人脸识别是当前人工智能、模式识别和计算机视觉领域的热门研究课题之一,该技术已被广泛应用在信息安全、电子商务以及安全门禁等多个领域当中。然而,在实际应用中人脸的姿态变化是影响人脸识别结果的主要因素之一,导致很多应用对用户的使用都有姿态上的限制。针对该问题,本文分别研究了平面矫正以及通过深度神经网络模型来实现对姿态等因素鲁棒的人脸识别方法,具体的创新点和工作如下:1)提出了基于加权Lucas-Kanade(LK)算法的最大Gabor相似度姿态人脸识别方法。首先分别将姿态的人脸以及正脸图像进行对应分区,采用基于加权的LK算法得到每块人脸的仿射变换参数,对于一块区域,若所有训练集中这一块矫正的人脸块与对应正脸块Gabor余弦相似度最大,则认为此仿射变换参数是这一块的最优仿射变换参数。另外,以每一人脸块最优参数得到的平均Gabor相似度作为这一块人脸的权重进行识别,从而增加大姿态人脸识别的精度和鲁棒性。最后,在FERET人脸数据库中进行了每块最优参数的评估以及侧脸姿态的矫正实验,同时也进行了识别率的实验,证明了所提方法的有效性。2)提出了基于多任务的深度特征空间姿态人脸识别方法。残余等变换映射模块在深度特征空间对侧脸特征进行补偿,从而实现人脸的姿态矫正。本文在最初残余等变换映射模块的基础上添加一个新任务,用于完成侧脸输入特征的重构。新任务与最初的残余等变换映射的深度空间姿态矫正构成多任务,通过多任务的作用,可以评估生成的正脸深度空间特征,提高网络的识别能力,使得整个网络更加健壮。实验结果表明,与原来模块相比,多任务的加入对识别性能有了一定的提高。