当前国内外人脸识别技术是属于模式识别与机器学习中的热门研究领域,已经引起了广大研究人员的关注与研究,并在安全防护、智能视频监控、身份识别认证等领域得到广泛的应用。人脸识别技术主要由人脸图像检测、人脸图像预处理、人脸特征提取和分类识别四个部分组成,而人脸特征信息如何准确有效的提取与分类是人脸识别的关键问题。本文以局部二值模式和卷积神经网络为基础,对人脸特征提取和识别进行探讨与研究,大体内容如下:①介绍了人脸识别的研究背景与意义、历史与现状以及相应的人脸特征提取算法,并简单分析了各自的优缺点。②研究一种基于LBP和2DLDA的人脸识别算法。将人脸图像分块为4×4,利用LBP8,1U2等价模式算子提取人脸特征,并用2DLDA算法对提取到的人脸特征作线性降维处理,通过最近邻分类器完成识别。在ORL和Yale人脸数据库上,对比PCA、2DLDA、LBP、LBP+PCA等算法可以看出其算法优势。③研究一种基于LBP和CNN的人脸识别算法。深度学习已经成为现在社会的热门话题,而深度学习的方法也为人脸识别技术的研究提供了理论与基础。针对直接将人脸图像直接作为卷积神经网络的输入,往往会出现人脸图像维数过大且会忽略人脸局部结构特征等问题。首先将人脸图像分块,在此基础上利用局部二值模式提取到各子块人脸图像的局部特征信息,然后将各个子块的局部特征信息组合在一起,将组合后的LBP特征作为卷积神经网络的输入,经过多层卷积和池化,最后在输出层利用Softmax分类器完成分类与识别。在ORL人脸库、Yale人脸库和FERET人脸库上进行仿真实验表明了该方法的识别效果较好。