人脸识别作为当今发展最快的生物识别技术之一,已经得到了越来越广泛的应用。图像采集作为其中一项重要的步骤对识别准确率的影响很大。本文从图像角度出发,在多种人脸识别方法下,统计、比较和分析了人脸识别准确率和图像各种常见性质的关系。本文选取了应用于非限制环境下的用于提取特征的Inception-ResNet-V1网络结构和SVM(Support Vector Machine)分类器相结合的人脸识别模型以及应用于受限制环境下的识别算法如Eigen-face、Fisher-Face和LBPH(Local Binary Patterns Histograms),在改变了色调、饱和度等图像相关性质的新数据集下度量几种模型的识别准确率,探讨了各种人脸识别方法对于图像变化的适应性,实验结果得到了各性质参数与各人脸识别系统识别准确率的对应关系,从而评估各性质对特定识别系统识别准确率的影响程度,对将来选取训练图像具有指导意义。本文主要做了下面几部分的工作:1.从LFW数据集中选取单类图像多于10张的图像构建非限制环境下的数据集,从Caltech Faces人脸库和Georgia Tech Face人脸库中选取单类图像为15张的人脸图像构建限制环境下的数据集;2.利用HSV颜色空间,灰度世界法等算法对构建好的数据集进行处理,使图像在色调,饱和度等性质上得到不同程度的改变,保存改变过后的数据集;3.基于迁移学习的思想,利用FaceNet中提供的基于CASIA-WebFace人脸库、VGGFace2人脸库和softmax损失训练得到的冻结预训练模型,结合SVM分类器在前面构建的非限制环境数据集下训练得到自己的人脸识别系统,该系统在原始数据集下的表现良好。再分别选取改变不同性质的数据集依次采用该方法训练和测试,从得到的实验效果来看,对于图像各种性质的改变,基于两种预训练模型的识别系统都有其各自表现更好的区域;4.采用Eigen-Face、Fisher-Face和LBPH三种识别算法,观察三种算法在改变过后的限制环境下数据集上的表现,从得到的识别效果来看,三种算法与各图像性质参数都有独特的对应关系。