人脸识别技术作为现代人工智能、计算机视觉领域内不可或缺的一个关键技术,在公共安全、视频监控领域都发挥着举足轻重的作用。当下,人脸识别技术日新月异,科研人员对于图像特征的探索也逐步深入,图像的局部特征受到了广泛关注。相对于其全局特征,图像的局部特征在抓取细节以及鲁棒性上有着更好的表现。局部二值模式(LBP),作为出类拔萃的一种局部特征提取方法,有着出色的灰度以及旋转不变性,在人脸识别技术中发挥着不可替代的作用。然而,在一些复杂的场景下,人脸图像因遭受到光照、表情、姿态等自身或者外界诱因的作用,常表现出巨大的类内差异,进而造成识别任务的失败。因此,针对受复杂场景影响严重的人脸识别任务展开相关研究与探索是十分必要的,具体工作如下:首先,在实际中,人脸识别技术是由图像采集、人脸检测、人脸图像预处理以及特征提取与分类这一系列步骤组成的。缺失其中任何一步都会对最终的识别效果产生副作用。所以,针对人脸检测以及图像预处理,本文介绍了基于Haar-like特征的人脸检测算法以及人脸扶正、尺度归一化、去噪、光照预处理等图像预处理操作。这一系列步骤都对接下来的人脸识别任务的顺利进行起着至关重要的作用。其次,针对人脸图像的局部特征,介绍了LBP的基本原理以及基本特性。仿真了大量实验,并详细地分析了其优缺点,为接下来的研究夯实了理论根基。接着,针对复杂光照条件导致的人脸识别效果差的问题,本文提出了基于多方向局部二值模式(MD-LBP)的人脸识别方法。该方法通过对比人脸图像中各个像素点的灰度值与其邻域八个方向各自的加权灰度值之间的关系,对人脸图像进行编码。通过对编码后的MD-LBP特征图进行分块、计算块内灰度均值、并将其依次连接起来,可以得到最终的人脸图像特征向量。通过该方法提取到的特征向量不仅充分考虑了人脸图像各像素点之间的联系,而且考虑了人脸图像的整体结构信息。通过大量的仿真实验,证明了本文方法的有效性。最后,针对受表情、姿态等变化影响下的人脸识别问题,本文提出了基于LBP以及卷积神经网络(CNN)的人脸识别方法。第一步,使用LBP得到人脸图像特征图。第二步,将人脸图像原图与其LBP特征图一起输入CNN进行训练。第三步,通过对网络中的传递参数进行不断地优化调节,完成最优的人脸识别网络模型的构建。通过大量的仿真实验,表明了本文方法在受表情、姿态等变化影响严重的人脸识别问题上,能够达到很好的识别效果。