人脸识别一直以来都是图像处理领域中的研究热点,具有广阔的应用前景。它是生物识别技术中的一种,具有简便性、非接触性和不侵犯个人隐私等优点。目前,在可控环境和用户配合的条件下,人脸识别系统能够取得较好的识别效果,然而在实际应用中,人脸图像往往受到不同光照和遮挡的影响,给人脸识别研究带来了严峻的挑战。本文在稀疏表示和鲁棒主成分分析的基础上,针对人脸识别中的光照和遮挡问题进行了研究,做了如下工作:1.首先介绍了人脸识别的研究背景和国内外发展现状,并分析了基于不同光照和遮挡条件下的人脸识别算法。紧接着详细阐述了稀疏表示理论和低秩矩阵恢复,并给出了其经典的求解方法。2.联合低秩和p稀疏约束,提出一种改进的矩阵回归人脸识别算法。采用低秩度量回归误差,非凸p范数约束回归系数使其达到稀疏最大化,给出了一种改进的矩阵回归模型,对该模型采用交替方向法求解模型参数。在AR和Extended Yale B人脸数据库上的实验表明,与当前的回归算法相比,该算法具有更高的识别率,能够更好地消除遮挡引起的结构性噪声,且对光照变化也具有更强的鲁棒性。3.在鲁棒主成分分析的基础上,引入低秩投影,提出一种基于稀疏误差图像的人脸识别算法。首先利用RPCA把每类训练样本分解成低秩数据矩阵和稀疏误差矩阵,在此基础上构建每类原始人脸图像矩阵和低秩数据矩阵之间的低秩映射矩阵。将任意测试图像通过每类低秩映射矩阵进行投影,得到测试图像在不同类下的低秩数据矩阵和稀疏误差矩阵,计算误差图像的平滑度和边缘检测信息来提取误差矩阵包含的人脸类别信息,最后设计了基于利用平滑度和边缘检测的加权和的判别规则。在AR和Extended Yale B人脸数据库上进行仿真实验,实验结果验证了本文算法的有效性。