近年来人们对信息安全越发重视,生物特性因其较强的稳定性和独特性,成为身份识别的热门研究领域。而人脸识别作为生物特征识别的一个重要分支,长期以来受到研究者们的广泛关注。在过去几十年的研究中,众多经典算法被提出,如主成分分析法,Fisher鉴别分析法等。此外随着压缩感知理论快速发展,稀疏表示方法因其优异的识别效果被广泛应用于模式识别领域。当训练样本图像是理想时,稀疏表示算法在光照变化,遮挡噪声等情况下能够取得非常好的效果。然而在实际环境中,样本分布常常存在较大差异,同时图像采集也会受到各种因素干扰(如光照,姿态,遮罩等),如何减小分布差异和干扰因素对算法的影响是目前研究的重点。因此本文就基于重构表示的人脸图像表示与分类进行了深入研究。1、基于非负稀疏低秩表示分类的人脸识别方法本文提出一种基于非负稀疏低秩表示的分类方法(NSLRRC)用于鲁棒人脸识别。NSLRRC目标是根据所有训练样本,找到一个稀疏且低秩的非负表示矩阵。稀疏约束使得表示向量具有鉴别能力,低秩模型表现了数据的全局结构,同时表示向量非负使得系数有意义并能更好体现数据点间的独立性。然后基于得到的表示系数,对测试样本进行重构并计算重构误差,最后根据重构误差完成测试样本的分类。在ORL人脸库,AR人脸库,Extended YaleB人脸库上的实验结果表明,基于NSLRRC的人脸识别方法具有较好的鲁棒性和有效性。2、基于字典学习的鲁棒人脸识别算法人脸图片常常受到噪声和遮罩的影响。基于稀疏表示的分类器被证实对此类情况十分有效。但考虑到实际情况中,同类样本间出现明显差异时,稀疏表示方法效果显著下降。针对上述情况,我们提出一种新的方法,通过不断地迭代学习得到包含所有样本有效信息的新字典,利用新字典计算测试样本所属类别。我们在GT人脸库,AR人脸库,CMU PIE人脸库上验证了该方法的有效性和鲁棒性。实验结果表明针对同类样本存在明显差异的情况,该方法能够有效提高算法的识别率。3、基于分段表示的人脸识别算法在人脸识别研究中,传统的基于表示分类方法并没有给出针对样本噪声或遮挡情况的处理机制。稀疏表示要求同类样本处于同一线性子空间下,考虑到同类样本间的分布差异,本文提出一种分段表示的分类方法。该方法将训练样本平均分为两组,要求每组间样本分布相似,并根据测试样本与训练样本集间的“距离”分类。这样尽可能减少样本差异带来的影响,有效地考虑了训练样本所包含的全部信息。在AR人脸库和CMU PIE人脸库中的实验验证了该算法的有效性和实用性。4、基于样本相关性约束的线性回归分类现实世界中,每个人的人脸特征独一无二,然而也存在某些相似脸。线性回归分类方法中仅利用每类样本分别线性表示测试样本,未考虑重构样本间的相似度。通常我们希望测试样本所在类重构样本与其他类重构样本相似度越小越好。于是本文提出一种改进的线性回归分类模型用于人脸识别。该方法在线性回归分类的基础上,添加对重构样本相关性的约束,然后计算得新的表示系数,利用所得表示系数计算残差并分类。在AR库,GT库,CMU PIE库和Extended YaleB库上的大量实验结果证明,本文提出的改进算法有一定的有效性和鲁棒性。