人脸在生物遗传学中是极具吸引力的一个研究内容,而人脸图像分析技术又成为了当今计算机视觉以及模式识别领域的一个热点。人脸图像分析技术涵盖了人脸图像检测、人脸识别等技术。人脸作为生物的一个重要特征之一,在进行身份识别中具有直接、形象、有效等一些独特的特点和优点,也正是因此,人脸图像分析技术在案件侦破、安全防护、信息搜集以及电子信息方面应用前景十分广泛。同时随着计算机以及信息技术的不断发展,对人脸图像的研究以及分析更具有了重要和深远的意义,从而吸引了众多研究者对此领域进行研究。人脸识别是一个比较复杂的过程,总体来说包括人脸特征提取、人脸检测与人脸分类识别。人脸检测可分为对静态图像的人脸检测和对动态图像的人脸检测,即不论给定一系列含有人脸的照片还是一个视频流,要确定出其中的人脸个数以及人脸的具体位置。人脸分类识别是人脸检测的后期工作,即对已知人脸图像,判断识别出具体是哪个人的人脸图像,随之可以确定此人的身份、性别、年龄等一系列信息。由此可知,不管是人脸检测还是人脸识别,都具有重要的研究价值和实际意义。但对人脸图像分析的整个人脸识别的过程具有复杂性,并且研究的任务是多方面的,而且是一项艰巨的研究。本文重点研究人脸图像分析过程的以下两方面。实验证明,基于随机图理论的CCCD图分类器相比较基于近邻图的分类器更具优势,而且性能比较稳定,近年来,有人将基于boosted的CCCD (Class Cover Catch Digraphs)图分类器用在了人脸检测领域取得了较好的效果,本文也将对此进行尝试和研究。另外,不管是人脸检测与分类,若有较好的人脸特征数据,即选取有效的人脸特征提取方法,是保证效果良好的前提。而LBP (Local binary pattern)算子被实验证明能够有效提取人脸图像的纹理特征,因此,本文利用将改进的ε-LBP算子与CCCD图分类器相联合来实现人脸检测的方法。本文用ε-LBP算子提取人脸图像纹理特征,把对应不同ε值提取的人脸特征数据加权融合起来,将加权融合后的特征数据来描述人脸,然后在此特征数据为的基础上,建立CCCD图分类器,进而对人脸图像实现有效检测。在入脸识别方面,利用LBP算子提取人脸纹理特征的高性能以及ISOMAP(ISOmetric feature MAPping)能有效降低高维数据的特性,本文提出了种基于改进LBP算子和ISOMAP相结合的人脸图像识别算法。用LBP算子提取的人脸纹理特征维数会较高,对此降维而又要保持数据的本质特征是提高分类识别的一个关键,而ISOMAP方法恰能起到这样的功能。因此,本文首先利用一种改进的ε-LBP算子提取人脸图像纹理特征,然后,用ISOMAP对此高维纹理特征数据进行降维,得到人脸特征数据的本质几何结构,最后将降维后的数据作为分类器的输入进行人脸分类识别。实验结果表明,与其它算法比较,此算法能够对人脸图像进行良好的分类识别。