人脸识别是生物特征识别的一个重要分支,它在身份鉴定,信用卡验证,人机交互等领域有着广阔的应用前景。人脸识别的任务是通过计算机分析人脸图像,从中抽取出有效识别信息,并将此识别信息用于辨认身份。但由于人脸图像可能会受到光照、遮挡、面部表情以及姿态等多种因素的影响,使得对其进行正确识别存在一定的难度,因此,如何消除这些不利因素的影响成为人脸识别问题的关键。特征抽取是决定人脸识别效果的关键。目前用于人脸识别的特征抽取方法可大致分为两类:线性特征抽取方法和非线性特征抽取方法。常用的线性特征抽取方法有:PCA(Principal Component Analysis), FLD (Fisher Linear Analyze), 2DPCA, 2DFLD。常用的非线性特征抽取方法有核PCA,核Fisher方法。这些方法被广泛用于人脸识别中,但是当人脸图像处于复杂环境下时,这些方法往往无法抽取出对复杂环境具有较强识别能力的特征,从而导致识别准确率较低。Interest算子是近期被用于解决人脸识别问题的一种较有效的方法,就其本质而言,采用Interest算子对图像进行过滤的过程也就是分不同方向抽取图像的像素变化信息的过程。基于Interest算子的人脸识别方法同时是一种基于像素变化信息的人脸识别方法。基于Interest算子人脸识别方法的高效性证明了基于像素变化信息人脸识别方法的可行性。梯度信息反映了图像像素信息变化幅度的大小。一般认为梯度信息对图像边缘敏感,对光照等变化不敏感。基于梯度信息的人脸识别方法能够有效地抽取出图像的纹理特征同时缓解光照等变化对人脸识别的影响,对复杂环境具有一定的鲁棒性。本文首先将常用的线性特征抽取方法,非线性特征抽取方法,以及原始Interest算子运用于人脸识别中。在此基础上,提出Interest算子的三种改进思想。此外,我们提出了三种新的基于梯度信息的人脸识别算法。实验表明,本文所提方法对复杂环境具有较好的鲁棒性,能得到较高的识别结果。同时,同以往方法相比较,该方法易于理解和掌握,且计算复杂度低,对人脸识别具有重要意义。