在计算机视觉和模式识别领域,人脸识别是一项热门的研究课题。为了实现更加鲁棒的人脸识别,研究者们在很多方向上进行了努力。其中,基于稀疏机制的回归模型获得了尤为显著的成功。在图像分类任务中,对图像进行稀疏编码往往使得识别结果或分类效果更加稳定、精确。一般情况下,一个基于稀疏表示的分类器强调图像噪声服从稀疏分布,并以L1范数的形式约束残差图像。但是在某些情况下,噪声的分布并非是理想的,随机的遮挡和伪装对精确的识别造成了很大的影响。尤其是利用回归模型处理非高斯分布的噪声时,用训练样本对遮挡、伪装等噪声进行线性编码是不合理的。从字典学习的角度来看,噪声的多样性决定了一个鲁棒的分类器需要稳定的结构特征来保持类内的一致性。为了更好地解决在处理人脸图像中面对的局部结构噪声,本文拟从两个角度探讨更加有效的解决方案。本文的具体研究成果及创新如下:1.提出基于一致性分块的稀疏表示方法。首先将图像分割为数个区块,即同一个图像在基于稀疏表示的回归模型中同时拥有数个编码向量。实验发现,未受非高斯噪声污染的区块拥有相似的编码向量,而其它受噪声污染严重的区块的编码向量表现出明显的差异。基于此,当同时约束图像的稀疏性、保真性和编码一致性时,模型将返回更加鲁棒的分类结果。在AR数据集上的实验中,人脸图像在受到眼镜和围巾的遮挡下,算法依然拥有0.95和0.97的识别率。2.提出自修剪稀疏编码方法。该方法认为,只约束残差图像是不够的,多编码的回归模型需要额外约束残差编码,更好的利用多编码的内在关系,而这种关系具有天然的稳定性,受噪声等不稳定因素的影响极小。所以,算法在稀疏表示的一般模型上额外增加了对于多编码向量差异的F范数,拥有快速、稳定的特点。在Extended Yale B数据集上的实验中,在受到20%的随机遮挡下的识别率为0.97。