林椹尠,李相宇,惠小强

(1.西安邮电大学 理学院， 陕西 西安 710121；　2.西安邮电大学 通信与信息工程学院,陕西 西安 710121；3.西安邮电大学 物联网与两化融合研究院， 陕西 西安 710061)

人脸识别作为生物特征识别领域的重要方法之一，因其具有非接触性和不易窃取性的特点，已经被广泛的应用于安全监控、人机交互、人工智能以及电子商务安全中。人脸识别受到数据中面部姿态、图片颜色、图像大小、背景环境等条件的影响，通常可将人脸识别分为限制性条件下和非限制性条件下的两种识别类型。在限制性条件下，人脸数据多为单一背景下，正面姿态的单人灰度头像的识别。在非限制性条件下，人脸数据大多是从真实环境中采集，并综合了脸部的姿态、光照、表情、背景等多种影响因素，更具有实际应用价值[1-3]。

基于支持向量机(Support Vector Machine，SVM)算法[4-5]，基于主成份分析法[6-7](Principal Component Analysis，PCA)和基于方向梯度直方图(Histogram of Oriented Gradient，HOG)算法[8-9]，是较为常用的人脸识别算法。SVM算法通过对核函数的优化和分类算法的改进来进行人脸识别，由于其提取图像的全部特征，计算量较大，故不适用于大数据的快速识别；PCA是对全局进行特征提取，降低了特征的维度，但识别准确率受光照的影响较大；基于HOG特征提取的方法，不受光照和几何形变的影响，其计算量依然较大。在限制性条件下，如同一背景下的人脸识别和单一表情下的人脸识别，上述3种算法均具有较高的识别准确率。在非限制条件下的人脸识别问题，由于数据中保留较多的冗余信息，使得算法的计算量较大，尤其是在样本量较少的情况下，这三种算法的识别准确率不高。……