人脸识别,是指对于给定的某个人脸图像,从存储的已知身份的人脸图像库中识别出该人的身份。特征提取是人脸识别的核心问题,采用主成分分析(Principal Component Analysis, PCA)方法进行特征提取是较成功的线性分析方法。PCA算法具有速度快,对正面人脸图像识别率高等优点,但该算法的缺点是识别率的鲁棒性容易受光照、表情、姿态等因素的影响。本课题从光照和姿态因素这两个方面分别对人脸识别进行研究。为了抑制PCA算法对图像中光照因素的较高敏感性,本课题提出一种对图像灰度进行幂次变换的预处理策略。首先采用随机序列来选取人脸库中的训练样本和测试样本,然后对随机人脸样本进行幂次变换和Butterworth低通滤波处理,最后进行PCA处理的人脸识别算法。基于ORL数据库的实验表明,在适当选择幂次变换参数的情况下,基于幂次变换预处理的PCA人脸识别算法比传统的PCA算法具有更高的识别精度。基于PCA算法的特征提取技术,虽然在正面人脸图像识别方面取得了显著效果,但是,当人脸的姿态改变,即人脸的角度发生变化,面部特征就会受到不同程度的遮挡,此时人脸识别算法的识别率会急剧下降。目前多数的人脸识别算法主要针对正面人脸图像,针对姿态变化的研究相对比较的少,所以姿态问题是亟待解决的问题。姿态合成人脸图像的识别是一个将面部信息“无中生有”的恢复过程。本课题根据有限姿态的人脸图像和人脸姿态变化的先验知识,结合主动表观模型理论,对每个姿态的人脸图像提取纹理信息,得到对齐后的多姿态人脸图像,进而将得到的人脸图像分为训练集和测试集,对训练集下的人脸建立一种可以将理想中的身份空间一对多的映射到观察的数据空间的产生式模型,并使用期望最大化算法从训练数据中估计线性变换参数。在身份空间中,对于某个特定的人所载荷的身份信息是不变的。由此,本课题结合人脸表观模型和身份空间模型,实现了多姿态人脸识别。在ORL数据库上的实验结果表明本课题所提出姿态合成人脸识别方法的有效性。