表征(GRTR)与基于Gabor虚部的纹理表征(GITR)。由于人脸图像的Gabor滤波系数,即实部与虚部的分布可以由广义高斯分布较精确地拟合,因此GRTR与GITR采用广义高斯分布分别拟合Gabor实部与虚部的分布,并将拟合得到的参数作为纹理特征。同样,GRTR与GITR能以紧凑的表征方式极大地降低Gabor特征的维数。最后,为了检验Gabor实部与虚部对人脸识别的互补性,本文将GRTR与GITR在决策级融合,提出了一种融合算法。实验结果表明,GRTR与GITR的识别性能同样优于下采样的Gabor幅值特征,而且它们在决策级的融合也取得了更好的识别效果。④提出了子模式的二维局部保持映射算法。二维局部保持映射算法(2DLPP)是基于全局人脸的流形学习算法,当外界环境变化较大时,其识别性能显著下降。针对此问题,本文首次将子模式技术与2DLPP结合,提出了基于子模式的2DLPP算法(Sp-2DLPP)。Sp-2DLPP算法将人脸图像划分成多个等大、互不重叠的子图像,并在其上进行2DLPP分析。在识别阶段,每个子图像的2DLPP特征被用来构建一个独立的分类器,其分类结果由sum规则融合起来。因此,Sp-2DLPP算法既利用了图像的局部信息,又保留了局部区域的空间结构信息。实验结果证实了Sp-2DLPP算法能显著提高2DLPP的鲁棒性。⑤提出了Gabor幅值特征的Sp-2DLPP算法。如前所述,传统的基于Gabor小波变换的人脸识别方法是将下采样之后的Gabor幅值特征级联起来,以形成人脸的特征表示,从而造成了高维的特征空间。而本文提出的Sp-2DLPP算法是直接基于子图像矩阵进行分析的,无需将2D矩阵转换成1D向量,因而可以解决Gabor特征维数过高的问题。于是,本文将Sp-2DLPP算法应用于人脸的Gabor幅值图像,提出了基于Gabor幅值特征的Sp-2DLPP算法。实验结果表明,基于Gabor幅值特征的Sp-2DLPP算法的识别性能明显优于基于图像灰度特征的Sp-2DLPP算法,再次验证了Gabor滤波特征较图像的原始灰度特征具有更强的判别能力。