随着人工智能的快速发展,人脸特征的提取与分类识别成为研究热点。本文对Gabor小波参数对人脸特征的影响机理进行研究。主要创新点如下:(1)针对传统随机森林算法中,每一棵决策树拥有相同的决策能力不利于最终分类这一问题,提出定位人脸面部特征关键点的加权随机森林算法。首先利用Haar特征和AadBoost算法对面部区域进行检测;其次对面部的特征关键点进行定位;最后对人脸图像进行预处理。(2)针对2D-Gabor小波参数变化对人脸特征的影响问题,建立了Gabor滤波方向θ,滤波频率f和标准差σ3个参数变化与人脸特征变化的关系对应表。由实验可知,当人脸特性从高频特性转向低频特性转换时,人脸图像的细节纹理特征逐渐变模糊。(3)针对Gabor小波提取人脸特征时维数较高,面部特征信息冗余的问题,本文提出8个方向上的Gabor多尺度特征融合算法(Gabormix8)来提取人脸特征,从而增强了面部特征信息,去除了不必要的特征信息,使Gabor特征维数从103040下降到20608。(4)针对BP神经网络易陷入局部最优且收敛速度慢的问题,本文提出人工鱼群优化BP神经网络(AFSA-BPNN)的分类识别算法。通过调整人工鱼群算法的参数,模拟自然鱼的运动规律,使鱼群能够选择性地进行觅食、群聚和追尾行为,从而实现全局最优。本文使用VS2013开发平台和OpenCV 2.4.8函数库构建了人脸识别系统,实验表明:将Gabormix8提取的特征在BP分类器下进行识别,平均识别准确率可达92.23%。以0.01为误差精度,AFSA-BPNN训练步数与BPNN训练步数相比加快了 35.44%。将Gabormix8提取的特征在AFSA-BPNN分类器下进行识别,平均识别准确率可达94.21%,相比KNN和BP分类器,分别提高了 9.22%和1.98%。