王金平

(太原理工大学 科学技术研究院，太原 030024)

人脸识别作为计算机视觉中的重要领域一直是学术界与工业界的研究热点。人脸识别往往通过辨别面部器官(眼睛、鼻子、嘴等)形状、大小、分布的不同而进行判断。但光照、姿态、遮挡、表情、老化等变化因素为人脸识别带来了困难。同时，海量人脸图像处理过程中所遇到的“维度灾难”问题，同样是人脸识别领域的挑战之一。

20世纪90年代以来，研究者们相继提出了不同的人脸识别方法。BRUNELLI et al[1]提出了两种算法,分别基于几何特征与灰度特征进行模板匹配。WISKOTT et al[2]提出了一种基于弹性图匹配的人脸识别系统，该系统对人脸图像通过弹性图匹配操作进行特征提取，并通过相似函数进行比较。CHEUNG et al[3]针对基于整体外观的脸部识别方法需要高维度特征空间来获得优秀表现这一问题，提出了一种较低维的特征尺寸与模板匹配方案,使用聚合Gabor滤波器响应来表示脸部图像,在识别面部表情有变化的重复图像上比主成分分析方法更具有鲁棒性。WRIGHT et al[4]将识别问题看作多元线性回归模型中的一种分类模型,并使用了稀疏重构表示主成分特征,提出了处理由遮挡和破坏引起的错误识别的新框架。针对维度灾难问题，不少研究者利用主成分分析(PCA)[5]方法来对人脸识别进行研究，但这种方法只考虑图像的低层统计信息而忽略图像的高层信息。一些研究者进一步提出利用稀疏编码方法对人脸进行识别以获得海量人脸图像更高阶的信息[6-7]。……