人脸在我们社会交往中扮演着重要的角色,传递着我们自身信息。生物识别密码技术是一种非常关键的安全技术,因其有着广泛的应用前景,在过去的几年里一直受到业内广泛的关注。人的面部表情有很多的变化(如:脸部老化、面部表情、明亮程度、不标准的姿势等),这些变化会导致脸部识别信息不准确,辨认身份能力较差。虽然人脸识别的技术上,已经有了很大的进展,同时也显示了非常精确的结果,但是在实际应用中,年龄不变的人脸识别仍然是系统应用中一个非常重要的挑战。我们研究的目的是提供一种解决脸部识别问题的方法,这些问题收很多参数变化的影响,如姿势、明亮程度、年龄不变和面部表达等。为了解决这些问题,下一节将详细阐述不同的算法,来证明所提出模型的有效性。为了证明在姿态变化、明亮程度和表达方面获取结果的可靠性,我们结合了两种算法:(a)鲁棒性local binary pattern(LBP),用于面部特征提取;(b)k-nearest neighbor(K-NN)进行图像分类。我们的实验已经在CMU PIE(Carnegie Mellon University Pose,Illumination,and Expression)的数据库上和LFW(Labeled Faces in the Wild)数据集上进行了比对验证。结果证实我们提出的识别系统具有较高的性能,并提高了人脸相似性度量的值。本研究对卷积神经网络(CNN)的深度学习和其有效的新用法进行了研究,特别是支持向量机(SVM)的方法,以解决年龄不变的人脸识别问题。我们把在不同时间段拍摄的主题的图像当作一个单一的集合,然后与其他主题的图像集合进行比较。使用卷积神经网络(CNN)去提取面部特征。在这里,我们发现使用VGG-Face deep(神经网络)的一个CNN架构产生了高度的识别性和可互操作的特性,即使在不同的生物特征数据集(大的或小的,约束的或不约束的)中,也会对老化的变化产生强烈的影响。由于一个人的面部特征随着时间的推移而发生变化,这导致了大量的脸部信息发生了变化;因此,在提取的脸部信息特征时,要显示出高的跨类和低的内部类变化,否则使用子空间判别分类器的集合来对老化的数据集进行比较,必定会产生低泛化的错误。基于SVM的人脸识别方法实现了对图像的分类。对两种著名公共领域的老化数据集进行大量的实验研究发现:MORPH Album2和FGNET证实了该方法的有效性。取得的结果表明,基于集合的识别性能优于基于单列的人脸识别方法。我们还发现,通过使用基于集合的识别,更容易被识别的是较年轻的主题,而不是较年轻的主题从较老的主题。本研究的最终目的是在不同的参数(姿势、明亮程度、年龄不变和面部表达等)方面,呈现与研究活动相关的具体事实。介绍了过去十年中采用的主要方法,提出了一份综合的基准测试结果清单,最重要的是为今后的发展提供了路线,以便在人脸识别方面提供一些要求和研究方向。