人脸识别是模式识别领域中的一个典型应用,更是一个具有挑战性的研究课题。目前已有的人脸识别方法在可控环境已经下取得了满意的识别效果,但研究和实践表明,在不可控条件下(如光照可变、表情变化、姿态以及遮挡等),人脸识别算法的性能还远不能令人满意。当前人脸识别的研究主要聚焦于如何开发一种能够不受人脸表情、光照、姿态以及遮挡影响的人脸表示方法。在人脸识别中,开发有效的人脸特征表示是提高识别效果的关键问题。本文在分析现有先进算法的基础上,重点针对不可控情况下鲁棒的人脸特征表示方法进行研究。本文主要贡献如下：(1)基于拉普拉斯方向的核主成分分析方法传统维数约简方法主要基于像素强度值处理图像,往往不能更可靠地估计给定数据的低维子空间。为了处理此问题,提出一种基于拉普拉斯方向的核主成分分析算法。该算法通过引入一种新的拉普拉斯方向算子对图像进行变换,以实现图像间更鲁棒的相异性度量。此外,针对核降维方法一般没有明确的映射关系,无法直接计算高维数据的低维主子空间基的问题,本文通过引入鲁棒的余弦相关性度量方法,进而推导一种明确的非线性映射关系,最终得到高维观测数据的低维主子空间基。实验显示该算法在表情变化,光照改变及不同遮挡情况下获得了优于时新算法的识别结果。针对每人单个样本,该算法也获得了较好的识别率。(2)基于差值局部方向模式的人脸特征表示方法该方法首先通过8个方向的Kirsch掩模和图像局部邻域进行卷积运算,来为图像局部块上的每个像素计算边缘响应值。然后计算每对近邻方向之间的边缘响应值强度差并形成新的8个差值方向,前k个最突出的边缘响应值强度差所对应的差值方向被编码为1,其它差值方向被编码为0,最终形成一个8位的二进制数来表示对应的差值局部方向模式。此外,针对传统高分辨率的Kirsch掩模单纯考虑方向性,而没有考虑像素位置权重的问题,提出相应的掩模权值设计方法。最后,针对每幅图像分别划分出多个不重叠的局部图像块,通过统计图像块上不同差值局部方向模式的个数生成相应的子直方图,所有子直方图被串联起来表示一幅人脸图像。实验显示该方法在光照、表情、姿态和遮挡方面获得了较好的结果,尤其针对遮挡情况表现更为突出。(3)基于图像分解的人脸特征表示方法提出一种基于图像分解的人脸特征表示方法,该方法首先通过多方向操作,把一幅图像分解成一系列方向子图像；然后,通过欧拉映射操作,把每幅方向子图像分解成实部和虚部图像,针对每幅实部和虚部图像,分别划分出多个不重叠的局部图像块,通过统计图像块上不同数值的个数生成相应的实部和虚部直方图,一幅图像的所有实部和虚部直方图被串联成一个超级特征向量；最后,利用线性判别分析方法对超级特征向量进行维数约简,以获得每幅图像的低维表示。实验显示,该方法在多个人脸数据库上获得了优于时新算法的识别结果,并且表现的更为稳定。