随着智能手机、互联网金融的发展,以及家庭智能安防机器人的普及,人脸识别在身份认证,犯罪监控等方面的应用日益广泛。目前的正面人脸图像的识别也达到了较高的水准,但是由于图片拍摄条件的限制,在很多情况下,摄像头不能获取标准的正面人脸图像,而目前的人脸识别算法在多姿态的情况下的表现并不理想,已有的一些多姿态的人脸识别算法也存在着计算量过大、识别率不高等问题。针对目前的人脸识别算法在多姿态的情况下识别率低下的问题,本文提出了一种通过姿态矫正的方式将多姿态的人脸图像矫正成为标准的正面人脸图像,再进行正面人脸识别的算法,来解决水平偏转角度在[-45°,+45°]的侧面人脸图像的人脸识别问题。本文中,在AdaBoost算法的基础上,分别训练了三个人脸分类器,来负责左侧脸,右侧脸以及正脸图片的人脸检测,并通过串联的形式来实现整个角度区间的多姿态人脸检测;通过将人脸姿态划分为五个区间,分别在各个区间内训练了主动形状模型(Active Shape Model,ASM)来拟合该区间内姿态相近的人脸图像,来获取人脸的形状轮廓,并与特征点定位相结合的方式确定人脸所属的姿态区间,以此来选择最佳匹配的ASM;通过高斯过程回归进行学习侧脸轮廓与正脸轮廓之间的非线性映射规律,并基于映射函数从侧脸轮廓预测出了正脸的外形轮廓;再通过分段仿射变换的方式,将侧面人脸图片中的纹理映射到预测的正脸轮廓中,合成出经过姿态矫正的人脸图像。为了测试人脸姿态矫正的效果,使用基于局部干波二值直方图序列模型(Local Gabor binary pattern histogram sequence,LGBPHS)的人脸识别算法对来自于人脸数据库中经过姿态矫正的人脸图片进行人脸识别实验,通过对比姿态矫正前后人脸图片的识别率,实验结果显示经过姿态矫正之后人脸图片的识别成功率有明显提高;将采用本文算法进行姿态矫正的人脸图片的识别成功率与其他研究者所取得的实验数据进行对比,实验结果显示本算法所取得的识别率与其他研究者相比也有所提高,证实了本文中的算法对于多姿态人脸矫正和识别的有效性。