人脸识别技术是计算机视觉的一个重要研究领域,广泛应用于证件核对、刑侦破案、人机交互控制、视频监控等方面。在过去的几十年里,研究人员已经提出了许多人脸识别算法。其中,由于稀疏表示分类器(SRC)具有良好的分类性能,它已成为近几年的研究热点。相关的实验证明,SRC可以获得令人满意的结果,且对具体的特征提取方法不敏感。然而,目前人脸识别依然存在许多挑战,如变化的光照、姿态、面部表情等复杂条件下的人脸识别问题。此外,小样本问题也是人脸识别中的一大难题。因此,如何提高复杂环境以及小样本情况下的人脸识别率是值得研究的一个课题。本文在重点分析基于稀疏表示的人脸识别算法的基础上,针对复杂环境和小样本情况下的人脸识别问题,提出了基于核的两阶段稀疏表示方法以及基于虚拟样本的高斯加权稀疏表示方法。主要研究工作如下:(1)引入核技巧,提高基于稀疏表示的人脸识别算法的分类效果。由于原始人脸图像存在着光照、表情、姿态、遮挡等复杂因素的干扰,使得人脸识别更有可能是一个非线性可分的问题。为此,本文将核技巧引入基于稀疏表示的人脸识别算法中,提出基于核的两阶段稀疏表示方法。该方法首先利用一个非线性函数将原始数据空间映射到高维特征空间;然后,在该高维特征空间中将测试样本表示为所有训练样本的一个线性组合,接下来根据每个训练样本的表示贡献选出测试样本的M个最近邻;最后,将测试样本表示为上述M个最近邻的一个线性组合并且利用每一类训练样本对测试样本的表示贡献来完成分类。(2)研究人脸识别中小样本问题的解决方法,提高分类准确率。相关实验证明在具有足够多的训练样本来充分地表示测试样本的前提下,SRC可以获得令人满意的结果。但是在实际的人脸识别系统中,由于存储容量和捕获图片的时间等因素的制约,往往只能获得少量的训练样本,即实际的人脸识别往往是一个小样本问题。为了有效地解决小样本情况下的人脸识别问题,本文提出了一种基于虚拟样本的高斯加权稀疏表示方法。该方法首先利用人脸的对称性来构造虚拟训练样本,进而扩充训练样本集;然后,对每个测试样本,利用高斯核距离度量该测试样本和各个训练样本的相似性关系,并将该高斯核距离作为训练样本的权值来形成加权的训练样本集;最后,利用稀疏表示方法进行人脸的识别分类。(3)算法性能的测试。为了测试所提算法的性能,本文选取ORL、FERET、AR三个人脸数据库进行人脸识别实验。实验结果证明,本文所提算法在复杂环境以及小样本情况下依然能够获得较好的分类结果。