二十一世纪以来,国内外恐怖袭击事件频繁发生,公共安全问题日益突出,身份识别技术在安全领域发挥着越来越重要的作用。传统的身份识别采用口令、磁卡、密码等方法,存在易丢失、遗忘、窃取等缺点,不能满足人们的需求,于是人们将目光转向生物识别技术。作为其中的代表,人脸识别技术因其特有优势,如无侵犯性、成本低等,在安全监控、身份认证、出入境管理、公安照片检索等领域取得越来越广泛的作用。同时人脸识别技术是一门多学科交叉技术,其发展能促进机器学习、计算机视觉等相关领域的进步,具有重要的研究意义。现有人脸识别技术在约束环境中取得很好的效果,然而在真实环境中仍面临诸多问题。Wright等人于2009年提出基于压缩感知理论的识别方法：稀疏表示人脸识别算法(Sparse Representation Classification, SRC),能有效解决光照、遮挡等问题。然而SRC方法对人脸的对齐误差非常敏感,当存在姿态、表情等变化的时候,算法识别率迅速下降,不能应用到真实环境中。另一方面,SRC方法通过L1范数最小化计算稀疏表示系数,计算量大,不能满足最基本的实时性要求,进一步降低了该算法的实用性。本文的主要研究内容和创新点如下：1.提出了一种基于面部特征点的姿态鲁棒人脸描述子构造算法。标记每张训练样本的姿态,训练随机森林检测人脸姿态。取不同姿态的人脸子集,训练条件随机森林检测面部特征点位置。根据面部特征点位置估计仿射变换矩阵,将人脸旋转到水平位置,然后对整幅人脸PCA变换作为全局特征,在面部特征点周围图像子块提取LBP特征作局部特征,二者相连降维构造姿态鲁棒的人脸描述子。实验证明,该特征能提高SRC方法对姿态、表情变化的鲁棒性。2.提出了一种基于Fisher判别准则字典学习的实时人脸识别算法。设计一个字典学习的目标函数,保证人脸能被同类样本最优表达,不能被异类样本表达,同时Fisher准则使得注册样本集人脸的编码系数类内误差最小,类间误差最大。在此字典上,通过简单的正则化最小二乘法,求解待检测样本的编码系数。最终结合重构误差,测试样本和注册集编码系数的欧式距离,测试样本各类别对应系数的L2范数进行人脸识别。