針對(duì)無約束條件下的人臉圖像樣本少、面部姿態(tài)變化大、被遮擋以及背景復(fù)雜等問題，提出一種結(jié)合三維人臉矯正與相似性學(xué)習(xí)相結(jié)合的人臉驗(yàn)證算法（ sub-SL）。首先，通過三維人臉矯正方法對(duì)人臉圖像進(jìn)行姿態(tài)矯正，將圖像中的人臉矯正為標(biāo)準(zhǔn)正面臉；其次，裁剪該正面臉的臉部相關(guān)區(qū)域，去除復(fù)雜的圖像背景；最后，利用基于個(gè)體子空間的相似性學(xué)習(xí)方法對(duì)圖像對(duì)之間的相似度進(jìn)行度量，完成人臉驗(yàn)證。實(shí)驗(yàn)采用了幾個(gè)以LFW（ Labeled Faces inthe Wild）數(shù)據(jù)庫為基礎(chǔ)的經(jīng)過預(yù)處理操作（例如人臉矯正、裁剪等）后建立起來的數(shù)據(jù)庫。在基于局部三值模式（ LTP）的特征提取方法并且訓(xùn)練圖像對(duì)數(shù)為625的實(shí)驗(yàn)中，sub-SL算法的識(shí)別率比利用馬氏距離進(jìn)行度量學(xué)習(xí)的算法sub-ML以及結(jié)合了馬氏距離與相似性學(xué)習(xí)的度量學(xué)習(xí)算法sub-SML分別高出了15. 6qo和8.4010。實(shí)驗(yàn)結(jié)果表明，sub-SL算法能夠有效提高無約束條件下人臉識(shí)別的準(zhǔn)確率。

?

　　雖然在部分公開的人臉數(shù)據(jù)集上，很多人臉識(shí)別算法已經(jīng)取得了非常優(yōu)秀的成績，但這些成績一部分是建立在嚴(yán)苛的實(shí)驗(yàn)環(huán)境基礎(chǔ)之上的?，F(xiàn)實(shí)中的人臉識(shí)別驗(yàn)證往往面臨著訓(xùn)練數(shù)據(jù)有限、面部特征被遮擋、姿態(tài)變化、復(fù)雜的場景變化、光照變化等多方面的難題，很多傳統(tǒng)的人臉識(shí)別驗(yàn)證算法在這種情況下表現(xiàn)得不是很好，因此現(xiàn)在越來越多的學(xué)者將研究的注意力轉(zhuǎn)向了無約束條件下的人臉識(shí)別。

　　針對(duì)無約束人臉識(shí)別驗(yàn)證中的人臉姿態(tài)變化問題，利用大量的訓(xùn)練樣本來學(xué)習(xí)尋找姿勢不變特征，并通過提取這些姿勢不變特征來進(jìn)行人臉識(shí)別，然而在人臉旋轉(zhuǎn)角度較大的情況下，人臉圖像在很大程度上被改變，很難尋找到姿勢不變特征，因此人臉矯正方法被許多研究學(xué)者提出。人臉矯正是將圖像中有姿態(tài)變化的非正面人臉矯正為正面人臉的過程，主要有兩種方法：一種是基于二維視角的方法，另一種是基于三維人臉的人臉重建方法。