針對無約束條件下的人臉圖像樣本少、面部姿態變化大、被遮擋以及背景復雜等問題，提出一種結合三維人臉矯正與相似性學習相結合的人臉驗證算法（ sub-SL）。首先，通過三維人臉矯正方法對人臉圖像進行姿態矯正，將圖像中的人臉矯正為標準正面臉；其次，裁剪該正面臉的臉部相關區域，去除復雜的圖像背景；最后，利用基于個體子空間的相似性學習方法對圖像對之間的相似度進行度量，完成人臉驗證。實驗采用了幾個以LFW（ Labeled Faces inthe Wild）數據庫為基礎的經過預處理操作（例如人臉矯正、裁剪等）后建立起來的數據庫。在基于局部三值模式（ LTP）的特征提取方法并且訓練圖像對數為625的實驗中，sub-SL算法的識別率比利用馬氏距離進行度量學習的算法sub-ML以及結合了馬氏距離與相似性學習的度量學習算法sub-SML分別高出了15. 6qo和8.4010。實驗結果表明，sub-SL算法能夠有效提高無約束條件下人臉識別的準確率。

?

　　雖然在部分公開的人臉數據集上，很多人臉識別算法已經取得了非常優秀的成績，但這些成績一部分是建立在嚴苛的實驗環境基礎之上的。現實中的人臉識別驗證往往面臨著訓練數據有限、面部特征被遮擋、姿態變化、復雜的場景變化、光照變化等多方面的難題，很多傳統的人臉識別驗證算法在這種情況下表現得不是很好，因此現在越來越多的學者將研究的注意力轉向了無約束條件下的人臉識別。

　　針對無約束人臉識別驗證中的人臉姿態變化問題，利用大量的訓練樣本來學習尋找姿勢不變特征，并通過提取這些姿勢不變特征來進行人臉識別，然而在人臉旋轉角度較大的情況下，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者提出。人臉矯正是將圖像中有姿態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。