过去四十年来,人们对于人脸识别技术已经进行了广泛地研究和探讨,但是由于它所具有的技术挑战性以及该技术在实际生活中的潜在应用,它仍然当下是图像处理和机器视觉所积极研究的领域。更重要的是与其他生物识别方法相比较,人脸识别系统可以利用低成本设备,并且不需要与被测物体有任何直接接触,就可识别其面部重要特征。虽然人脸识别研究的历史相当长,近年来也取得了很大进展,但现有的人脸识别系统的效果尚未达到令人满意的水平。因此,人脸识别也被认为是模式和对象识别中的特殊和难处理的情况。随着智能手机和快速移动网络的广泛使用,数百万张照片每天会从社交网络上传到云端存储设备,如 Dropbox,Facebook,Twitter,Instagram,Google+和 Flicker这些社交平台。从这些照片中来组织和检索相关信息是非常具有挑战性的,并且直接影响到这些平台上的用户体验。例如,用户通常会查找在特定位置,特定时间或特定朋友拍摄的照片。前两个查询是非常简单的,因为几乎所有今天的相机都会将时间和GPS位置嵌入到照片中。最后一个查询,即上下文查询更具挑战性,因为没有关于照片中人身份的明确信号,识别的关键就是检测人脸。这使得低复杂性、快速和准确的面部检测系统成为基于云的照片共享/存储平台的重要组成部分。人脸识别领域的研究具有悠久的历史,不同研究人员对这一技术的研究提出了不同的方法。为了准确地代表本研究领域的研究背景,人脸识别系统必须针对人脸识别的不同方法进行分类。一般来说,有两种截然不同人脸识别方法,即将基于特征的方法和整体方法用于人脸识别。基于特征的方法使用独特的面部特征,如鼻子,眼睛,嘴等,并计算不同面部点之间的几何关系。这个研究领域的早期尝试是在1973年完成的,Kanade使用简单的图像处理技术通过关注16个不同的脸部特征来提取特征向量。使用20人的简单数据库,在相同候选人的两幅图像之间计算面积,距离或角度比等参数。在其的早期尝试中,达到了 75%的识别率,当时,这个效果被认为是非常显著的。随后,基于特征提取的方法取得了更多的进展,并且出现了新的技术。例如,可变型模板方法、霍夫变换方法、数学形态运算符等。然而,这些技术虽然能够更好地在受限状态和实际情况下工作,但其工作性能却下降了。Wiskott等人提出了现在广泛使用的基于特征的面部识别技术,它能够成功地表示特定数据库中的面部特征,它主要在动态链接结构的基础上起作用。使用这种技术,在250人的数据库中可以达到98%的识别率。最后,统计特征提取方法中利用图像增益来提取图像纹理特征是最受欢迎的特征提取之一,这是由于其不变性会影响单调灰度级变化和计算效率。Ojala等人提出的用于纹理分析的局部二元模式是一个3x3的局部描述符,它计算相邻像素到其中心像素的距离,并转换为二进制模式。在Ojala介绍LBP描述符之后,对于这种基于纹理的描述符已经进行大量的研究工作,目前的LBP已经具有很多扩展形状。因此,能够使用LBP的对面部进行描述主要是因为面部由微图案组成并且这些微图案能够被该方法良好地描述。全局方法尝试使用整个图像来识别面部,现在用于人脸识别最流行的方法是由Turk和Pentland首先提出的主成分分析法,它主要通过计算协方差矩阵来寻找特征面。直到今天PCA仍然是最广泛使用的特征提取算法,它不仅用作基础来与新的方法进行比较,而且许多新的算法衍生出来还从其中衍生出来。许多用于人脸识别的混合方法都是采用PCA来降低其特征向量的维数。一些现代软件利用人工智能来训练神经网络进行面部识别,其中Facebook使用的DeepFace软件是使用神经网络的现代人脸识别系统的最佳示例。人脸识别一直是视觉界的热点研究领域,这在图像分析和计算机视觉领域是一个具有挑战性的任务,在过去的几年中,由于其在各个领域的广泛应用,所以受到了极大的关注。这个研究领域已经在受控条件下进行了大量的研究,并且取得了丰硕的成果。但在不受控制的条件下,人脸识别仍然是一个无法解决的问题。例如,人脸识别的一个关键应用是在没有受控条件下收集图像的安全监视。因此,本研究提出了基于纹理的统计特征提取方法即LBP,以应对人脸识别的一些问题,并且利用人脸纹理所包含的大量信息来设计人脸识别系统,LBP是一个简单而强大的纹理特征提取工具。脸部区域首先被划分成提取局部二进制模式(LBP)直方图的小区域,并将其连接成可以有效表示面部图像的单个特征直方图,使用奇方距离法作为不相似度量进行识别。本研究的主要目的是通过以往的识别技术来实现较高的识别率,并通过减少特征向量的长度来加快识别过程。本论文研究了基于LBP的人脸识别技术,分析了影响人脸识别率的一般因素,特别是面部表情的变化和面部强度变化的影响,以提高人脸识别率。基于标准FERET数据库(包含不同姿态,照明,表达等不同组合的图像),开展了图像表面提取纹理特征的局部二进制图案的实验,并通过改变LBP参数的大小对LBP方案进行了测试,将测试结果与其他现有的面部识别方法进行了比较。初步实验后,发现LBP的扩展性不太理想,这些扩展主要包括邻域检测像素(多圈邻域)的扩展,权重分配过程以及PCA与LBP的使用。将实验结果与以前LBP方案的实验结果进行比较后,发现这些扩展实际上已基本实现,特别是使用了局部二元模式的主成分分析后能够对实验结果产生有利影响。从训练图像的特征向量中选出最具代表的特征面进行比较,结果表明,使用PCA的识别率与不使用PCA的识别率几乎相同,但使用PCA可以显着降低特征向量的长度。总之,通过正确选择LBP的实验方案,可以在人脸识别方面取得较好的效果。实验得出的等级曲线表明,LBP是基于特征的人脸识别系统的最佳方法之一。将该法使用在FERET数据库中,可以实现约97%的识别率。并且由于Set包含不同面部表情的图像,因此,可以得出LBP对于表情变化有较高的鲁棒性的结论。另一方面,尽管对其他数据集的识别率有点不理想,但仍然优于用于相同数据集的其他方法。