随着计算机和人工智能技术的迅猛发展,人脸识别技术已取得长足进步。目前多数人脸识别系统可以在理想条件下获得优秀的识别率,但是实际应用发现人脸识别系统在非理想条件下的识别精度和效率不尽人意。一方面,人脸图像经常会受到多种动态因素的影响,比如光照、表情等,使得人脸识别技术的发展举步维艰;另一方面,随着大数据时代的到来,人脸图像数据量不断攀升,在面对海量人脸图像数据时,传统的人脸识别系统性能低下。针对上述问题,本文主要从人脸对齐、人脸表示以及人脸分类识别这三个方面对传统的人脸识别系统进行优化和改进。本文的研究内容与相关工作如下:(1)面部特征点精确对齐是鲁棒实用的人脸识别系统的基本前提,本文在集成回归树算法的基础上,提出了一种基于NPD特征的集成回归树人脸对齐算法。首先,通过引入基于NPD的形状索引特征,解决了非约束场景下原始像素差值特征抗噪能力弱的问题,提升了算法模型的特征表达能力;其次,使用普氏分析找出估计人脸形状与平均形状之间的相似变换矩阵,为后续提取不同样本的像素点特征提供了依据;再者,通过过滤式的特征选择方式,减少候选特征的数量,提高了模型的计算效率;最后,借鉴深度二次树的思想,设计了一种双阈值决策公式,弥补了单阈值回归器特征划分不充分的缺陷,进一步提升了模型的鲁棒性。实验结果表明该方法在非约束场景下的人脸特征点定位精度有一定的提升。(2)人脸识别算法性能的高低,很大程度上取决于人脸表示算法的优劣,本文在Gabor商图模型的基础上,提出了一种基于加权m-Gabor自商图的人脸表示算法。首先,对传统的Gabor滤波器进行变换,得到具有旋转不变性以及优秀曲率响应的m-Gabor滤波器,解决了单方向Gabor滤波器提取的光照分量不完整的问题;其次,在m-Gabor滤波器的基础上,引入平滑加权函数来获取各向异性的加权m-Gabor滤波器,在降低了“光环”效应的同时,保留了有利于识别的暗部特征;最后,使用Gabor商图像的思想求取m-Gabor自商图像,获取人脸图像的光照不变特征。实验结果表明该方法可以有效提高复杂光照场景下的人脸识别率。(3)传统人脸识别算法的时间复杂度会随着人脸图像数据量的提高而快速增加,在大数据背景下,传统的人脸识别算法运行效率低下,不能满足用户的需求。针对该问题,本文提出了一种适用于大数据环境的基于聚类中心点的分布式k近邻分类算法。首先,使用Canopy聚类后的样本类簇代替原始样本数据集建立分类模型,提高了算法的分类速度;其次,使用分布式计算框架对优化后的k近邻算法实现并行化,提高了大数据场景下k近邻算法的运行效率。实验结果表明该方法在大数据场景下的具有较大的性能优势。该论文有图48幅,表12个,参考文献71篇。