随着模式识别、图像处理及机器学习的发展,快速有效的自动识别与验证技术由于其巨大的理论及实际应用价值吸引了广泛关注。作为生物识别中重要的验证手段,人脸识别在信息安全、刑事侦查和视频监控等领域获得了巨大发展,广泛用于智能家居、平安城市、智能监控及智能建筑等。基于稀疏表示分类(SRC)的人脸识别算法由于其对噪声和局部遮挡的鲁棒性成为了研究热点,SRC基本思想是利用测试样本在训练集上的线性表示来最小化重建误差进行分类。首先利用优化问题求解获得测试样本在不同类别训练样本上的稀疏表示系数,通过训练样本线性组合获得重建样本,最后求得重建残差最小的类为分类结果。本文针对人脸识别中广泛存在的问题展开研究,特别是实际场景下面临的光照变化以及表情姿态变化等。在深入探讨稀疏表示相关理论基础上研究了基于稀疏表示的人脸识别算法面临的问题,并进行算法的改进与创新。本文主要研究内容为:1.简要概述了人脸识别框架及面临的主要挑战。分析讨论了稀疏表示基础理论知识,并对稀疏表示研究重点中的字典学习以及系数求解进行研究。总结了传统的SRC算法流程以及经典的改进算法。2.针对于经典特征算子对图像信息的良好表达能力,研究了基于稀疏表示和特征提取的迭代稀疏表示分类算法。算法为了提升识别效率,首先利用迭代过程有效去除重建残差较大的类并更新训练集,接着利用经典LBP特征或Gabor特征描述判别信息,最后利用有效特征组成的训练集进行稀疏表示及分类。3.局部结构信息由于其在模式识别中的重要作用而受到广泛关注。本文构建了一套简单人脸识别系统。结合图像信号的局部性和稀疏性研究了一种新的基于权重稀疏表示的分类算法,为了获得图像样本间更准确的相似性度量,利用LBP特征表示的图像进行局部结构信息提取。4.针对图像非线性分布问题,结合局部结构判别信息,研究了基于权重的核稀疏表示人脸识别算法。算法将原始数据映射到高维核空间的同时求解局部结构信息,为了应对光照变化影响相似性度量的准确度,权重对角矩阵通过MSR算法处理后的样本进行计算获得。该算法在结合局部性以及稀疏性基础上有效解决了广泛存在的光照及遮挡等挑战性问题。