人脸识别是近二十年来计算机视觉中的一个重要课题,学者们提出了许多种人脸识别的方法。近年来,人脸识别系统已经可以较为准确的在某些限定的条件下对人脸进行识别,其应用前景越来越被看好,从而受到各方面的重视。现今,人脸识别在公共安全、智能监控、数字身份认证、电子商务、多媒体和数字娱乐等领域具有巨大的应用价值。随着人脸识别的应用变得越来越广泛,人们对于人脸识别实用性的要求则变的越来越严格。虽然现今的大多数人脸识别算法已经可以在较为固定的环境下对人脸进行较为正确的识别,但实际的使用中,这种固定环境的限制是较为不现实的。本文针对上述问题进行探究,并取得了如下的主要成果:●本文提出了基于统计学习的人脸划分方法。为了克服人脸不同情况下的形变及遮挡的影响,许多学者通过研究提出了基于部分的人脸识别方法。而这些方法在对原始的人脸图像的划分方法上,均以作者本人的经验作为指导。为了可以更加科学的对人脸图像进行划分,本文提出了一种基于统计学习的人脸划分方法。人脸划分方法在分类器的统计学习过程中亦被学习出来,通过分析人脸不同部分在识别中的贡献进行划分,从而较为科学的对人脸图像进行了划分。在此基础上,本文提出了基于部分的人脸识别方法,该方法较原始的基于整体的人脸识别方法,在相同的条件上,提升了识别性能4.53%。●本文提出了一种通用的生物特征图像质量评估的方法。本文首先给出了生物特征图像质量等的一系列定义,并通过这些定义将生物特征识别进行简化。最后利用各种生物特征识别算法的训练或学习过程中不可避免的过学习(过拟合)现象,提出了一种通用的生物特征图像质量评估方法。过学习(过拟合)现象造成了在测试过程中,训练集(已知图像)的测试结果基本要优于未知图像。而本着这一基本的了解,通过分析待评估图像与训练集的相似程度,可以对待识别图像的质量进行评估。●本文利用生物特征图像质量,实现了多部分融合算法的权值的动态调整。利用各部分的生物特征图像质量对该局部的识别结果的置信度进行评估,从而根据该置信度对各部分的识别结果在最终的结论中所占的比重进行动态调整。这就实现了尽可能的从变化程度低的人脸的局部获取正确的信息的同时,尽可能的减少从变化程度高的人脸局部对总体的结果的影响。实验表明该方法提高了系统的识别性能与对人脸形变、表情、姿态等的适应性,在相同的条件下,该方法超过了基于整体的方法5.6%,超过采用部分的固定加权合规则的方法5%。。