人脸识别研究是生物特征识别的重要组成部分,它在公共安全、实时监控、权限认证、人机交互等领域有着广泛的应用前景。目前已经有诸如:敏感区域的门禁认证、人脸考勤、人员聚集区域目标人跟踪等系统投入了实际使用,2008年北京奥运会主会场“鸟巢”的检票通道就采用了人脸识别安检系统。但是,目前投入使用的人脸识别系统都要求被识别人必须在十分配合的情况下才能达到设计效果。如果环境发生光照变化(包括强度和方向变化),以及被识别人发生表情变化、容貌变迁、佩戴眼镜和帽子等遮挡物,那么人脸识别系统的准确识别率会大大降低。在这些干扰因素中,又以光照变化最为突出,特别是在户外较远距离的识别过程中,光照变化带来的干扰会导致同一人脸在不同光照下的图像相似度比不同人脸在相同光照下的图像相似度还要低。基于人脸识别在光照变化情况下面临的巨大挑战,本课题从多尺度分析的角度出发,在下述几个方面做出了有益的贡献:1.提出了融合不同尺度下细节特征的计算框架。高频信号受光照影响较小,而低频信号受光照影响较大,所以人脸图像中的高频成分是在不同光照条件下最能代表人脸细节特征的信号分量。为了克服光照变化带来的干扰,很多已有的方法都将原始图像变换为高频细节信号图像,使用细节图像作为人脸识别后续处理的基础。但是,在获取细节图像的过程中,无论采用的是什么方法,都面临一个问题“获得的细节信号肯定能够代表人脸的所有本质特征吗?”,答案是否定的。高频信号没有一个准确的定义,它是模糊的,它分散在不同频率尺度下的各层次细节图像中。本课题提出融合计算框架的目的就是要充分考虑不同层次细节图像中的高频信号,将它们联合起来作为不同光照条件下的人脸本质特征。2.本课题提出了4种衡量图像细节信息量的度量方法,它们分别考虑了小波分解系数能量、傅里叶变换频率域能量、极值点数量和局部区域对比度等因素。上述所提融合计算框架考虑了不同人脸图像在相同细节图像层次之间的特征距离,这些距离对于人脸图像全局特征距离的贡献是不一样的。虽然,高层细节图像含有较多的细节、纹理特征,但是却包含了较少的人脸结构、轮廓信息。从认知的角度看,结构和轮廓信息更有助于目标识别,所以低层次细节图像之间的特征距离对于全局特征距离的贡献更大,高层次细节图像之间的特征距离贡献更小。所以有必要找到与细节图像本身有关的细节信息量度量方式,由它来换算细节图像特征距离的贡献率。这些度量方法虽然不能够得到信息论意义下的细节信息量准确值,但是却能够反映出相同图像下的不同层次细节图像中细节信息量的相对数量。第一层细节图像的度量值最大,它所包含的细节信息量也是最大的;最低一层细节图像的度量值最小,它所包含的细节信息量也是最小的。将这些度量方法获取的度量值换算为和值为1的权重,以表示每层细节图像对全局人脸本质特征的贡献率,将其运用到融合计算框架中,能够提升人脸识别的效果。3.本课题提出了一种改进的LMCP(Local Multi-layer Contrast Pattern)方法,解决了传统LBP方法没有考虑局部区域像素间的对比度,从而丢弃了部分重要的纹理特征这一缺点。本方法先对不同光照下的人脸图像进行光照归一化预处理,将光照变化控制在一定范围内,再对LBP方法进行改进。将局部区域像素间的对比度值映射为一个区间值,只要光照变化引起的对比度值波动控制在这个区间内,那么这种特征就具有光照不变性。此外,还采用了统计映射的方法进行降维,以降低计算复杂度。本课题还进行了大量的基于公共人脸数据库的实验,实验结果验证了所提方法的正确性和有效性。