人脸特征与其他生物特征相比,具有易被客户接受、设备成本低等优势。经过数年的发展和研究,人脸被广泛的应用于各种识别系统中,并且其理论体系也日趋成熟。在人脸识别算法中,人脸特征提取是影响识别效果的一个重要因素。如何更好的对人脸特征进行提取,并进行有效的描述,成为当前研究的热点,也是本文的工作重点。局部二值模式(LBP)是一种灰度范围内的纹理描述方式,它从一种纹理局部近邻定义中衍生出来,最初是为了辅助性地度量局部图像对比度。近年来,研究者们成功地将其用于人脸特征描述和识别,并取得了显著的效果。由于边缘响应比灰度像素值更加稳定, T. Jabid等人提出了以边缘响应作为特征提取模板的局部方向模式(LDP)。但是LDP算子对光照不均匀情况比较敏感,针对这一缺点,本文主要完成了如下研究工作：1、分别研究了基于均值、方差以及均值方差级联的局部方向模式(LDP)特征的人脸识别方法。在相同的测试条件下,通过比较这三种特征的识别率可知：基于方差的LDP特征对识别效果并不理想,可考虑用其他方式应用图像方差；基于均值的LDP算法最优,该算法在降低了特征维数的同时保证了较高的识别率。2、通过分析基于方差的LDP特征的不足,提出了图像方差三值模式(VTP)。该算法能够很好的描述图像边缘特征,计算简单、特征向量维数少等优点,而且识别率高于基于方差的LDP特征。但是VTP算子“忽略”了对图像平坦区域的描述,降低了图像整体特征的描述能力。3、提出VTP特征和均值LDP特征的融合特征(F-VTP)。F-VTP将VTP算子和基于图像均值的LDP算子相结合,充分利用两个算子的优势,大大改善和提高了算法精度。实验表明,在光照不均匀的情况下,F-VTP算子优于其他算子。4、提出改进型k邻近(k-NN)匹配算法。在人脸识别研究中,训练人脸集包含了多个子类并且k值固定。本文针对人脸特征过程中的k-NN匹配算法提出了改进型的算法,改进算法将k赋随训练样本数变化的变量,并以k个距离最小样本的距离和作为匹配度的量度,改进后的算法获得更高的识别率。