近年来,随着计算机技术的快速发展,人脸识别技术取得了长足的进步和广泛的应用。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。人脸识别的优势在于其自然性和不被被测个体察觉的特点。目前,各式各样的人脸识别设备已广泛应用于企业门禁系统、学生考勤系统、公安监控系统以及智能相机等多个实用领域中。值得一提是,在2008年,人脸识别技术首次亮相奥运会,为保障北京奥运会及残奥会的开闭幕式的安全,起到了重要的作用。在取得很大成就的同时,人脸识别技术依旧面临着诸多困难,可总的归纳为两类:类间变化与类内变化。前者即不同个体之间的人脸区分,而后者即表示同一个体的人脸的各种变化,如不同条件下的表情、视角、光照、遮挡物、年龄对人脸的影响。正因如此,近年来,由David Lowe所提出的SIFT算法因其能取得高独特性的特征而进入了人脸识别研究者们的视线。在综合分析了国内外人脸识别研究现状后,我们以局部特征算子在人脸识别中的广泛应用背景为基础,有鉴于SIFT算子在刚性物体识别匹配中所表现出的很好的效果,就如何将SIFT特征描述算子的独特优势应用于人脸识别系统中,并针对性地解决人脸识别现阶段所存在的表情、遮挡和光照等热点问题,展开了研究。本文从以下两个方面进行了研究工作:1.提出了一种改进的基于SIFT算子进行人脸识别的方法,结合K-means聚类的模式匹配策略,采用了向量空间相似度与特征点匹配相似度相结合的优化计算方法对人脸图像进行全局相似度匹配,并在匹配过程中使用了基于概率统计的权重值赋予方案和相似度的平方值来提高识别的准确性。实验结果证明了此方法的鲁棒性和有效性。2.将SIFT算法的一种扩展——GLOH算子引入人脸识别算法中,即通过修改SIFT算子的定位网格和使用PCA进行降维,可更进一步增强SIFT算子的鲁棒性和独特性,取得更好的识别效果。通过对正面人脸图像的实验可得,GLOH在处理人脸识别的各种干扰因素时,匹配效果更好,对图像的弹性形变和遮挡干扰,可取得比SIFT算法更好的效果。