人脸识别是当前模式识别、机器视觉领域的研究热点。分类器设计是人脸识别的关键技术,其性能的优劣对整个人脸识别系统有重大影响。传统的人脸识别分类器存在原理复杂、识别率较低、对光照、表情变化和遮挡等复杂环境的适应能力较差等问题。本文围绕传统分类器存在的问题,对人脸识别分类器算法进行了较为深入的研究,并在此基础上设计了几种分类器。此外,为了进一步提高分类器对复杂环境的适应能力,提出了一种决策融合算法。实验证明,分类识别率较之传统方法有所提高且比较稳定。最小二乘分类器。把测试样本的特征向量分别表征为各类训练样本特征向量的线性组合,并依据最小二乘原理求解超定方程组的系数向量,最后以各类别的系数向量对测试样本的估计误差为依据完成识别分类。该分类器原理简单,易于实现。稀疏表示分类器。稀疏表示理论己被广泛应用于众多领域并成为当前人脸识别课题的研究热点。本文详尽讨论了稀疏表示的理论基础以及稀疏表示分类器的设计思想。在稀疏表示分类器识别过程中,使用全部的训练样本构建一个字典,任意测试样本的稀疏表示系数都是通过该字典求取的。由于该字典的尺寸较大,这会导致较大的计算量；此外,忽视了测试样本间的差异。针对这些问题,本文提出一种最小二乘字典学习算法以学习一组自适应的过完备字典。不同于原始的单一、固定的字典,自适应字典的尺寸明显降低,有助于减小计算量、提高鲁棒性。基于信心指数的决策融合算法。分块策略是提升人脸识别算法在光照、表情变化以及遮挡等复杂环境下识别性能的常用方法。但在实际问题中,人脸图像各子模块的质量存在着较大差异,这造成了子模块识别结果信心的差异。依照传统的决策融合算法如多数投票法,各子模块的识别结果被同等看待,忽视了识别结果信心的差异。本文提出了一种基于信心指数的决策融合算法,该算法能够有效区分各模块识别信心的高低并对各模块识别结果进行融合,削弱了受光照、表情变化和遮挡影响较大的部分模块对识别的干扰,充分利用高质量图像模块间包含的互补信息进行决策,能够提高算法对复杂环境的适应能力。