随着科学技术的不断发展和实际应用需求的增加,人脸识别技术在越来越多的领域得到了广泛应用.例如在信息安全、行政执法监督、智能卡以及门禁系统等领域,均可以看到人脸识别技术的实际应用成果.越来越多的学者致力于人脸识别方向的研究并提出了许多有效的人脸识别方法.然而,由于现实环境的复杂性,人脸识别领域仍面临着许多严峻的挑战.在人脸识别领域中最具挑战性的课题之一就是单样本人脸识别问题,尤其是非理想状态下的单样本问题.人脸识别技术在很多领域(如执法监督,护照信息管理,身份证信息管理等系统)的应用都是单样本问题.与此同时,检测样本通常都会含有大量的非理想信息,例如由不同的光照、表情、年龄、姿态等所引起的变化信息.这些非理想状态信息,在人脸图像信息采集过程中是无法完全避免的.因此,对非理想状态下的单样本人脸识别问题的研究具有很强的现实意义.本文所做的主要工作如下:?针对非理想状态下的单样本人脸识别问题,本文提出了一个基于变化特征表示的单样本识别方法(VFRC,Variational Feature Representation-based Classification).VFRC利用通用学习方法以及协同表示模型提取检测样本相对于训练样本集的变化特征.利用这一变化特征信息与待检测样本信息,获得检测样本的标准特征.由于变化特征是基于训练集样本信息获得的,因此降低了标准特征含有身份信息识别干扰因素的可能性.在识别模型中利用非理想状态的检测样本和其标准特征的凸组合作为待检测目标进行识别.标准特征的使用在很大程度上加强了识别结果的有效性和鲁棒性.?为了验证VFRC的有效性,本文在三个常用的标准数据库(AR、Extended Yale B和CMU-PIE数据库)以及最具挑战的LFW数据库上,对VFRC和几个有效的可用于单样本问题的人脸识别方法以及几个有效的针对单样本问题提出的人脸识别方法进行了大量的多角度的对比实验.实验结果均表明:对于非理想状态的单样本人脸识别问题,VFRC能够达到很好的识别结果并具有很强的鲁棒性.