人脸识别是模式识别领域的一个研究热点,在户籍管理、国防安全等许多领域都有广泛的应用前景。然而,随着数据库的增大,人脸识别系统的识别率和识别速度会出现明显的降低。因此,如何提高海量数据库中人脸识别的识别率和识别速度,是近年来亟待解决的一个问题。脸型是人脸中最为直接的一个特征,它的信息较为稳定,且分类方法简单。基于此,本文提出了一种“分集”识别方法,该方法在人脸识别前加入脸型预分类环节,将一个大规模的人脸数据库分解为依脸型分类的若干个子库。这样做一方面可通过分集降低后续识别处理的数据量,提高人脸识别的速度,另一方面可利用脸型特征对候选人脸集合进行粗筛选,降低系统的错误接受率。为了实现脸型分类,本文结合生物学的方法提出了一种基于人体测量学的分类方法。在进行脸型分类时,首先对人脸进行检测,接下来借助面部特征点定位技术提取检测点,然后在此基础上计算面型指数,并由此实现对脸型的分类。针对其中的各个环节,本文所做的工作如下:1)在人脸检测中,通过研究国内外主流人脸检测方法,采用基于AdaBoost的人脸检测方法,实验结果表明检测结果非常好。2)在特征点定位这一环节中,本文充分研究国内外面部特征点定位技术,并最终采用主动表观模型(AAM)算法,通过对人脸标定、训练等步骤,测试得到结果较为理想。3)在脸型分类环节中,由于脸型是渐变的,因此得到的面型指数呈正态分布,没有明显分界面。针对这个问题,本文提出了部分重叠的分类办法,即将人脸库分为几个在分界面处有部分重合的子库。结果表明这种方法虽然多占用了部分空间但有效的减小了脸型分类错误率。对大规模人脸数据库所进行的实验结果表明,所提出的方法可有效提高人脸识别系统的识别率和识别速度。