字典学习和稀疏表示在非奇异人脸识别方面取得较大突破,但当人们用墨镜、围巾、假胡子等有意遮挡面部时,会引入大量变体,导致识别性能降低。样本多样性不足、可得数据量小等实际情况会使训练样本不足以表示测试样本变量,样本受损也会影响训练样本对测试样本的判别表示,因此需要学习更鲁棒的判别字典。该文在总结国内外字典学习算法基础上,提出以下三种改进算法:首先,针对传统稀疏编码用₁l或₂l范数解稀疏系数,对伪装人脸识别不够鲁棒,又仅进行单一身份认证,未能检测出人脸面部奇异信息,为此提出基于迭代重加权稀疏编码的双标签奇异人脸识别算法。该算法将无伪装样本作为判别字典,提出加权鲁棒稀疏编码模型,并用迭代重加权稀疏编码算法求解,解得的权能够刻画面部的奇异映射。最后利用权的物理意义构造奇异字典进行面部奇异分类,并在权空间用判别字典进行身份识别,同时完成人脸身份和面部奇异类型的判别。其次,针对样本数据量小、多样性不足等情况下的伪装人脸识别,提出基于多尺度韦伯对称局部图表结构特征联合核扩展稀疏表示的人脸识别算法。该算法首先将样本分成训练集、画廊集、测试集,训练集含有非画廊集类,训练集不包含画廊集所有类,然后提取样本的多尺度WSLGS特征,并将其投影到核空间,从训练集中学习出判别映射集合,将画廊集映射到此集合上构成基字典。用训练集中非画廊集类的中性和奇异样本构造差分变量集,选几个主成分构成奇异模型,进行相同的映射后,构成奇异扩展字典,最后用扩展稀疏表示分类。该算法用单样本识别,当有新的类别加入时,只需在画廊集中加入相应的类,无需重新训练。最后,针对训练和测试样本均受损情况,低秩表示技术能将奇异像素从特定类字典中分离出来,但同类图像相关性强,低秩约束会使字典中原子多样性减少,降低判别性能,因此提出基于多尺度LBP特征的低秩双字典学习算法。在特征空间保证学习的低秩特定类子字典和低秩类共享字典有足够的原子多样性,最后用稀疏和稠密混合表示分类。