人脸识别因其在识别问题上的复杂性（如光照和表情变化、遮挡和对齐等对识别率的影响）和其在工业领域的高需求（如信息安全系统、门禁系统和监控系统中的应用），一直在计算机视觉和模式识别领域保持较高的研究热度，许多与之相关的算法被学者们提出。最近基于稀疏表示的分类算法被有效应用于人脸识别，该算法对有遮挡人脸和存在光照变化的人脸具有较强的鲁棒性。但是该算法是基于整个人脸信息来考虑的，忽略了人脸局部特征对整个识别过程的影响，因此对存在表情变化的人脸识别效果一般;其次该算法要求测试样本与训练样本人脸要严格对齐，当存在姿态角度变化时，其识别效果也会明显下降。为了解决这些问题，本文在原算法的基础上进行了改进提出了本文的识别算法，并分别在Yale和AR人脸数据集上进行实验来证明本文算法的有效性。
　　本文所做的主要工作内容如下:
　　1)由于稀疏表示的分类算法是基于整个人脸的分类方法，忽略了局部信息对识别效果的影响，因此对存在表情和姿势变化的人脸效果较差。本文在基于原型加变差的稀疏表示人脸识别算法的基础上，引入了分块处理的思想。算法首先将人脸均匀划分为相同大小的子模块并建立各个子模块的过完备字典;接着对测试样本的每个子模块通过对应的完备字典计算出稀疏系数，并计算出每类的重构残差，根据残差大小运用Borda计数法则对各个子模块中的每类投出相应的票数，最后将所有子模块中每个类别得到的票数进行汇总，利用相应类别最终的票数总和进行分类。实验表明改进的算法对存在表情变化和遮挡人脸更具鲁棒性。
　　2)分块处理的方法使人脸的局部信息得到了保留，增强了算法的可靠性。但是这种简单的均匀分块一方面无法将五官特征有效的隔离到单独的一个子块中（如嘴巴被分到多个子块中）;另一方面由于人脸是由许多点张成的连续表面，简单的分割破坏了边界像素变化的连续性。其次基于稀疏表示的人脸识别算法要求所有的人脸图像事先必须是严格对齐的，否则效果会很差，因此很难应用于实际场景。为了应对上述的问题，本文提出了融合了高维LBP和稀疏表示的人脸识别算法。首先通过直接形状回归算法对人脸进行对齐并精确定位关键点;其次通过提取关键点附近的多尺度高维LBP特征建立过完备字典;最后利用高维特征结合稀疏表示分类算法做最后的分类判别。