该文的研究工作是针对基于三维多分辨率形变模型的人脸识别方法展开的,主要包括三维人脸对齐以及复杂光照条件下的多姿态人脸识别两方面的内容.三维多分辨率模型与Fisher线性判别(FLD)相结合能够很好的适应外部条件的变化,提高人脸识别的速度和效率.三维点之间的对齐是三维人脸建模的关键,文章采用了基于重采样技术的对齐策略,在对结果细分的同时,将所有人脸划分成各种分辨率条件下统一的拓扑结构,而后依据这个统一结构获得不同人脸之间的点到点对齐.为了满足对齐的要求,改进了基于分割的重采样技术,根据三维人脸的具体形状以及表面特征,定义了统一均匀的划分方案,充分考虑人脸分片后整体与个体分片之间的相互联系,权衡片与片之间的关系,得到合理的采样结果,达到对齐目的.在多分辨率形变模型基础上,结合Fisher线性判别的分类算法,文章提出了一种适合不同姿态和光照条件下的人脸识别方法.三维多分辨率模型能够更快更精确的提取人脸特征,排除外部条件对识别效果的影响;Fisher线性判别算法能够充分利用不同条件下的人脸二维图像信息,加强了对光照、姿态的鲁棒性.利用三维模型分析人脸图像,可以从各个角度以及不同光照环境下考虑二维成像,解决了光照和姿态对人脸识别效果的影响;但是由于三维数据的复杂性,对二维图像的分析过程中存在大量的冗余,很大程度上影响了人脸成像的速度,使得图像的分析效率较低;为了解决这个问题,文章中采用了多分辨率的解决方案,利用三维多分辨率模型从粗到细的对二维图像进行分析,提高了人脸特征提取的效率.为了进一步改善分类效果,使用了基于FLD的策略,更加深刻的排除光照和姿态的影响,使人脸二维图像达到更好的聚类,提高了分类效率.实验证明,基于重采样技术的策略对三维人脸的点到点对齐结果有很大的改观;在此基础上建立三维多分辨率形变模型,与FLD相结合对复杂情况下的人脸二维图像作分析,提高了三维模型分析人脸图像以及人脸识别的效率和速度.