基于协同表示分类的正则化最小二乘法人脸识别算法(CRC_RLS)是一种优化的稀疏表示分类人脸识别算法(SRC)受到学者的广泛关注。因其指出SCR算法分类识别的有效性在于算法本身的协同性而非L1范数的稀疏性,并用L2范数代替L1范数绕过凸优化技术求解原人脸识别问题而使算法的执行速度提高了 1～3个数量级,该算法在人脸识别研究领域中具有重要作用。本文实验表明当人脸图像的特征维数较高时,CRC_RLS算法的执行速度并不理想,算法性能的表现没有达到人脸识别实际应用的要求。针对CRC_RLS算法执行时间较长的问题,为了提高算法执行速度,采用实验、观察、分析、统计等手段,依次提出两组新的算法。实验结果显示本文算法平均执行时间由原算法2851毫秒～9041毫秒缩短至10.13毫秒～386.5毫秒,识别精度相同或非常相近。本文算法由原算法的4个步骤缩短为3个步骤。综上,说明本文算法在执行速度方面具有一定的优势,并且方法简单。算法适用于对执行时间要求高,样本数量小(N<2000)的应用场景。本文的主要贡献包括:(1)提出基于协同编码和图像分类的算法模型框架,与原算法的不同点在于新算法模型框架里没有算残差的过程,这是本文算法执行时间非常短的根本原因;(2)提出两种基于协同表示快速分类和单因子人脸识别算法,与原算法的不同点在于新算法的分类标准是基于编码系数向量中某一个元素,该元素对应的图像对分类结果影响力最大。这两种算法是后文算法的基础;(3)提出两种基于协同表示快速分类和p范数编码系数融合子向量人脸算法,与原算法的不同点在于新算法的分类标准是基于p范数编码系数融合子向量中某一个元素,该元素对应的这一类图像对分类结果影响力最大,这是这两种算法识别精度精准的原因。