人脸识别方法是模式识别领域中的研究热点与难点,在人脸识别过程中如何有效地提取人脸图像的特征是工作的重点。传统的机器学习技术在处理原始形态的自然数据方面有很大的局限性,构建机器学习系统需要人工设计特征提取器,而深度学习的方法由机器自动学习特征,具有非常优良的泛化能力和鲁棒性。栈式自动编码器是深度学习算法之一,由简单的非线性模块构建而成,拥有更强大的图像特征提取和分类识别的功能。但是栈式自动编码器直接提取人脸图像的特征时忽略了其局部微模式,本文针对这个问题,提出了一种基于局部二值模式和栈式自动编码器的人脸识别方法,并且对局部二值模式进行了权值改进,具体工作如下:(1)局部二值模式(LBP)是一种有效的纹理描述算子,具有旋转不变性和灰度不变性等优点。本文提出了基于权值改进的LBP的人脸识别方法,通过两种方法来对人脸图像的子窗口进行权值改进,一种是基于先验知识的方法,一种是自适应权值改进的方法。自适应权值改进的方法通过计算图像子窗口的熵值来实现加权。实验证明,通过权值改进的LBP算子能够突出眼睛、眉毛等区域对人脸识别过程的贡献,两种权值改进的方法都能获得较高识别率,但基于自适应权值改进的方法优势更明显。(2)针对栈式自动编码器直接提取人脸图像的特征时忽略了其局部微模式的问题,提出了一种基于自适应LBP和栈式自动编码器的人脸识别算法。自适应LBP算法对人脸样本图像的光照和姿态的变化都有很强的鲁棒性而且能增强人脸样本图像的细节特征。本文算法首先将LBP算法进行自适应权值改进,再将自适应LBP算法与栈式自动编码器相结合进行特征提取。实验表明,本文算法能增强栈式自动编码器网络结构忽略的图像细节特征,对光照的变化有很强鲁棒性,获得了很高的识别率。