随着信息技术的快速发展,生物特征识别技术正在被大范围地应用到金融、安防等领域并受到了社会各界的广泛认可。与其它生物特征识别技术相比,人脸识别技术具有友好、直观、可靠等特点,所以人脸识别技术已成为生物特征识别技术中比较具有代表性的一项技术。人脸图像易受光照、表情等因素的影响,因此在实际应用中仍然存在很多挑战。在人脸识别模型中涉及到图像预处理、维数约简以及分类判决三个主要组成部分,如何有效利用特征与分类器之间的关系,从而增强特征判别力并且提高特征简洁度成为了当前研究的热点问题。本文从基于表示的分类器(Representation based Classifier,RC)角度出发,在有监督信号的情况下分别通过特征增强和特征提取方法实现了特征与分类器间的相互影响和相互制约。另外,本文以特征自表示模型为基础,通过特征间的线性表示及内积约束等实现了无监督的特征选择。有关这三种特征优化方法的具体工作总结如下:1.提出了一种新的滤波器学习方法,即基于表示的有监督滤波器学习方法。该方法通过有针对性地学习得到滤波器,并使滤波后图像的局部特征判别力增强,从而实现减小同一个人不同图像间差异,并且增大不同人间图像差异的目的。该方法的特点有:(1)在监督信号下,从局部二值模式(Local Binary Pattern,LBP)角度出发设计滤波器,从而使滤波后图像的LBP特征具有判别能力;(2)利用线性回归方法刻画图像像素点间的类内和类间表示误差,并在线性判别分析的约束下得到滤波器,从而使滤波后特征在稀疏表示分类器和线性回归分类器下得到更好的识别结果;(3)与采用固定模式的传统滤波器(如均值滤波器)不同,该方法是在数据驱动情况下有针对性地学习滤波器;(4)在单模态和多模态人脸数据库上均验证了该方法的有效性。通过大量的实验可以看出,该方法可以有效提高特征的判别力,并且在RC下可以得到更好的分类结果。2.结合字典学习提出了一种新的特征提取方法,即基于判别字典与投影联合学习的稀疏表示分类方法。该方法通过同时学习带有约束的字典和投影矩阵,不仅得到了更具表示力和判别力的字典,还得到了维数更低且更具判别力的特征,从而提升了人脸识别模型的分类性能。该方法的特点有:(1)通过对稀疏表示系数矩阵加入线性判别分析约束得到了具有判别能力的字典,并且通过对降维后样本加入线性判别分析约束得到了具有判别能力的投影矩阵;(2)通过联合学习使得字典和投影矩阵能够更好地相互配合,进而得到更好的识别结果;(3)提出了一种有效的迭代优化求解算法,并分别从理论分析和数值实验两方面验证了算法的收敛性;(4)在人脸图像和视频数据库上均验证了该方法的有效性。通过大量的实验可以看出,该方法可以有效提高特征简洁度并增强特征的判别力,即使在训练样本数较少的情况下仍然可以取得较好的识别性能。3.提出了一种新的无监督特征选择方法,即基于内积正则化非负自表示模型的无监督特征选择方法。该方法通过特征自表示模型和内积约束等去除了不相关特征及冗余特征,从而使特征子集具有较高的稀疏性和较低的冗余性。该方法的特点有:(1)利用特征的自表示模型来描述特征的显著程度,从而获得特征的权重矩阵;(2)采用内积正则化对特征权重矩阵进行约束,由此可以获得具有较高稀疏性和较低冗余性特点的特征子集;(3)采用非负约束对特征权重矩阵进行约束,从而保证所选特征的实际意义;(4)提出了一种有效的迭代优化求解算法,并分别从理论分析和数值实验两方面验证了算法的收敛性。实验结果表明该方法不仅可以有效提高特征的简洁度,而且可以得到更好的分类和聚类结果。综上所述,本文主要围绕人脸识别模型中特征优化问题展开了广泛而深入地研究,针对如何增强局部特征(LBP)的判别力、如何通过学习投影矩阵提高特征的简洁度和判别力以及如何提高特征子集有效性的问题,分别提出了三种特征优化方法。从实验结果可以看出,本文提出的方法对人脸识别研究有一定的推动作用并具有较好的应用前景。