人脸识别技术是指利用计算机分析人脸图像,提取有效的人脸描述特征进行身份鉴定的一项技术。人脸识别技术因其巨大的应用前景成为当前模式识别和人工智能领域的一个研究热点。在人脸识别技术中,如何提取和选择有效的人脸描述特征是研究的关键内容。近年来,基于局部二值模式(LBP)的特征提取算法在人脸识别领域取得了较好的效果,但仍存在一些问题需要解决。本文对LBP进行了深入地分析与研究,并在以下方面作出改进:在局部三值模式(LTP)的基础上引入方向局部二值模式(D-LBP)对方向的定义,提出一种方向局部三值模式(D-LTP),在利用D-LBP算子降低LTP特征维数的同时利用LTP的三值编码来解决D-LBP无法区分正同方向和反同方向的问题。同时由于D-LBP特征维数大幅降低,因此在编码中引入全局灰度特征使算法对全局特征具有一定的描述能力,增强了算法的分类能力。在D-LTP基础上引入自适应阈值t_L与t_G提出了方向局部三值模式(SD-LTP),弥补类LTP算子由于固定阈值而导致的局部特征提取不全,增强了算法抗噪声干扰的能力。在ORL与FERET库上的实验表明,SD-LTP可以有效解决LTP算法特征维数与阈值选择的问题,显著增强人脸分类能力,证实了改进的有效性与可行性;同时在ORL库上进行的高斯白噪声实验体现了SD-LTP的抗噪性。为了解决类LBP算子对于多尺度特征提取的局限性问题,结合M型金字塔图像数据结构,提出一种SD-LTP金字塔特征提取方法。通过对图像进行平滑滤波和降采样处理来构建M型图像金字塔,保证SD-LTP可以提取人脸图像不同尺度下的纹理信息。在ORL与FERET库上的实验表明,SD-LTP金字塔特征相比于经典人脸特征提取算法和原始SD-LTP算子,能有效地增强人脸分类能力;同时在ORL库上进行不同训练样本与测试样本比例的算法实验,体现了SD-LTP金字塔特征在少量训练样本情况下依然具有良好的分类能力,进一步证实了SD-LTP金字塔特征对噪声的鲁棒性。