伴随着时代的需求,生物识别技术成了近几十年来,模式识别领域的热门研究主题之一而在生物识别领域中,最为方便快捷、可运用领域最广的识别方式是人脸识别,只是由于技术限制,人脸识别在生物识别市场中的占比一直屈居第二,仅低于指纹识别。特征脸方法是人脸识别特征提取的主要方法之一,其基本过程是对原人脸图形进行处理,去除无关的冗余信息,得到只含有样本五官轮廓特征的特征脸图像,利用特征脸图像中的特征参与后续的匹配与识别。特征脸图像的提取效果主要受到光照、姿势、表情、遮挡物的影响。现有的特征脸方法,如自商图像方法(SQI)、对数总变分模型方法(LTV)等,这些方法对消除光照有较好的效果,但易受姿势,表情,遮挡物变化的影响,造成识别率过低。针对同时包含光照、姿势、表情、遮挡物等因素影响的人脸数据库,还有协同表示分类方法(CRC),稀疏表示分类方法(SRC),小波变换(DWT),小波像素特征融合方法(TWSBF)等非特征脸方法提取图像特征,但其识别效果都还有进一步提升的空间。本文主要讨论人脸图像的特征脸提取方法,研究思路是排除背景和图像干扰信息的影响,使得给出的人脸图像中的人脸五官轮廓凸显出来,方便后续的识别与匹配。由于对数总变分模型(LTV)的特征脸提取效果对人脸五官的强化作用不明显,在含有姿势、表情、遮挡物因素影响下的识别率较低,本文提出人脸特征提取的对数总变分校正模型,模型保证了解的存在性与最优性。模型采用交替方向方法求解,得到的特征图像相较于其他特征脸方法都有更好的表现效果,并在几个公开的人脸数据库上进行了人脸识别仿真数值实验,结果表明本文模型和方法相较其他特征脸方法和部分非特征脸方法有更好的识别效果,识别率最高可提升40%以上。在此基础上,本文考虑到大面积背景像素的细微差别对识别与匹配造成的影响,提出特征脸图像二值化处理方法,进一步提高了识别率。