如今,人脸识别技术虽然已经取得了长足的进步,但是在实际应用中面临很多的困难与挑战,仍然是当前研究的热点,许多新的思想和算法不断涌现。稀疏表示由于对噪声和遮挡的鲁棒性以及出色的分类性能,引起了众多研究者的关注。特别是,自Wright等人将稀疏表示分类成功地应用到人脸识别领域后,人脸识别进入到一个新的高潮。稀疏表示人脸识别的基本思想是,为测试样本寻找一个在字典上的最稀疏的线性表示,并通过构建最小残差的形式来确定测试样本的类别。因此,字典的判别能力对分类性能具有重要影响。各种字典学习的算法被不断提出和改进,其中共同-特别字典学习算法在保留样本的特别特征的基础上,考虑到不同类别之间存在对于分类没有贡献的共同特征,设计得到一个面向分类的判别性结构字典。该字典中的共同字典部分主要对数据进行表示与重构,特别字典部分主要对数据进行区别。共同-特别字典本身的高判别性优势,对于人脸识别精度的提高具有重大帮助。本文从字典的判别性与稀疏表示系数的判别性两方面出发,围绕基于共同-特别字典的稀疏表示人脸识别方法展开研究,对相应算法提出了改进,并在公开数据集上验证了所提算法的有效性。本文主要研究工作及创新点如下:(1)提出了基于共同-特别字典的局部约束稀疏表示人脸识别算法。为了在共同-特别字典的高判别性基础上,充分挖掘训练数据中隐含的局部结构信息,对测试样本的稀疏编码过程施以改进的局部约束,保留了测试样本与其邻近的特别字典原子之间的相似性,从而得到更具判别性的稀疏表示系数。此外,针对共同-特别字典的特殊结构,给出了两种相似性度量方法。在Extended Yale B库,AR库以及ORL库上的多组实验验证了所提算法的有效性。(2)提出了基于共同-特别字典的加权分组稀疏表示人脸识别算法。分组稀疏表示已被证实可获得相比传统稀疏表示更具鉴别力的稀疏表示系数,为了能够用与测试样本相接近且尽可能少的字典分组对其进行稀疏表示,该算法在共同-特别字典的基础上,进一步对测试样本进行加权分组稀疏表示。首先使用测试样本在各类特别字典与共同字典上的重构误差值来预测测试样本的类别,然后将预测值作为加权分组稀疏表示中每组稀疏表示系数的权重。该人脸识别算法充分利用了共同-特别字典的判别性能和加权分组稀疏的表示能力,提高了算法的识别性能。在AR库和Extended Yale B库上的实验验证了所提算法的有效性。