随着科技的发展和人们安全意识的提高,对快速有效的身份鉴别的需求日益迫切。人脸相比于其他人体生物特征具有直接、友好、不具侵犯性等优点,因此人脸图像识别成为身份鉴别的研究热点,有着广泛的应用前景。一套完整的人脸图像识别系统,包括3个关键步骤:人脸检测、面部特征点标定、特征比对。三个步骤环环相扣,直接影响人脸识别系统的识别性能。本文的研究方向是人脸标定与开集识别算法,重点探讨了人脸识别系统中面部特征点标定和特征比对中的开集识别问题,提出相关优化算法,并实现对应的系统模块。体现在工作量上,包括以下部分:1.将Adaboost人脸检测方法推广到复杂背景下的多角度人脸检测,实现了基于角度估计的多角度人脸检测演示模块。作为人脸标定的前期步骤,人脸检测算法的精度直接影响着后续标定工作的精度。与正面人脸检测相比,多角度人脸检测的研究相对薄弱,难度也大得多。本文将多角度人脸划分成三类:全侧脸,半侧脸及正面人脸,并为不同角度的人脸建立不同的分类器分别用于检测和角度估计,解决了复杂背景下多角度人脸检测问题。2.研究了面部特征点精确标定问题,针对传统ASM轮廓定位不精的缺点,提出局部轮廓约束的主动形状模型,并实现了准实时正面人脸特征标定演示模块。主动形状模型(ASM)是面部特征点标定的一种常用算法。针对传统ASM对面部轮廓点定位不够理想的问题,本文提出了一种局部轮廓约束的主动形状模型(Local Profile Constraint ASM)。该模型对传统ASM有两个方面的改进:其一,将候选点的轮廓强度作为自调节权重加入ASM的局部纹理匹配函数,使最佳匹配点更易被吸引到面部轮廓上。其二,引入全变分模型(TVM)作为图像实施标定前的预处理,在保留足够用于标定的纹理信息前提下,增强轮廓点与其一维邻域点的轮廓强度对比。在BioID人脸库上的大规模测试结果表明,该方法有效地提高了轮廓点的定位精度,为后续的特征比对打下良好的配准基础。3.研究了特征比对中的开集识别问题,提出基于Adaboost的开集人脸识别算法。人脸图像识别系统中,特征比对算法直接影响到识别系统性能,是识别算法最核心的问题。本文针对特征比对算法中的开集问题,即有拒识的识别问题,提出一种新颖的解决方案。利用样本的几何变换,减小正负样本相似度之间的重叠区域,扩大正负样本集间距离,进而对一般的基于Adaboost的闭集人脸识别方法作出改进。同时,使用两层识别结构和样本变换预处理策略,提高识别速度。