人脸识别技术是计算机视觉和模式识别领域的重要研究内容之一。由于人脸识别问题的复杂性,且受到诸多外在因素的影响,要在识别率与稳定性上达到较高的标准比较困难。本文提出的人脸识别方法首先用级联回归算法对人脸关键特征点进行精确定位,用定位好的关键特征点对人脸进行校正,求取关键特征点局部邻域内的LBP直方图统计特征进行人脸建模,最后采用SVM分类器对人脸模型进行分类与识别。本文的人脸识别方法有效提高了人脸识别的准确率和识别效率,在GT人脸数据库上进行的实验中看出,本文人脸识别方法识别率最高可以达到99%。本文主要研究工作包括:(1)深入研究基于级联回归算法的人脸定位。级联回归算法采用迭代回归求解的方式优化人脸定位的准确性,本文在LBF特征的训练过程中,采用三种阈值计算方法改进了RF算法中弱回归树节点的训练。在LFPW数据集上的训练和测试证实改进算法能有效提高LBF特征的稳定性,提升模型整体的预测精度。(2)提出局部LBP人脸建模算法。全脸LBP人脸建模割裂了特征之间的关系且引入较多噪声。本文提出的局部LBP人脸建模算法,在降低噪声的同时保留了人脸的关键信息,为人脸识别器的训练提供了更好的特征数据。(3)构建基于SVM的人脸识别器。相比于直接的欧氏距离计算,SVM算法可以从人脸建模数据中找到关键区分样本,不仅识别效果更好,而且提高了时间上的响应效率。