人脸识别是模式识别领域的一个热点问题。分类算法设计是人脸识别研究的一个基本问题,而特征表示又是影响分类算法性能的关键。传统的特征表示方法通常易受到人脸图像中的遮罩、光照、表情、姿态等噪声的影响,最近提出的低秩分解和低秩表示方法可消除人脸图像中的噪声干扰,从而能够获得有效的鉴别特征表示。本文针对传统的人脸分类算法性能易受到遮罩、光照、表情、姿态等噪声影响的问题,将低秩表示应用于传统的分类算法中,设计和实现了几种具有较强鉴别力的人脸分类算法,其主要工作如下:1、两阶段低秩表示分类方法(Two-phase low-rank representation classification method)为了提高现有低秩表示分类方法的分类性能,提出了一种两阶段低秩表示分类方法(TPLRRC)。该算法分为两个阶段,第一阶段是运用低秩表示分类算法计算出与每个测试样本最相似的M个类;第二阶段用上述M类样本构造新的训练样本集,然后在新的训练集上再次应用低秩表示分类算法,求解每个测试样本的类别。在AR库和Yale B库上的实验验证TPLRRC算法的有效性。2、加权低秩协同表示分类方法(Weighted low-rank cooperative representation classification method)低秩协同表示算法通过核范数最小化约束方法获得低秩表示,在该约束中等价地对待每个奇异值。在实际应用中,不同的奇异值对最终的特征表示具有不同的贡献,但现有的低秩协同表示方法没有考虑它们的不同贡献。针对上述问题,提出了一种加权低秩协同表示分类方法(WLCRC)。该算法应用加权核范数替代普通的核范数,确保不同的奇异值能够自适应赋予不同的权值,从而使得最终获得的特征表示更具鉴别性。在CMU PIE和AR库上的实验验证了 WLRRC算法的有效性。3、结构不一致的非负稀疏低秩表示分类方法(Non-negative sparse low-rank representation classification method with inconsistent structure)针对现有低秩表示分类方法存在不可解释性和鉴别力不高的问题,提出了一种结构不一致的非负稀疏低秩表示分类方法(NSDLRRC)。该算法在低秩约束的基础上增加了非负性、稀疏性和结构不一致的约束条件,使得最终获得的特征表示具有更好的可解释性和更强的鉴别能力。在AR和Yale B等人脸数据库上的实验结果表明,NSDLRRC算法在可解释性和分类精度上优于现有的低秩表示分类方法。4、人脸检测与分类识别系统(Face detection and classification recognition system)设计了一个人脸检测与分类识别系统。该系统分为三个部分。第一部分是对人脸图像进行预处理,主要包括二值化、仿射变换、直方图均衡化等;第二部分是人脸检测,运用AdaBoost算法对人脸图像进行检测;第三部分是人脸分类与识别,运用本文中的算法进行分类与识别。