面孔识别是身份认证以及社会安防的一种重要手段,是模式识别与图像处理等领域的研究热点之一。面孔识别的传统算法通常基于先验知识实现面孔和五官的检测和定位,然后充分挖掘脸部的形态特征或梯度信息,最后利用模板匹配或深度学习等策略实现人脸识别。而事实上人类的视觉感知系统具有非凡的面部识别能力,纯粹从数学黑箱模型的角度来分析人脸与视觉神经工作机理存在着较大的偏差。因此本文构建一种基于(Leak Integrate-and-Fire,LIF)模型的动态神经元单元,使其具有敏感度和周边抑制等特性,并试图引入视觉神经通路的视觉机制,包括但不限于视觉感受野、方向选择、选择注意以及视觉信息流的神经编码等机制,从视觉感知的角度实现快速有效的人脸识别。论文研究工作和成果主要包括以下几点::(1)提出了一种基于生物视觉信息流传递和处理机制的面孔识别新方法。构建DOG感受野和Gabor多方向响应单元,模拟视网膜细胞和神经元节细胞,对视觉信息进行过滤。利用LIF神经元对视觉通路上的方向选择特征进行时空编码,对人脸的特征数据进行有效的提取和选择。(2)提出了一种基于选择注意机制的面孔显著性信息提取新方法。在人脸图像上计算局部区域信息熵,经过神经元的编码环节,根据神经元脉冲发放信息来定位图像中特征富集的位置,将方向选择特征增强为显著性图像。实验结果显示,通过选择注意机制可以有效定位输入人脸图像中信息丰富的区域,此外还抑制了周边噪声的干扰,提高了面孔识别的准确度。(3)构建了一种基于动态神经元(DLIF)模型的面孔识别新系统。考虑神经元之间树突和轴突的复杂连接结构对视觉信息处理和传递的重要作用,利用神经元的敏感度和周边抑制特性,动态感知输入区域的信息分布情况,并且刺激信号来源区域更大范围的外层信息将会对DLIF神经元的发放起抑制作用,全局信息的融合改变了面孔识别中简单利用局部信息的思路。实验结果优于经典的PCA人脸识别方法,识别率达到95.63%,表明优化后的系统具有较好的面孔识别能力。