視頻人臉識別是計(jì)算機(jī)視覺、模式識別、視頻分析與理解等領(lǐng)域的重要研究課題。視頻人臉識別的研究不僅在理論上具有重大意義，同時(shí)在生物特征鑒別、視頻監(jiān)控、信息安全等領(lǐng)域具有廣泛的應(yīng)用前景，已經(jīng)成為人臉識別領(lǐng)域的研究熱點(diǎn)和難點(diǎn)問題。

目前，絕大多數(shù)的視頻人臉識別都是通過提取視頻序列中包含人臉的關(guān)鍵幀，采用基于靜態(tài)圖像的人臉識別算法達(dá)到視頻分類的目的，這其中就包括多視角融合、子空間或流形分析等。該類方法中關(guān)鍵幀的選擇歧義性較大，需要對整個(gè)視頻進(jìn)行分析才能實(shí)現(xiàn)關(guān)鍵幀的準(zhǔn)確定位，降低了視頻人臉識別系統(tǒng)的效率和實(shí)時(shí)性要求，適合于人物目標(biāo)配合、光照及視角良好并且視頻質(zhì)量較高的環(huán)境下的應(yīng)用。

近年來，基于圖像集合和基于視頻序列的視頻人臉識別方法得到了廣泛關(guān)注。其中，基于圖像集合的視頻人臉識別方法是將視頻作為一個(gè)無序的幀圖像集合，通過流形、子空間、Affine Hull、協(xié)方差矩陣等對圖像集合進(jìn)行建模以實(shí)現(xiàn)視頻人臉的識別?；谝曨l序列的視頻人臉識別算法是通過設(shè)計(jì)視頻紋理描述算子、引入視頻上下文信息等方式提高識別精度和效率。但是，視頻紋理算子及視頻上下文信息的獲取十分困難，計(jì)算復(fù)雜度較高，同時(shí)，這類算法對人臉表情變化、目標(biāo)姿態(tài)變化等影響識別性能的因素不夠魯棒。

自然視頻大多數(shù)是非專業(yè)人員采集的，視頻采集設(shè)備有限，視頻環(huán)境光照條件較差，目標(biāo)姿態(tài)多變并且伴隨運(yùn)動模糊，同時(shí)，為了便于存儲及傳輸，通常還以壓縮格式存儲，這些噪音因素的存在都使得解決視頻人臉識別問題具有極大的挑戰(zhàn)性。為實(shí)現(xiàn)這種低分辨率、目標(biāo)姿態(tài)多變條件下的視頻人臉的魯棒識別，設(shè)計(jì)能夠適應(yīng)這種復(fù)雜環(huán)境下的視頻人臉識別學(xué)習(xí)算法就變得尤為重要。

為解決視頻環(huán)境下人臉識別問題中關(guān)鍵幀難以準(zhǔn)確定位導(dǎo)致的識別率偏低等問題，我們提出了一種基于多示例學(xué)習(xí)的視頻人臉識別算法。該算法將復(fù)雜環(huán)境下的視頻人臉識別問題視為一個(gè)多示例問題，將訓(xùn)練集合中的每個(gè)視頻視為一個(gè)包，將視頻包中歸一化處理后的視頻幀圖像視為包中的示例。視頻包帶有標(biāo)記而視頻包中的示例是沒有標(biāo)記的，利用有效的多示例學(xué)習(xí)算法在訓(xùn)練集合樣本空間中學(xué)習(xí)并生成分類器，以實(shí)現(xiàn)對測試包的預(yù)測及分類。

另外，視頻采集環(huán)境的光照變化、目標(biāo)的姿態(tài)變化等，都在一定程度上造成了視頻人臉識別上的困難，為此，我們在算法實(shí)現(xiàn)過程中還采用了基于改進(jìn)的Fisher加權(quán)準(zhǔn)則的TPLBP進(jìn)行示例的紋理特征表示，該算子具有較強(qiáng)的可辨別能力，并且對均勻光照變化是魯棒的。

目前，關(guān)于視頻人臉識別問題主要結(jié)合實(shí)際應(yīng)用場景進(jìn)行分析，鑒于此，我們提出了一種適用于低信噪比環(huán)境下的基于加權(quán)Fisher準(zhǔn)則的多示例學(xué)習(xí)視頻人臉識別算法，算法在得到較高的識別精度的同時(shí)，有效解決了目標(biāo)姿態(tài)多變視頻環(huán)境中的人臉視頻關(guān)鍵幀難以定位的問題，并且具有較強(qiáng)的抗干擾能力，對均勻光照變化、姿態(tài)變化等也具有較好的魯棒性。如何解決算法時(shí)間復(fù)雜度較高，學(xué)習(xí)算法的泛化能力等問題成為我們今后研究工作的重點(diǎn)。