人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一,它在公共安全、信息安全、人机交互等领域中有着广泛的应用前景。经过三十多年的研究,人脸识别技术在理想环境条件下已达到实用程度,但是在成像环境不可控的情况下,由于姿态、表情、光照、遮挡等因素的影响,已有的人脸识别算法性能大大下降,其应用范围也受到了较大的限制。因此,针对各种变化鲁棒的人脸识别技术是当前的一个研究热点。本文主要针对不同姿势下的人脸识别技术进行了研究。MR-ASM(Multi-resolution Active Shape Model)和AAM(Active Appearance Model)多用于人脸识别中的特征提取,其最大优点是具有全局形状约束能力,对遮挡有较强的鲁棒性。本论文在深入研究ASM和AAM的基础上,提出了两个改进思路,并进一步提取姿势无关的特征用于人脸识别,具体如下:1.基于混合的MR-ASM与AAM的人脸标志点定位算法。本算法利用MR-ASM定位结果初始化AAM。在最高分辨率图像上,循环使用单分辨率ASM与AAM,同时依靠图像的形状与纹理信息共同引导标志点定位。算法创新点在于:1)改进了AAM形状与纹理联合控制参数计算过程,通过一次主分量分析,同时得到形状与纹理联合控制参数,参数设计更合理。2)改进了ASM标志点定位阶段参数更新方式。使模型能同时考虑到姿势与形状两类控制参数改变的相互影响,并进一步修正标志点定位结果。2.基于级联MR-ASM的人脸标志点定位算法。本算法以精确的标志点定位为目标,自适应选取训练样本子集,并将训练得到的多个定位器级联以用于标志点定位。本算法自动选取的样本子集对应的控制参数分布具有更好的聚类性,避免了人为划分训练集样本空间和对控制参数的分布方式进行估计的问题,并进一步提高了模型的定位能力。3.基于姿势无关特征的人脸识别算法基于上述两种标志点定位结果进行人脸识别。首先建立公共形状控制参数空间(用手工标定的全部训练集标志点Groundtruth数据训练得到)。将第三四章算法得到的标志点定位结果投影到公共参数空间,得到各自对应的形状控制参数,提取姿势无关的参数分别输入到最近邻分类器和BP神经网络分类器,得到人脸识别结果。实验对比分析了姿势参数对人脸识别的影响。本文实验采用CMU-PIE人脸数据库,实验结果表明,提出的两种算法对于不同姿势条件下的人脸图像能够取得较理想的定位结果。进一步,提取的与姿势无关的特征能够提高人脸识别的性能。