人脸识别技术是模式识别和机器视觉领域最富挑战性的研究课题之一,它在公共安全、信息安全、人机交互等领域中有着广泛的应用前景。经过三十多年的研究,人脸识别技术在理想环境条件下已达到实用程度,但是在环境不可控的情况下,由于光照、姿态、表情、遮挡等变化的影响,已有的人脸识别算法性能大大下降,其应用范围也受到了较大的限制。因此,针对各种变化的鲁棒的人脸识别技术是当前的一个研究热点。本文主要针对不同光照条件下的人脸识别技术进行了研究。主要完成的工作概括如下:首先,在图像预处理环节,本文提出了一种人脸图像光照补偿的新方法。通过构造原人脸图的二值图,从而确定出原图所属的光源方向。然后,在除正面光源外的每个光源方向上构造出通用的平均亮度差值来进行光照补偿。最后,结合去掉三个特征值最大的PCA特征向量的方法进行识别。实验表明,这种方法能够显著提高光照变化条件下的人脸识别率。其次,在特征提取环节,分别介绍了PCA,2D-PCA,2D-LDA和PCA+LDA四种方法的基本原理。其中,2D-PCA和2D-LDA都是基于2D人脸图像矩阵而无须矢量化的方法,能够有效地解决运算量和矩阵奇异的问题。而PCA+LDA算法则是先用PCA投影矩阵将原始向量空间降维,然后再用LDA进一步降低维数并获取精简的分类特征,从而在能够很好地表示图像的结构信息的同时减少了计算量,也避免了LDA的矩阵奇异问题。在分类器设计环节上,介绍了4种经典的分类器:最近邻分类器,k-近邻分类器,SVM和贝叶斯分类器,其中重点讨论了贝叶斯分类决策的基本原理及在人脸识别中的应用。最后,在原始图像集、直方图均衡化的图像集和用本文提出的光照补偿算法补偿的图像集上,分别将不同特征提取方法与不同分类器进行组合实验。在实验数据中分别从光照预处理,特征提取方法和分类器三方面进行分析,从中得到在不同光照条件下识别效果最好的组合:先用本文提出的光照补偿对图像进行预处理,然后结合PCA+LDA方法和贝叶斯分类器。