人脸识别技术在计算机视觉和模式识别领域受到了越来越多的重视,逐渐成为了一个热门话题。现在,大多数的人脸图像是在可见光的条件下拍摄的,而在可见光环境中,光照条件是多变而且复杂的。那么人脸识别的性能就受到了环境光照变化的影响,因此克服光照变化的影响成为了人脸识别领域的一个重要问题。由于近红外光成像对光照变化的鲁棒性,使得近红外光成像技术在一定程度上解决了这个问题。在近红外人脸识别应用中要求注册和检测的人脸图像都是在近红外光照的条件下拍摄的,而实际应用中大量的人脸图像采用可见光的条件拍摄,例如身份证照片等等。那么实现可见光人脸图像和近红外关人脸图像的交叉注册和验证便成为了一个问题。因为成像的方式不同,那么同一个人的可见光图像和近红外图像存在很多表观上的差异。但是从人类认知的角度讲,它们应该被识别为同一个人,这样就意味着同一个人的可见光图像和近红外图像存在着某种关联。本文将从两个方面出发,介绍提高可见光和近红外人脸识别算法的性能。本文主要有两个关键点：1.特征融合方法。在阅读了大量文献,做了大量相关实验后发现有三种特征在可见光／近红外人脸识别方面有较好的性能,即SIFT特征、LBP特征和HOG特征。特征融合方法分为平行性和连续性特征融合,我们主要使用了带权值的连续性特征融合算法将三种局部特征融合形成一个新的特征表示。根据实验验证,可以得出结论,使用特征融合算法将多个特征融合,其识别性能比单一特征的识别性能高。2.基于ELM的多任务聚类算法。极限学习机(Extreme Learning Machine)是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。多任务学习算法(Multitask Learning)研究是通过同时学习多个任务的机器学习算法。通过使用共同学习的方式取代原先常用的独立学习思路。通过利用多个任务间的关联性,挖掘多个任务所蕴含的共性,而避免训练数据少而引起的欠拟合从而提高算法泛化性能。本文提出的算法是基于ELM映射的多任务学习,首先将原始数据通过ELM映射到低维空间,然后使用多任务聚类的方法分类,并且通过实验验证其识别性能。