人脸图像识别可以称为计算机视觉领域的一个经典的研究课题,其本质是图像分类。识别率是人类不断追求的目标。由于传统的人脸识别存在很多问题,比如光照变化、头部姿势变化、异物遮挡等。目前虽然有很多方法解决这些问题,但是总是存在这样那样的条件限制。针对这些问题我们提出了一种基于RGB-D的人脸识别方法。这里我们借助Kinect获取彩色和深度图像。此方法主要解决了两个问题,即头部姿势变化和光照变化。我们通过使用随机森林算法根据不同的头部姿势将图像分集处理,这从一定程度上解决了因姿势变化而导致识别失败的问题。然后我们巧妙的利用了红外线本质上不受光照变化的影响,采用kinect获取的深度图像进行人脸识别也在一定程度上有效的解决了光照变化的问题。我们主要的研究工作有:首先从Kinect获得一个具有广泛的头部姿势变化、光照和面部表情变化,太阳镜伪装和用手遮挡等不同条件下的RGB图像和Depth图像。然后将获取到的同一个人在不同条件下的多个图像看作一个图像集。其次利用k-means类聚算法对已获得的图像进行背景分割处理,然后采用随机森林算法做头部姿势估计并且利用我们自己的算法进行脸区域检测和裁剪。最后根据随机森林算法估计出的头部姿态将一组脸部图像集分成多个子图像集。对于分类,我们提出了基于块的协方差矩阵表示图像模型在黎曼空间中的一个子图像集的方法以实现降维。并使用SVM模型分别学习每个子图像集,然后将所有子图像集的结果相融合得出最终的识别结果。最后我们借助Biwi Kinect数据库设计实验论证了本文所提出的方法。此算法已经在包含不同条件下超过5000幅RGB-D图像数据集中进行了评估。实验证明,我们的算法可实现高达98.84%的识别率。