人脸识别技术作为一种被广泛接受的生物特征识别技术，具有重要的理论价值和广阔的应用前景。经过几十年的发展，人脸识别技术取得了长足的进展。大量的性能评测与学术研究表明，在可控测试条件下，最好的人脸识别技术已经能够取得令人满意的性能指标；然而，在非可控条件下，光照、表情、姿态及其他因素等引起的变化导致了同类样本之间的差异甚至要大于不同类别样本之间的差异，这极大地影响了人脸识别算法的性能。　　 特征表示作为人脸识别算法的关键所在，受到了极大的关注。本文从全局和局部两个角度综述了人脸识别中常用的特征表示方法。局部特征对光照、表情、部分遮挡等产生的变化具有较好的鲁棒性，因而在人脸识别中受到了广泛的关注。Gabor小波表示作为一种有效的局部特征，在人脸识别上取得了良好的效果。为了发掘Gabor特征在人脸识别中的潜力，本文研究了人脸图像Gabor特征的局部模式表示方法，并进一步研究了其与判别性特征提取相结合的方法。本文所取得的主要研究成果概述如下：　　 1.提出了融合Gabor幅值和相位局部模式的表示方法。　　 Gabor相位特征对图像位置的变化非常敏感，这导致大多数利用相位特征的表示方法在人脸识别中取得了非常低的分类精度。针对这一问题，文中提出了基于相位特征的局部Gabor异或模式表示。该表示先将图像的Gabor相位特征量化到不同的区间，然后利用异或算子来计算空间邻域内像素的局部模式，并采用分块的直方图来表示图像。其优点在于，采用的量化策略减弱了模式受相位对图像位置变化敏感性的影响，而多尺度、多方向上的直方图特征具有很强的表示能力。为了利用Gabor幅值和相位特征之间的互补性，文中采用判别性特征提取方法在块级别上对幅值和相位的局部模式表示进行融合，并通过和规则融合图像块之间的相似度。该方法从Gabor特征的局部模式表示中提取了低维的判别特征，不仅减少了图像相似度的计算代价，而且提高了识别精度。此外，局部Gabor异或模式是一种有效的基于相位特征的表示，保证了其与幅值局部模式融合的方法能够取得更优的识别性能。　　 2.提出了Gabor特征“体”局部模式的表示方法。　　 为了高效地建模人脸图像Gabor特征的局部模式，该方法将多尺度、多方向的Gabor特征组织为一个三维“体”：该Gabor特征“体”的前两维是图像平面，第三维对应了不同尺度、不同方向上的Gabor小波。然后，该方法采用了局部二值模式算子来计算幅值特征“体”上的局部模式，并利用直方图来表示人脸图像。该模式表示组合了图像平面内的模式与同一点不同滤波器响应上的模式，因而具有更强的表示能力。文中进一步提出了该表示的两种扩展：利用Fisher准则的子块权重学习与判别性特征提取。子块权重学习方法利用Fisher准则基于训练集学习得到各个子块的权重，并根据这些权重来融合图像上不同子块之间的相似度。该方法利用了人脸不同区域的判别能力，在训练集与测试集中图像的变化类型保持一致时能够提高识别的性能。判别性特征提取方法根据Fisher线性判别分析从图像块级别上提取低维特征并计算图像块之间相似度，然后通过和规则融合这些相似度。该方法提取了有利于分类的投影方向，在测试的三个人脸数据库上都表现出了更优的分类性能。　　 3.提出了基于学习的局部Gabor模式表示方法。　　 从人脸图像的构成来看，在图像像素与人脸部件之间存在一种中间的表示，称为“模式”。人脸作为一类结构非常相似的物体，应当有其专属的模式构成。从这一角度出发，针对某个尺度、某个方向的Gabor小波，该方法从人脸图像的Gabor特征上采样得到图像块的集合，进而学习得到对应的码本：该码本中的每个码字对应了一种模式；然后，根据学习得到的码本去表示人脸图像。考虑到人脸的不同区域和不同模式在识别过程中的不同作用，文中进一步提出了利用子块和模式权重的加权方法。此外，针对文献中存在的11种Gabor特征的局部模式表示方法，文中按照模式的定义将它们划分为两大类：模式设计方法和模式学习方法，并从模式定义流程以及方法参数两个方面对这些方法进行对比分析。由于这些表示具有高维的特征，文中采用了判别性特征提取的方法来提取低维的特征。大量的实验结果表明，基于学习的局部Gabor模式表示方法是一种有效的人脸表示，特别地，该方法受不同训练集上产生码本的影响比较小；加权方法同时利用了子块和模式的区分能力，进一步提高了识别精度；该模式表示与判别性特征提取结合的方法提取了判别特征，取得了比基准方法和加权方法更高的识别性能。　　 综上所述，本文围绕人脸图像的Gabor特征从模式表示的角度展开了相关的研究，提出了三种局部Gabor模式表示方法。此外，本文研究了判别性特征提取的方法并将其与不同的局部Gabor模式表示结合，不仅降低了局部Gabor模式方法中相似度计算的代价，而且在很多富有挑战性的人脸数据库上取得了优异的效果。