自动人脸识别技术包含人脸辨识和人脸确认两类不同的任务。近年来,自动人脸识别技术取得了很大的进展。但是大多数研究工作集中于人脸辨识领域,只有少数文献探讨人脸确认问题,而且没有对人脸确认的特殊性进行深入研究。基于此,本文重点针对人脸确认问题进行了研究,主要工作包括:(1)集中讨论了人脸确认任务的特殊性问题,从多个方面对人脸确认与人脸辨识进行了比较,并推导了“首选识别率”、“等错误率”以及“最小错误率和”之间的数学关系,提出了计算系统的辨识和确认性能的数学模型,并使用该模型在理论上证明了:当用户的类内和类间相似度值的分布发生变化时,系统的确认性能和辨识性能遵循不同的变化规律。也就是说:一种辨识性能好的算法,未必具有好的确认性能,反之亦然。(2)探讨了确认系统中的阈值设定策略。针对图像表观变化导致的相似度偏移问题,本文讨论了解决该问题的两种方法:用户特定阈值和分值归一。我们通过理论分析,证明了在每个用户只有一幅训练图像时,用户特定阈值与Z-Norm分值归一方法的效果等价,并通过实验验证了这一结论。我们在FERET和CAS-PEAL人脸库上使用多种分类算法进行实验,实验结果表明,与统一阈值方法相比,在多数情况下分值归一方法能有效的改进人脸确认系统的性能。(3)研究了基于SVM的人脸确认算法。本文在PCA和LDA子空间中,求取样本的差向量,再使用SVM分类器对类内差和类间差进行分类。我们在FERET人脸库上将SVM方法同多种基准算法进行比较,实验表明:在PCA子空间中,使用SVM方法对类内和类间差向量进行分类,与传统的直接计算向量相似度相比,能有效提高系统的确认性能,而在LDA子空间中,对差向量的SVM分类方法不能明显改进确认性能。(4)提出了一种新的基于局部二值模式的SVM人脸确认算法(LBP-SVM)。该方法首先提取图像的LBP特征,然后计算出局部统计相似度,并将所有的局部相似度连接成相似度向量,最后使用SVM分类器对类内相似度向量和类间相似度向量进行分类。对于FERET人脸库的所有测试子集,LBP-SVM方法的确认性能都好于不加权的LBP算法。本文在人脸确认问题上的初步研究结果使我们进一步认识到:尽管确认与辨识在核心技术上是相通的,但确认问题的确存在其特殊性,尤其是相似度偏移问题,应该引起更多的关注。