人脸识别是根据人面部影像中的有效信息进行身份鉴别的一项技术,是生物特征识别领域的重要组成部分。凭借在国防安全、社会公共安全以及各行业中的应用前景,人脸识别的研究近十年受到了广泛关注,同时也极大促进了数学、计算机科学以及认知科学等相关学科的发展。目前,在环境可控、用户配合的条件下,该项技术已经比较成熟。但是在非理想条件下(如光照可变、表情变化,化妆或遮挡)的人脸识别性能尚待提高。　　本论文在分析现有先进算法的基础上,面向人脸识别中存在的难题进行了研究。从改进算法对连续性遮挡的处理能力,增强分类模型对离群点的鲁棒性,以及人脸特征提取几方面入手,针对人脸识别中的光照以及遮挡问题进行了一系列工作。本文主要贡献和创新点如下:　　1.融合线性回归和水平集方法,提出一个解决人脸识别中连续性遮挡问题的方法。核心思想是消除遮挡区域对线性回归分类法(linear regression-based classification,LRC)的影响。首先从LRC中得到人脸误差图像,通过分析得出:与原人脸图像相比,遮挡区域在误差图像中更为显著,且更容易被确定出来。考虑到水平集方法(level set method)可以提取封闭、平滑的连续性边缘,我们展示了如何利用遮挡像素点的空间连续性来确定人脸中的遮挡区域。实验分析表明,将水平集方法融入线性回归分类框架,我们的方法能够有效提高对不同类型人脸遮挡识别的鲁棒性。此外,现有处理遮挡问题的方法(如稀疏表示分类法和线性回归分类法)需要对人脸图像进行划分以提升识别效果,其识别性能与人脸分块的方式密切相关,影响实用性。本文提出的方法不需要对人脸图像进行分块操作,从而避免了这一问题。　　2.提出一个基于l1范数约束的线性回归人脸识别方法(l1-norm based linear regression classification,l1LRC)。高维线性空间中,在不同的范数定义下,样本间会形成不同的拓扑关系,因此相同的分类算法会有不一样的决策界,进而产生不同的分类结果。LRC利用l2范数作为距离度量准则。作为欧氏测度,l2范数可以较好地克服高斯噪声对图像识别的影响,然而却忽略了样本分布的统计特性,无法有效揭示数据的内在分布结构。当图像数据中存在较大的误差或离群点时,欧氏测度会导致对数据的估计出现较大的偏离。本章用l1范数代替LRC方法中的l2范数约束,将l1约束的凸优化问题转化为线性规划问题,由原-对偶算法进行模型求解,最后通过计算测试样本与各类训练样本之间的l1距离作为最近邻分类的相似性度量。在ORL、CMU-PIE、Extended Yale B、AR和Geogia Tech五个公开人脸数据库上的对比实验表明了l1LRC算法用于人脸识别的可行性和有效性。　　3.提出了一个基于稀疏误差特征提取的人脸识别方法,用于解决正面人脸识别中的光照以及遮挡问题。受到鲁棒主成分分析(robust principal component analysis,RPCA)进行低秩矩阵恢复的启发,本文提出利用测试样本在不同类别下的RPCA分解得到的稀疏误差成分进行人脸识别。首先,通过示例分析并揭示了误差成分与低秩成分相比,具有更多的判别信息。其次,从误差图像的像素域和梯度域两个角度出发,分别定义了稀疏性和平滑性两个描述算子来提取稀疏误差成分的特征。最后,通过加权和比值的方式给出了两种识别协议进行人脸图像分类。在公开人脸数据库中进行的光照变化、随机像素点破坏、随机图像块遮挡以及真实环境下的遮挡实验表明了提出方法的有效性。同时,提出的方法不需要光照条件以及遮挡区域的先验知识,并且该方法并不限于面部识别,也有望扩展到其它基于图像的物体识别。