为解决压缩跟踪过快引入跟踪误差和样本采集方面的缺陷，首先，引入基于预测向量的采样搜索策略，通过前两帧跟踪到的目标位置预测后一帧目标的运动方位，并采用扇形区域采样方式缩小有效样本的范围；其次，根据前后两帧跟踪到的目标的对照来判断复杂背景或遮挡的发生，利用Bhattacharyya 系数自适应地改变分类器参数更新系数。实验证明，这些策略避免了因压缩跟踪缺陷导致的跟踪失败，改进后的算法比原算法具有更好的鲁棒性和时效性。

LDP算法是将与 Kirsch算子运算后得到的一些负值的邻域灰度值作为中心灰度值的编码因子, 这将会导致中心灰度值不能很好的反映邻域局部特征信息, 从而降低识别率。针对于此, 本文提出了一种改进的局部定向模式(CLDP)算法。该算法在 LDP的基础上, 去掉邻域灰度值为负值的因子, 对中心灰度值进行重新编码, 由于该编码值是将与 Kirsch算子运算后的正值最大值作为图像边缘输出, 使中心灰度值能很好反映邻域的局部特征信息, 从而提高人脸的识别率。本文还将提出的 CLDP算法用在 YALE, ORL, JAFFE等人脸数据库中进行人脸识别。从实验的结果表明, 该方法识别性能较 LDP算法, LDN算法以及 ELDP算法等更好的。

实际人脸跟踪过程中, 光照和姿态的变化、背景颜色干扰等因素都会极大地削弱颜色特征的有效性, 从而造成跟踪的不稳定。针对该问题, 本文提出了一种以颜色和轮廓分布为线索的粒子滤波人脸跟踪算法。该算法主要有三个方面的特点: 第一, 在粒子滤波基本框架下, 引入新的用直方图描述人脸轮廓的方法, 有效解决了光照、人脸旋转、部分遮挡问题对跟踪的影响, 并且能及时有效地重新捕获由于大面积遮挡等原因而丢失的目标。同时采用实时调整每帧图像特征点个数, 有效提高了跟踪效率。第二, 针对背景干扰问题, 提出了一种抑制相似背景颜色干扰的方法。第三, 本文还提出实时更新模板的方法来提高跟踪的准确性。实验证明本文算法对人脸跟踪具有很好的效果。

二阶局部导数模式是一种基于一阶局部导数变化的方向性编码方式。相对于局部二值模式，二阶局部导数模式能够提取出图像的更多细节信息。本文提出了一种融合 Gabor特征二阶局部导数模式的人脸识别方法。该方法首先利用 Gabor滤波良好的空间位置与方向选择特性，采用四个频率六个方向的 Gabor滤波器对图像进行滤波。其次，利用数据的类信息和邻接点信息，自适应地计算各频率和方向的权重，作为后续融合依据。然后，提取 Gabor滤波图像四个方向的二阶局部导数特征，采用主成分分析方法对各方向的二阶导数特征进行降维。最后，在识别过程中，结合权重信息融合各方向和频率的识别概率得出最终识别结果。实验结果表明本文算法能够有效地提取图像细节信息，较其他方法如主成分分析方法，线性判别式方法，局部二值模式算法和融合灰度二阶局部导数模式算法具有更好的识别性能。

本文提出了一种基于子模式的加权邻域极大边界准则的人脸识别算法。该方法首先在训练过程中对人脸图像进行子块划分，采用邻接点的类信息自适应地计算每块的权重以提高人脸在姿态、表情以及光照等变化下的鲁棒性。其次，对每块图像采用加权邻域极大边界准则进行特征提取，该准则充分利用了数据的类信息，选择数据的邻域点最优重构系数用在目标函数中，保留了数据的局部几何结构，从而在低维空间中提取出更好的分类特征。最后在识别过程中，融合待识别图像在各子块中与训练图像的相似度进行识别。实验结果表明，本文算法能够有效地提取局部特征，较好地保留原始数据的非线性结构，较其他全局方法如主成分分析方法，线性判别式方法和加权邻域极大边界准则算法具有更好的识别性能。

本文提出了一种提取人脸图像的局部Gabor 相位特征，结合Fisher 线性判别式，通过特征融合进行人脸识别的方法。该方法首先利用Gabor 滤波良好的空间位置与方向选择特性，采用四个频率六个方向的Gabor 滤波器对图像进行滤波，然后根据Daugman 方法采用局部XOR 算子提取滤波图像的局部Gabor 相位特征，组成特征图像，最后通过Fisher 判别式对每个频率和方向下的特征图像进行降维，融合降维后的特征，采用最近邻分类器进行识别。该方法通过在两个数据库中的实验，证明了较主成分分析法，Fisher 线性判别式方法以及Gabor 幅值特征融合识别方法更好的识别性能。