朱 叶，李 琳，张佳鹏

（上海理工大学光电信息与计算机工程学院，上海 200082）

0 引言

人脸识别技术是当前人工智能领域研究热点之一。随着电子科技的发展，人脸识别技术在生活中应用日趋广泛，人脸图像的唯一性、易于采样等优点，使得人脸识别技术发展迅速，如手机面部识别、视频监控、电子门禁等都应用了人脸识别技术。随着人脸识别技术的不断发展，其准确率和稳定性也在不断提升，人脸识别技术日趋完善。

人脸识别是一个典型的图像模式分析、理解与分类计算问题，涉及多个交叉学科。传统的人脸识别方法有主成分分析法（Principal Components Analysis，PCA）［1］、拉普拉斯特征图法［2］、局部保值映射［3］、卷积神经网络（Convolutional Neural Networks，CNN）［4］以及Wright 等［5］提出的稀疏表示（Sparse Recognition based Classification，SRC）方法等。近几年，人脸识别技术在不同场景下应用越来越广，人们对其要求也不断提升。随着传统人脸识别方法的不断改进，人脸识别在可控场景下已经有了极高的准确率。但是人脸识别应用往往是处于非限制场景下［6］的，在真实场景下［7］进行人脸识别时，获取的人脸图像往往受到光照、姿势、表情和遮挡等因素影响［8］，如果使用传统的人脸识别方法，识别准确率会大大降低。如何提高在非限制场景下的人脸识别准确率问题成为研究热点。研究人员已经提出一些减少照明对面部识别的影响方法［9］，如Xie 等［10］提出整合人脸图像的大小特征将人脸图像标准化；Zhang 等［11］提出一种基于非局部均值的归一化方法作为用于鲁棒人脸识别的图像预处理技术等。……