人脸识别因其具有自然、直接、手段友好的特性而成为科研价值较高、实用意义较大的生物特征识别途径,是近年来模式识别领域中的热门课题之一。人脸识别涉及到机器视觉、图像处理、神经网络、数理计算等多个科研领域,其各种核心算法、应用技术都不断发展成熟。当前,人脸识别性能逐渐提高,其过程可大致概括为三个阶段：人脸区域检测定位、面部鉴别特征提取以及最终人脸识别分类。本文主要针对第二个阶段,归纳研究更具鲁棒性的人脸特征描述算法,以及高效的人脸特征降维。人脸特征描述是整个人脸识别过程中最为关键的环节,其描述质量直接影响后续识别环节的准确度以及运算速度,决定着运算机器能否理想完成人脸识别任务。如何在人脸识别第一阶段中检测到的人脸区域内尽可能获取鲁棒、有效的鉴别特征信息是第二阶段的主要任务。新兴的可学习图像滤波器在特征描述前对图像进行鉴别滤波,较明显提高了特征描述算法的性能。本文在此基础上继续发展,研究了与核运算相结合的,并考虑图像像素一阶二阶灰度信息的非线性可学习图像滤波器,其比传统手动设计的滤波算法以及线性可学习滤波算法都具有一定的优越性,更便于描述出鉴别力强的人脸特征。人脸特征的数据维度一般比较大,直接用此富含冗余信息的高维数据进行分类判别将会提高计算复杂度以致错误率较大。为了获取较低维数据对面部特征的高效表示,采取一定手段进行特征降维提取成为人脸识别的必要。有效降维后所得的低维特征能更好地反映出样本数据间的本质特性和分类结构,降低计算成本,增强分类精度,从而提高识别率。本文针对较为经典流行的降维算法给出比较分析结果。本文的主要工作及创新点：1、研究了当前较为流行的几类特征描述器及特征降维方法,并对各算法进行了实验比较。归纳总结经典算法的基本理论,通过具体实验数据分析比较各算法的性能表现。2、研究了一种与核运算相结合的可学习图像滤波器,该滤波器用以协助人脸特征描述,其具有一定的判别性能,且考虑了图像像素间一阶二阶微分信息,较好地解决了识别过程中常见干扰因素所引起的非线性问题。