近年来,人脸识别算法在各个方面分别取得了很大进展,是图像处理和计算机视觉领域最受关注的方面之一。然而在实际情况中,由于人脸图像具有表情的多模态性,实际成像条件的变化性和成像过程噪声等因素的多样性,使得人脸识别算法性能降低,在复杂场景下的人脸识别问题依然存在挑战。一直以来,有许多人脸识别算法分别被优化,其中包括复杂模型,例如:基于深度学习的方法,它是一种深度神经网络。然而,一方面对GPU集群要求很高,不能用于一般研究人员;另一方面,这些复杂网络的设计和优化是非常耗时的,特别是在资源有限的情况下,限制了基于深度学习的方法的大规模广泛应用,例如移动设备,自主机器人。而简单模型,例如:基于表达的方法,在复杂场景(例如,照明变化,噪声或遮挡)下识别性能不理想。本文工作则针对复杂场景下待测人脸图像的特点,从分类方法入手做改进,构建满足需求的人脸识别算法。分别从提高识别性能,效率和准确性等方面出发,主要贡献如下:(1)基于低秩支持的极限学习机人脸识别算法,该算法中首先利用人脸图像分布的子空间线性假设,将待识别图像聚类到相对应的样本子空间;其次,通过低秩矩阵恢复将矩阵分解为低秩矩阵和稀疏误差矩阵,依据图像子空间的低秩性对噪声鲁棒的原理,提取人脸图像的低秩结构特征训练极限学习机的前向网络,最后实现对噪声干扰鲁棒的极限学习机人脸识别算法。(2)基于低秩约束的协作表示人脸识别算法,首先对表示系数矩阵施加低秩约束来区分样本中的异常部分,然后利用低秩约束的协作表示,将查询图像联合集成到子空间中,并将密集表示压缩到目标子类中,以提高表示系数的辨别能力。为了缓解不稳定性问题,我们对测试表达矩阵施加了低秩约束,将测试样本集中到潜在字典子空间中,从而提供了稳定的表示支持。另外由于添加的低秩约束捕获全局采样数据结构,其对输入噪声是鲁棒的,将重要系数推入目标子类,并且降低用于改进歧视的系数矩阵的等级。而且低秩表示方案用于将噪声与内在内容分离,从而实现了对输入噪声的鲁棒性。最后为了验证本文优化的方法,从示例图像和实际场景人脸图像两种情况出发设计了人脸识别应用,依次验证了本文优化方法的有效性。综上所述本文优化的方法,不仅有效的解决了在复杂场景中人脸识别效果不理想的问题,同时保证了高效的、鲁棒性人脸识别。