近些年,随着生物医学水平和计算机技术的提高,人脸识别技术引起研究者们的广泛关注,其作为生物识别技术的一种,具有自然性和不容易被被测个体感知的特点,成为计算机视觉领域研究的热点,并广泛用于安检、移动支付等领域。人脸图像容易受到光照、表情、遮挡和姿态变化等因素的影响,这些不确定因素极大地增大了人脸识别的难度。由于Gabor变换在提取人脸局部特征时有较强的鲁棒性,常被用于对人脸局部特征进行提取的分类识别中,深度学习方法相比于传统的人脸识别可以更好地提取出人脸图像的深度全局特征,且不需要手工参与。基于这两种方法,本文遂提出一种局部特征和全局特征相结合的人脸识别方法。本文采用Gabor小波作为传统人脸图像局部特征提取的方法,引入图像分块的概念,与二维Gabor小波结合获取局部特征。由于经过Gabor变换后的局部特征维数过大,利用对人脸关键部位(如眼睛、鼻子、嘴巴等)的特征分组并进行特征融合,赋予不同人脸部位不一样的权值,将多个关键人脸特征进行融合,从而将提取出的高维特征化简为低维特征,对人脸进行识别。在深度学习方面,选用深度残差网络作为提取全局特征的基础结构。在原始残差网络的基础上通过对残差单元个数的修改,并进行网络宽度的增加来确定网络模型的大小,并在数据集上训练以进行调参调优,选择出合适的参数,在网络模型上还进行了关键网络设置的优化以提取更有效的深度特征。为验证改进后的模型性S-ResNet-14相比于原始的ResNet-32网络模型在性能上的提升,在数据集Extend Yale B进行实验对比,结果表明,当选用数据集80%的人脸图像作为训练集,剩余样本用来进行测试的情况下,改进后的S-ResNet-14网络达到了94.4%的准确率,相比较原始ResNet-32网络在准确率上提升了0.17%。最后基于特征融合的思想,将传统方法提取出的局部特征和经残差网络提取到的全局特征进行融合。通过在公开的人脸数据库Extend Yale B上进行分类识别测试,取得了99.15%的最优识别率。实验结果表明了本文所提出的改进的算法在面对人脸图像具有表情、姿态、遮挡等因素影响下,获得较高的识别率。图[45]表[8]参[51]