人脸识别的研究对于图像处理、模式识别、计算机视觉、计算机图形学等领域的发展具有重大的推动作用。随着视频监控、信息安全、访问控制,尤其是互联网信息检索等应用领域的飞速发展,非约束环境下多姿态人脸识别已成为模式识别领域最为活跃的研究方向之一。如何有效地利用人脸图像的像素信息进行度量学习,克服人脸分辨率低,尺度变化,光照变化,剧烈的姿态变化,和遮挡等困难是研究的重点。另外,实时人脸识别受到越来越广泛的关注,如何在海量人脸数据库中,找到目标人脸,对算法速度的要求越来越高。针对这些问题,本文主要从度量学习、人脸预处理、人脸识别检索系统三个部分开展研究,具体的工作如下:1.关于度量学习方法,本文设计了一种新的多监督的度量学习方法。该方法首先需要将人脸图像进行归一化对齐,包括2D人脸对齐和3D人脸对齐。然后提取SIFT特征,进行高斯混合模型建模,获得Fisher Vector特征,最后利用多监督度量学习对人脸图像进行降维处理,尽量降低类间的人脸距离,增大类内的人脸距离。在2D人脸对齐情况下,本文算法超过了现有同条件使用LFW库的算法。2.关于人脸预处理问题,本文考虑了一个新的研究领域——人脸血迹擦除。首先根据人脸血迹的特征,利用决策树检测出血迹的位置,然后利用人脸修复算法对人脸进行修复,当人脸仍然被覆盖较多血迹时,重复迭代上述过程,直至血迹被有效擦除。并且,本文也将对人脸各器官进行掩膜,防止被错误修改。实验结果表明,本文提出的血迹擦除算法对于人脸检测和人脸识别也有积极的作用。3.关于人脸识别应用系统的设计实现,本文着重考虑检索加速,使用了随机k-d树和优先搜索k-means树对数据库建立索引,在保证人脸识别率几乎没有影响的情况下,提高了实时人脸识别的速度。