人脸识别是计算机视觉和模式识别领域非常活跃的研究方向之一。现实场景中的人脸图像会受到光照、姿态、表情、遮挡等因素的影响,这给人脸识别带来很大困难。为此,研究者们针对如何提取对上述因素鲁棒的人脸特征进行深入研究。其中,基于特征图(Feature)生成、模式图(Pattern Mapping)编码和柱状图(Histogram)计算的特征提取框架(简称为FPH框架)受到了广泛的关注和研究,并取得了显著的效果。但FPH框架为什么要采用这样的组合以及其为什么具有鲁棒性,目前还未有对此进行深入研究的工作。本文对FPH特征提取框架的鲁棒性及其在人脸识别中的应用进行研究,主要工作和研究内容如下:(1)深入分析FPH特征提取框架的鲁棒性,针对特征图的生成、模式图的编码进行研究,得出了特征图的生成准则,即特征提取的局部性、特征分解的冗余性和对噪声的深度滤波;探究了模式图对特征图的可逆压缩编码的原理和作用;分析了不同的特征图与不同的模式图之间的匹配规律。在AR和Extended Yale B两个人脸数据库上验证并分析了FPH框架中各部分的重要性。(2)结合FPH特征提取框架的鲁棒性原理,基于增强特征冗余性的目的,提出局部球面规范化方法,通过将其嵌入到PCANet网络中,大大提高了特征的冗余性,同时增强了网络对噪声的过滤能力。在AR和UMB-DB两个人脸数据库上的实验表明改进后的PCANet比PCANet具有更强的遮挡鲁棒性和光照鲁棒性。在以后的工作中可考虑在FPH框架下研发新的特征提取方法和模式图编码方法,进一步提升人脸识别的鲁棒性。