人脸识别是生物领域非常热门的研究课题。将人脸识别的研究成果用在现实生活中需要克服大量的问题,如光照,表情,局部遮挡等。为了克服人脸识别中存在的一系列问题,对常用的几种人脸识别算法进行分析对比后发现区域Gabor特征识别算法不仅能较好地应对各种噪声干扰,保证一定的识别率,而且在不同的人脸库上识别效果稳定,不会出现大的波动。基于这些已有的优点,本文选择使用区域Gabor特征识别算法,并对该算法进行了一系列的改进,使其被更好地推广到静态人脸识别中去。本文涉及的研究内容大致如下:(1)首先利用二维Gabor小波对图像进行特征提取,然后依照人脸主要器官的分布对人脸进行区域划分,对各个区域的特征进行串联融合,然后对结果进行分类识别;(2)在区域Gabor特征提取的基础上进一步引入了区域Gabor局部二值模式(LGBP),LGBP算法是在Gabor小波对图像进行特征提取后,利用局部二值模式(LBP)算法对提取结果进行二值化,有效地保留了图像的细节信息。然后对区域Gabor特征提取和区域LGBP特征提取两种算法获得的结果进行融合,实现了将人脸特征从可视化图像向可处理数据的转化;(3)在对特征提取的结果进行进一步处理的过程中可以发现,由于Gabor小波本身的物理特性,在保证图像特征提取精细化的同时也使特征维数大大增加,特征中所包含的噪声也成倍地增长,给分类识别造成了巨大的负担。为了保证分类的准确率,在对图像特征进行分类识别之前,需要先对其进行降维。为了避免降维过程中图像信息的大量损失,考虑到图像特征中包含了大量的线性特征和非线性特征。在文中分别利用主成分分析与线性判别分析结合的算法(PCA+LDA算法),核主成分分析与线性判别分析相结合的算法(KPCA+LDA算法)进行降维,然后对降维的结果进行进一步的加权融合后,利用K-近邻算法实现分类识别,得出最终的识别率。根据以上的研究内容,通过设立对比实验验证了使用区域特征融合算法比只使用一种特征提取算法的识别效果好。并且进一步说明改进的算法从特征提取,特征降维到最后的分类识别整个过程对于复杂环境中的人脸识别是有效的,可以做进一步的推广。