在人脸识别科学研究和实际应用领域中,大角度姿态是影响人脸识别结果的主要因素之一,成为限制人脸识别技术进步的难点,而姿态的校正归一化是解决该问题的常用手段。首先通过加权的LK(Lucas-Kanade)算法得到侧脸块和对应正脸块的仿射变换参数,基于最大Gabor相似度寻找校正人脸姿态的最优参数。然后,以每一人脸块最优参数得到的平均Gabor相似度作为这一块人脸的识别权重,可以增加大姿态人脸识别的精度和稳健性。在FERET人脸数据库中进行了实验,当水平偏转角度为45°时,准确率达到97.3%,证明本文提出的以最大Gabor相似度作为加权LK算法参数提取的依据是有效的,得到的最优参数具有较好的光照无关性,而将平均Gabor相似度作为识别权重,有助于使算法的应用更加稳健和有效。

提出了一种基于希尔伯特黄变换的自适应相位提取法。该方法通过对条纹图信号进行经验模态分解得到一系列本征模函数(IMF)。对每个IMF进行希尔伯特谱分析，提出准则用以确定噪声IMF并判断是否存在模式混叠问题。若存在，根据该噪声IMF自适应设计新的“噪声”并将其添加到原信号中，然后对所形成的新信号再次分解，重复进行该过程直到相应的模式混叠问题不再存在。将最后一次分解所得的噪声IMF和背景分量从信号中去除，对所得的基频分量做希尔伯特变换即可得到条纹图的包裹相位分布。所提方法可有效克服模式混叠问题，可在有效去除噪声和背景分量的同时尽量保留细节相位信息，有较好的自适应性及稳健性，测量精度高。

针对多尺度窗口傅里叶变换中，窗口尺寸的自适应选取及提取基频时的频谱混叠等问题，提出基于希尔伯特黄变换(HHT)的自适应窗口傅里叶相位提取法。对变形条纹信号进行HHT后，通过谱分析，自适应确定能够准确描述条纹信号变化情况的瞬时频率及条纹图的背景分量。根据所得的瞬时频率，给出自适应定位条纹信号局部平稳区域的步骤，进而确定窗口尺寸。不需额外计算，可有效去除背景分量以减少基频提取过程中零频频谱的干扰。与现有的用最大脊法确定窗口尺寸的方法相比，本方法不受被测相位必须线性逼近且变化缓慢的前提约束。实验证明本方法有效、可行，且对测量携带陡峭边缘或面形复杂的物体也能进行较为精确有效的测量。