针对无约束条件下的人脸图像样本少、面部姿态变化大、被遮挡以及背景复杂等问题，提出一种结合三维人脸矫正与相似性学习相结合的人脸验证算法（sub-SL）。首先，通过三维人脸矫正方法对人脸图像进行姿态矫正，将图像中的人脸矫正为标准正面脸；其次，裁剪该正面脸的脸部相关区域，去除复杂的图像背景；最后，利用基于个体子空间的相似性学习方法对图像对之间的相似度进行度量，完成人脸验证。实验采用了几个以LFW（Labeled Faces in the Wild）数据库为基础的经过预处理操作（例如人脸矫正、裁剪等）后建立起来的数据库。在基于局部三值模式（LTP）的特征提取方法并且训练图像对数为625的实验中，sub-SL算法的识别率比利用马氏距离进行度量学习的算法sub-ML以及结合了马氏距离与相似性学习的度量学习算法sub-SML分别高出了15.6%和8.4%。实验结果表明，sub-SL算法能够有效提高无约束条件下人脸识别的准确率。

随着图像处理技术和模式识别技术的发展，人体检测在监控系统、驾驶员辅助系统、图像索引等领域已得到广泛应用。针对静态图像中站姿人体检测问题，提出了一种新的特征选取方法，并应用可变模板和支持向量机相结实现对图像中的人体检测和定位。通过对图像进行轮廓提取和网格划分，选择水平方向和垂直方向上的特征组成图像的特征向量，然后使用搜集到的样本特征向量对模型进行训练，用可变模板搜索待检测图像，根据检测区域的特征和训练好的模型对图像进行分类。实验结果表明，该方法可以快速准确地检测出多种背景图像中的站姿人体,正确分类率达92%以上。