随着人工智能与模式识别领域的不断进步与发展,人脸识别技术已经得到了广泛应用。视频单样本人脸识别是人脸识别技术中的一种典型应用,是指在视频序列中利用仅有的单张人脸样本完成指定目标人脸的识别。现有的视频单样本人脸识别方法的识别精度有待进一步提升。这主要是因为存在以下两个方面的问题:(1)对于每类待识别的目标人物只有一张人脸样本可被利用,这使得人脸鉴别性特征的提取十分困难;(2)视频中的监控场景不受人为约束条件的控制,导致视频中的人脸复杂多变,容易受到不同光照、表情、姿态、尺度等变化情况的影响。针对上述两个主要问题,本文对视频单样本人脸识别方法从两个方面进行研究。本文着重研究了静态图片中的单样本人脸识别技术以及视频人脸的跟踪方法,然后将静态图片的单样本人脸识别技术扩展应用到视频中,实现视频中的人脸识别。本文的主要研究内容包括以下四点:(1)为了解决单张人脸样本提取鉴别性特征困难的问题,提出一种基于Exemplar-SVM模型的静态图片单样本人脸识别方法(FP-Pattern)。该方法根据人脸校准算法提取人脸的5个关键点,并以这些关键点为中心,将整张人脸划分成5个人脸子模式。在子模式特征提取过程中,通过引入外部人脸数据集做为负样本,并结合Exemplar-SVM模型,训练得到各个子模式的分类器。(2)考虑到每个子模式代表人脸的不同部位,对人脸识别结果有不同的贡献度,提出一种人脸子模式的自适应加权融合方法。该方法对每个人脸子模式的分类结果做自适应加权融合,并经1NN分类器得到最佳的识别对象。(3)为了减少视频中人脸的不同姿态、表情、光照、遮挡等对识别精度的影响,提出一种基于特征融合的视频单样本人脸识别方法。该方法分为人脸跟踪与人脸识别两个阶段,在人脸跟踪过程中,将三个单视角人脸模型进行融合得到多视角人脸模型,同时对多视角人脸模型做在线增量更新,提高了人脸跟踪的精度。在人脸识别过程中,根据人脸尺度的不同,划分三种人脸子模式并结合FP-Pattern方法得到最佳的识别对象。(4)在上述关键技术研究的基础上,本文设计和实现了单样本人脸识别系统。该系统完成人脸验证(静态图片)、人脸识别(视频序列)等功能,并在5个公开的人脸数据集Extend-Yale-B、AR、ORL、Feret-b、ChokePoint与已有人脸识别方法进行实验结果的比较与分析。实验结果表明,本文方法对人脸受不同光照、姿态、表情、穿戴、人脸角度、尺度等变化情况具有较好的鲁棒性,在识别精度与效率上也有较大提升。