从上个世纪六十年代以来,人脸识别算法获得了长足的发展,从对单一背景的针对性研究到现在对各种复杂条件的适应,如表情、姿态、年龄、遮挡等。虽然在有约束的特定环境中,现有人脸识别算法可以取得较好的识别率,但在现实环境中得到的人脸图像常常质量较低,导致识别性能不理想。把这种情形下的人脸识别称为低分辨率人脸识别。低分辨率图像识别的关键点在于解决特征维度不匹配问题,可以大致将识别算法分为两种类型:第一种是超分辨率增强,即先对低分辨率图像进行图片增强,得到高分辨率图片之后,在用较为成熟有效的高分辨率识别方法对增强后的人脸图片进行识别;第二种是比较直接的方法,直接对低分辨率人脸图片提取特征,这些特征要包含有鉴别性的信息特征。基于LBP(local binary pattern,局部二值模式)的算法已被广泛应用于高分辨率图像特征提取,且取得了较为不错的结果。本文通过对局部二值模式算法进行分析,提出两种新的改进算法,将其应用于低分辨率图像上,直接提取人脸的稳健特征,进行人脸识别验证。本文的主要工作如下:(1)提出分块LTP与幅值融合特征提取算法。针对传统LBP特征表达能力有限的问题,本文在局部三值模式的基础上,引入了局部二值幅值特征,补充图片人脸信息。首先分别提取LTP上下模式与局部二值幅值特征图,对特征图进行分块处理,对分块矩阵图像进行直方图统计,按序级联所有直方图特征后进行PCA(Principal Component Analysis,主成分分析)降维。实验结果表明,在ORL数据库上,本方法与传统LBP方法相比,识别性能有较大的提升。(2)提出滑块均权CS-LBP特征提取算法。对人脸区域分块提取特征,由于人脸图像的位置差异,分块区域不一定包含有效的人脸信息,不能完全提取人脸特征。且传统LBP特征统计直方图维数过大。针对上述问题本文提出了滑块均权CS-LBP特征。首先提取人脸图像均权CS-LBP特征图,然后采用滑块方式进行图像遍历,对滑块内的区域进行直方图统计,级联所有子块的直方图后进行PCA降维。实验结果表明,滑块均权CS-LBP特征算法与分块LTP与幅值特征算法相比,仍有提升,且计算复杂度下降,提升运行速度。