人脸识别技术作为模式识别研究领域中的典型问题,在过去的三十年中一直是科研焦点.近些年,作为生物识别技术中的一个重要方向也得到了越来越多的重视,取得了巨大的进步并日臻成熟.然而,虽经多年的研究积累,人脸识别技术在实际应用中却仍然不尽理想.究其原因,除光照、姿态及人脸老化等问题在影响着人脸识别算法的识别性能外,一个不可避免的问题--配准误差问题也在严重影响着人脸识别系统的实用性.但是,与其他问题相比,该问题目前却尚未得到足够的重视.人脸识别领域中,配准误差被定义为使测试图像的特征向量趋向于错误类的小的定位偏差.该文系统地研究了人脸识别中的配准误差问题.首先对人脸识别中配准误差的成因及其对算法识别性能的影响做了详细的分析;在此基础之上,为量化地评价在配准误差情况下算法的性能,该文提出一套考虑配准误差存在下算法识别性能评价方法,其中包括:考虑配准误差鲁棒性的正确识别率计算方法、算法对配准误差的鲁棒性度量和算法对配准误差的敏感性度量.该套评价方法的定义使得在实际应用系统中对算法性能的评价更加客观,并使不同算法对配准误差的鲁棒性得以比较.文中从不同角度给出了配准误差问题的解决策略.从学习配准误差角度出发,该文提出增强线性判别分析方法,也称做E-Fisherface(Enhanced Fisher Linear Discriminant Analysis)方法.该方法是在训练阶段通过使用扩大的、包含有配准误差的训练图像的训练集合以加强分类器对配准误差的鲁棒性.按照该文提出的算法性能衡量准则,文中将E-Fisherface方法在考虑配准误差鲁棒性的正确识别率、对配准误差的鲁棒性及对配准误差的敏感性三个性能指标上依次与传统的线性判别分析方法进行了比较,结果证明EFisherface方法确实是一种有效的配准误差问题解决方法.从采用对配准误差不敏感的特征角度出发,该文利用Gabor小波对信号良好的时频特性以及方向选择性,将二维Gabor小波运用到线性判别分析方法中,研究Gabor特征人脸描述方法在线性判别分析中对配准误差的鲁棒性,并与基于图像灰度信息的线性判别分析方法进行比较,结果证明Gabor特征是对配准误差更鲁棒的特征.