人脸识别是计算机视觉和模式识别领域内研究热点之一,因其可靠、非接触、不易复制等特点成为人们最易接受的一种生物特征识别技术,并一直受到国内外学术界和商业界的广泛关注。迄今为止,人脸识别研究已经取得了巨大的进步,但仍面临着一些挑战。众所周知,人脸是一类具有相当复杂的细节变化的自然结构目标,对此类目标进行识别的主要挑战在于:1)可变性:人脸是一种非刚体,其表情和姿态会随着人的情绪变化而改变;2)不稳定性:在不同的光照角度和强度下,三维人脸影像会不可避免地产生阴影,这会严重破坏人脸的图像信息;3)差异性:一些装饰物(如墨镜、口罩或者围巾等)会对人脸形成遮挡,影响了人脸识别在实际应用中的效果。结合以上几点原因,如何建立一个快速高效稳定的人脸识别系统仍然是一项极具挑战的课题。本文基于图正则化降维的思想,对人脸识别进行了相关研究,主要的研究成果如下:1、基于QR分解的正则化邻域保持嵌入算法(Regularized Neighborhood Preserving Embedding Algorithm Based on QR Decomposition)在人脸识别中,人脸图像属于高维多类小样本,因此缺乏足够的训练样本一直是一个棘手的问题。当训练样本不足时,对数据的低维子空间的估计可能会产生严重的偏差。对此,本文提出了一种基于QR分解的正则化邻域保持嵌入算法。首先,该算法定义一个局部拉普拉斯矩阵保留数据的局部结构;其次,将类内散度矩阵的特征谱空间划分成三个子空间,通过倒数谱模型定义的权值函数获得新的特征向量空间,进而对高维数据进行预处理;最后,定义一个邻域保持邻接矩阵,利用QR分解获得的投影矩阵和最近邻分类器进行人脸分类。与正则化广义局部保持投影(RGDLPP)算法相比,所提算法在ORL、Yale、FERET和PIE库上识别率分别提高了 2个百分点、1.5个百分点、1.5个百分点和2个百分点。实验结果表明,所提算法易于实现,在小样本下有较高的识别率。2、基于类别信息的权值正则化稀疏保持嵌入的人脸识别算法(Label Information-based Weighted Regularized Sparsity Preserving Embedding for Face Recognition)图嵌入框架已成为一种流行的降维方法。然而,传统的构图方式严重依赖于参数的选择,使得在实际的人脸识别应用中表现不稳定。针对此问题,本文提出一种基于类别信息的权值正则化稀疏保持嵌入的人脸识别算法。与原来的l1构图不同的是,在图嵌入框架下,我们利用基于类别信息的l1构图方式来自适应的构造本征图和惩罚图。为了保留局部结构,用样本间的高斯核距离作为权值矩阵对所构建的图加权处理;为了避免使用PCA使部分判别信息丢失,用正则化技术处理矩阵不可逆问题。最后创建全局和局部相结合的目标函数,使用施密特正交化获得正交基向量,选择最近邻分类器对人脸识别。在公共人脸库上的测试结果表明,本文提出的算法具有较高的识别率。3、基于非负l1图正则化低秩表示的鲁棒人脸识别算法(Robust Face Recognition Based on Non-negative l1 Graph Regularized Low-rank Representation)在图像采集过程中一般会受到外部环境(如光照和遮挡等)的影响,使训练样本和测试样本可能均含有光照、噪声或遮挡等污损。为了解决这一问题,本文提出一种基于非负l1图正则化低秩表示的鲁棒人脸识别算法。首先,利用非负l1图构建图正则化项,将其融入低秩表示模型,从训练样本中恢复出干净人脸样本和误差人脸样本;然后,构造样本字典和遮挡字典,通过稀疏和协同表示模型,将测试样本分解成干净脸、遮挡脸和误差脸;最后,通过计算测试样本恢复出的干净脸与样本字典和稀疏系数重构的测试样本之间的残差进行分类。在Extended YaleB、CMU PIE和AR人脸数据库上的实验结果,验证了所提算法的有效性及对噪声的鲁棒性。