人脸识别技术作为人工智能和图像处理领域的研究热点,近些年得到了越来越多的应用,该技术是模式识别、图像处理、人工神经网络等多学科交叉的领域,有着深远的理论研究意义,在现实生活中的应用也很广泛。随着信息化的进步,社会对该技术的要求也越来越高,一个良好的人脸识别系统,不仅要有准确的识别效果,还要有较快的识别速度。人脸识别技术中面临的困难主要来自人脸本身表情、姿态和图像采集时光照的变化。为了降低这两方面因素对识别效果产生的影响,特征提取方法就显得尤为重要。能够准确快速地提取出好的特征,对后续的分类识别工作将会有很大的帮助。论文中采用环形对称Gabor变换(CSGT)来提取人脸图像的特征。与传统的Gabor变换相比,CSGT提取的特征数据冗余量小很多,这样对于后面算法的计算是十分有利的。而且由于CSGT修正了方向信息,因此它具有严格的旋转不变性,这样的特性会使得提取的特征对光照、表情、姿态更具有鲁棒性。论文中将提取的环形对称Gabor特征的幅度信息按照三种特征融合方案进行融合,得到新的特征图像,并将这些特征图像用于分类。论文提出了基于CSGT和稀疏表达分类器(SRC)的人脸识别算法:CSGTp-SRC算法,算法中首先采用平均图法将CSGT域的幅度特征融合,然后为了降低特征图像的维数,采用主成分分析(PCA)方法对特征图像降维,最后用SRC算法进行分类。为了进一步降低算法的运行时间,论文中又提出了CSGTp-KSRC算法,采用KNN方法来选取与测试样本距离最近的K个训练样本组成新的训练样本集,从而用来线性地表示测试样本。通过在AR人脸库和Yale B人脸库上的实验,证明了本文提出的这两种算法的可行性。而且CSGTp-KSRC算法虽然在识别率上比CSGTp-SRC稍差,但是运行时间却缩短了一半。为了减少算法的运行时间,论文还提出了基于CSGT和协同表示分类(CRC)的人脸识别算法。将CSGT域的幅度特征图像按照两种融合方案进行融合,一种是将每个人的5幅幅度图像上下相连构成特征图像,另一种是找出5幅幅度图像中的极大值图和极小值图,然后再将两幅图像相连构成特征图像,将构建好的特征图像用PCA方法进行降维,然后再用CRC方法分类,将算法分别记为CSGTmagn-CRC和CSGTex-CRC。CRC的计算速度要比SRC的计算快很多,因此基于CSGT和CRC的算法的运算速度也比较快。同时论文中还采用了 KNN来进一步降低算法运行时间,将CSGT后的特征图像分别按两种融合规则构建特征图像,然后用KNN选取训练样本中与待测试的样本距离最近的K个近邻组成新的训练样本集,再用CRC算法分类,对应的算法分别记为CSGTmagn-KCRC和CSGTex-KCRC。通过在AR人脸库和FERET人脸库中的实验,分析了四种算法特性。论文中的四种算法都要比原有的基础算法的识别率要高,而且CSGTmagn-KCRC和CSGTex-KCRC有着较快的识别速度。通过在AR人脸库上的实验,对本文中的所有算法以及一些基本算法做了比较,证明本文的算法的可行性。基于CSGT和CRC的算法的识别率和运算速度都要比基于CSGT和SRC算法的要好,而且在采用了 KNN进一步降低训练样本维数后,虽然识别率有所下降,但是算法的运算时间又进一步缩短了。