人脸识别作为一种非接触式的生物特征识别技术,在军事、经济、公安等领域具有广阔的应用前景。目前人脸识别技术已经成为模式识别、计算机视觉、图像处理、神经网络等领域的一个研究热点。由于人脸图像容易受到光照、表情等多种变化因素的影响,导致人脸识别研究复杂而艰巨,是一项极富挑战性的研究课题。其中,光照条件的变化对于人脸图像的影响更是一个非常突出的问题。本文以减弱和消除复杂光照的影响、提高人脸的识别率为目的,从光照预处理、特征提取、分类识别这三个角度对人脸识别系统进行优化和改进。同时,由于目前人类逐步迈入大数据时代,人脸识别的训练样本量呈指数级增加,本文也对大数据情况下的最优化算法进行了一定的探讨。下面概述本文的主要研究内容。1.基于自适应导引图像滤波器的光照不变量提取算法在人脸识别系统中,对复杂光照条件进行预处理的目的是希望将光照的影响去除,得到人脸的本来特征,即人脸图像的光照不变量。自熵图像法是一种基于朗伯光照模型的光照不变量提取算法,该算法能够显著提高复杂光照条件下的人脸识别率,并且具有极低的计算复杂度。但是,该方法仍然存在一些缺点,例如在低信噪比区域会放大高频噪声,很难保留良好的边缘信息等。在本论文中,针对自熵图像法的缺陷,提出了基于自适应导引图像滤波器的自熵图像算法,该算法能够根据图像的内容自动地改变滤波器的系数,从而降低高频噪声,也能够更好地保留边缘信息,对于关键部位尤其是眼睛、鼻子、嘴巴等对最终的人脸识别率有关键影响力的部位,能够非常有效地强化其光照不变特征,从而提高最终的人脸识别率。2.基于自学习的局部特征提取方法良好的人脸表示是高效人脸识别算法的关键因素,也是处理光照干扰的重要手段。局部特征提取算法是目前主流的特征提取方法,局部特征描述局部像素点的变化,并对这些局部模式进行统计,这是一种非常简洁有效的表示方法,但是该方法在进行局部像素点描述的时候采用的是基于人为经验的固定采样模式。本文提出了一种基于自学习的局部特征提取方法,通过自学习的方式对采样模式进行最优化的选择,解决了传统的局部特征提取方法中需要通过人为经验进行采样模式设置这一问题,进一步缩小了来自同一人脸的图像之间的类内差异,增大了不同人脸图像之间的类间差异,从而提高了最终的人脸识别率,并且具有更好的对光照、表情和姿态的鲁棒性。3.基于统一准则的特征提取和分类方法分类识别和特征提取是人脸识别系统中相对独立的两个模块,在很多的研究中,也将两者分开进行优化,然而,作为人脸识别系统的一部分,这两部分之间仍然具有紧密的联系,二者相辅相成,好的特征能够增强分类器的作用,好的分类器也能够帮助区分人脸特征。在本文中,详细分析了这两个模块的内在原理,并且提出了统一的内在衡量标准,即点到子空间的距离。并提出了遵循该标准的特征提取和分类识别方法,实验结果表明,基于点到子空间距离的特征提取及分类方法能够增强人脸识别系统对于光照的鲁棒性,并能够有效提高最终的人脸识别率。4.适用于大样本量的拟牛顿小批量最优化算法在人脸识别系统中,无论是特征的自学习还是分类器的训练,一般都包含着求最优解的过程,而随着科技的发展,人们逐渐进入大数据时代,数据量的指数级增加给现有的最优化算法提出了新的挑战。本文对在大数据下的最优化算法做了一定的探讨,提出了一种适用于大数据问题的拟牛顿小批量最优化算法。该方法随机地选取小批量样本进行参数的计算,并用迭代的方式训练出最终的分类模型,使用小批量随机样本能够有效地解决计算量过大的问题,在保持最终识别率的情况下大大减少了训练的时间。