人脸识别是生物特征识别的一种,近些年来成为了计算机视觉、模式识别和生物测定学中最热门的研究课题之一。相对于其他生物特征来说,人脸识别具有自然性和非入侵的优势,随着计算机技术的迅速发展,人脸识别技术得到广泛地研究与应用,例如进入高铁站时的人脸检测、人脸支付、工作考勤、美颜相机等,但目前人脸识别技术还有一些缺陷,识别性能在变化的光照、面部表情、姿态、遮挡等非理想情况下会受到极大的影响。小波变换在众多人脸识别算法中占有一席之地,它不仅具有多分辨率的性能,还有较好的时域和频域的局部化分析性能,因此在人脸识别中被广泛应用。而Curvelet变换不但具有传统小波变换的多分辨率特性和时频局域特性,而且还可以更稀疏地显示人脸图像,聚集信号的能量。与小波变换相比较,方向性和各向异性都很强的Curvelet变换可以对图像的直线和曲线奇异特征进行更好的表示。本论文为了获取更有效的人脸图像特征,提高识别效果,在Curvelet域提出了两种人脸图像的特征提取方法,进而应用到人脸识别算法中。论文主要的研究成果有:第一:提出了一种自适应加权Curvelet梯度方向直方图的人脸识别算法。首先,人脸图像通过基于wrapping的离散Curvelet变换得到多尺度多方向的Curvelet变换系数,然后按照编码方式将同一尺度下不同方向的特征进行编码融合,获得融合后的幅值域图谱。并通过梯度方向直方图(Histograms of Oriented Gradient,HOG)算子结合分块的方法获得Curvelet变换后的融合图像的直方图特征,分别根据每个尺度对人脸识别率的贡献程度进行计算,得出各尺度的权重,再将权重系数与各尺度的HOG特征相结合。最后选择最近邻分类器(KNN)对提取的特征分类识别。选取ORL、YALE、AR和CAS-PEAL四个人脸库进行实验,最终的实验结果表明所提算法在人脸图像存在部分遮挡、姿态、表情、光照变化以及噪声等因素干扰下具有较好的识别效果。第二:提出一种基于Curvelet变换主方向模式的人脸识别方法。首先对人脸图像进行Curvelet变换得到多尺度多方向的幅值域图谱,然后对第二、第三尺度下的幅值域图谱进行简单的平均融合。再对融合后的图像提取非对称主方向模式编码提取特征。然后将得到的编码特征进行分块和统计直方图。最后使用最近邻分类器进行分类识别。通过在ORL、YALE、和CAS-PEAL-R1三个人脸库上的实验表明,所提算法具有很好识别效果和抗噪性能。