人脸识别是计算机视觉领域中一个非常重要、活跃的研究课题,同时也是一项非常重要的现代生物信息识别技术,它有着广泛的应用,例如门禁、安防、人事考勤、社交网络、人机互交以及犯罪调查等。在过去的几十年间,学者们提出了成千上万种人脸识别方法,人脸识别无论是在理论研究方面还是应用开发方面,都获得了飞速的发展。但人脸识别的识别率和稳定性依旧受到光照、姿态表情、饰物、训练样本数目等因素的干扰。因此,如何克服这些因素的负面影响,提高人脸识别的准确率和稳定性是人脸识别科研者面临的巨大挑战,同样,这也是本文的研究重点。近年来,稀疏表示方法由于其优越的识别性能在人脸识别领域得到了广泛应用。本文将简要分析稀疏表示算法的基本原理,并在此基础上,将稀疏表示算法与其他方法有效结合以提高人脸识别的准确率。本文工作主要包括:1)本文提出了 一种基于虚拟测试样本的权重稀疏表示分类方法。该方法主要分为三步,首先从原始测试样本中产生虚拟测试样本,并分别计算测试样本与各训练样本之间的距离信息来建立新的训练样本集;然后用新的训练集来表示各自的测试样本,并计算各个类在表示测试样本时的误差;最后计算每个测试样本的权重,并通过加权误差来对测试样本进行分类。该方法结合了稀疏表示以及虚拟样本的优势,通过生成虚拟样本来预测测试样本的变化信息,并强调了不同训练样本在表达测试样本时的差异性,此外,原始测试样本和虚拟测试样本的权值是自动动态获得,而不是人工设定。大量的实验表明该方法与其他方法相比,能够获得更好的分类性能。2)为进一步提高人脸识别的准确率和稳定性,本文提出了一种基于扩展稀疏表示的联合特征分类算法。该算法动态结合了两种局部特征,首先提取人脸图像的Gabor特征和LGBP特征,分别使用训练样本Gabor特征集和LGBP特征集对测试人脸图像进行扩展稀疏表示,然后通过动态权值分配方案为Gabor特征和LGBP特征计算权重以得出最终的分类结果。本文从识别率、稳定性以及运行时间三个方面对该算法的性能进行了研究分析,在AR、FERET和LFW人脸库上的大量对比实验充分表明了此方法能取得非常满意的分类结果。