人脸识别技术分为人脸辨识和人脸确认两类不同的任务,人脸确认指的是预测一对人脸图像是否表示同一个人。在无约束条件下,受复杂背景、人脸表情、姿势以及光照等影响,人脸图像较大的类内变化已成为人脸确认研究的主要挑战。针对无约束条件下的人脸确认问题,围绕相应的特征提取与度量学习方法展开研究,本文具体工作如下:(1)在特征提取方面,本文利用无监督特征学习的思想,实现了人脸局部特征的自动提取。首先,给定的人脸图像块训练集,基于自稀疏编码器学习一系列局部滤波算子(Sparse Auto-Encoder Based Local Descriptor,SAELD),与传统的手工特征相比,学习的滤波算子具有更好的鲁棒性和判别性。然后,基于学习的滤波算子对每幅图像进行卷积操作以及非线性映射,从而获得丰富的空间信息。为去除冗余信息,本文对卷积图像进行池化操作并采用白化主成分分析进一步降低特征维度,同时噪声得到抑制。最后本文结合相似度度量模型完成人脸确认任务,在LFW(Labeled Faces in the Wild)数据集上验证了本文所提出的特征提取方法的有效性。(2)在度量学习方面,本文提出了一种加权子空间相似度度量学习方法。首先在类内人脸对上学习具有权重的类内协方差矩阵,从而得到具有鲁棒性的类内子空间。将人脸特征投影到类内子空间,降低人脸特征的类内变化。然后,本文将人脸对的先验信息加入到相似度度量模型中,并改进了正则项函数,从而确保学习的距离度量具有类内鲁棒性和类间判别性。最后,根据结合学习的距离度量得到人脸对的相似度。实验结果表明,该方法在广泛使用的LFW数据集上取得了具有竞争性的分类结果。