自动人脸识别研究试图赋予计算机根据面孔辨别人物身份的能力,是一个典型的图像分析、理解和模式分类问题。虽然经过近40年的研究,人脸识别取得了长足发展,但是由于人脸是非刚性物体并容易受到光照、姿态和表情等因素的影响,在非可控、非用户配合条件下的人脸识别仍然是一个极具挑战性的课题。特别是当人脸图像中光照条件发生变化时,人脸识别性能急剧下降。　　本文首先对人脸识别特别是光照变化条件下的人脸识别研究进行了历史和发展的详细回顾,然后在此基础上围绕光照变化问题,从图像预处理、图像本征图提取、光照不变特征表达等几个关键环节展开研究,同时本文还对基于提升的统计学习人脸识别方法进行了分析和研究。主要的内容及创新之处包括:　　(1)提出了一种基于人脸局部结构的光照归一化方法　　相对于其它针对光照影响的图像建模和人脸建模方法,光照归一化是一种直接而又简单有效的去除光照影响的方法。本文在分析现有光照归一化算法后,提出了一种基于人脸表面反射同质子区域的光照归一化方法,这样使得归一化具有依据人脸表面起伏结构的局部适应性,从而获得了更好的去除光照效果,在使用最近邻分类器的人脸识别试验中验证了该算法的有效性。　　(2)研究了基于人脸本征图的光照不变人脸表达方法　　本文分析了现有的基于图像光照-反射模型的人脸图像表达方法。研究发现,本征反射图像是反映物体本身属性而无外在光照影响的图像表达,因此在该假设下,本文提出了一种基于总变分L1模型的图像滤波技术用来估计人脸图像的本征反射图像并用于人脸识别。该滤波方法在对图像平滑的同时具有优良的边缘保持作用,这样在对光照图像估计的同时对人脸中有利于类判别作用的细节信息给予了有效保留。最后用本征反射图像表达的人脸识别试验表明了该方法的光照鲁棒性。　　(3)研究了基于定性序特征图像表达的人脸识别方法　　对人类人脸识别的生物特性研究表明,人类人眼对人脸图像感知的过程中,对图像中灰度反差的极性而不是反差大小更具敏感性,特别是在光照变化情况下,图像灰度反差的序关系是一种恒定的光照不变量。基于该结论和现有人脸定性特征表达方法,本文提出了一种基于图像局部纹理分析的局部序特征提取方法-局部序映射,这种表达统计图像局部像素间的序关系,在光照变化条件下具有很好的稳定性,并且计算非常简单,最后在试验中的测试也表明了该算法的有效性。　　(4)研究了基于多类提升的人脸识别算法　　从集成式学习的研究分析出发,本文从统计学习的角度研究更一般的人脸识别问题。通过对当前应用广泛的集成式学习Adaboost算法针对二类分类问题及多类别扩展的研究,本文引入了一种直接多类Adaboost算法用于人脸识别领域,并且着重提出了一种基于加权决策树的弱分类器设计方法,这是对二类Adaboost算法中使用较多的二类树桩弱分类器的多类别扩展。使用多类别Adaboost算法具有如下优点:K类分类问题同时对待,在每一次循环只需拟合一个损失函数,算法结构更加简洁易实现等。最后在非人脸测试数据库和真实人脸库中的试验结果表明了该算法的可行性。