人脸识别从20世纪中叶开始就被研究人员所关注,是一项起源较早的研究,但至今为止仍然焕发着活跃的生命力,是一门对于研究人员有着重大吸引力的热点技术。近些年来,5G技术、大数据、云计算以及人工智能技术的兴起,使得人脸识别技术能够大规模地实现商业领域的应用。人脸识别技术具有非常广泛的应用,包括视频监控,嫌疑人追踪,人员身份验证,签到管理等。在实际应用中,人脸识别用于训练的样本数量往往是有限的。一个原因是训练样本存储空间的容量有限。另一个原因是很难在较短的时间内获取大量的训练样本。同时,由于人脸图像具有光照变化,面部表情变化和姿势变化等影响因素,导致在小规模训练样本情况下,人脸识别的识别率仍然较低。首先,本文针对变异字典对训练样本有特定要求的问题,提出了使用对称脸对原始训练样本进行预处理生成虚拟样本的方法。该方法弥补了变异字典对于训练样本的要求,也充实了训练样本的数量和训练样本的信息量。通过人脸图像的对称性构建虚拟样本,并代入到变异字典与协同表示分类相结合的算法框架中进行分类识别。仿真实验结果表明,提出的算法在小样本情况下仍然具有良好的分类性能。但是,由于对称脸直接选取图像中轴线作为对称轴的所在位置,生成方式只考虑图像的对称性。于是,通过对人脸图像灰度值分布规律的分析,提出了一种根据灰度值均值确定灰度对称轴的虚拟样本生成方法。该方法可以根据人脸图像的灰度值在水平方向上调节对称轴的所在位置。在此基础上,进一步提出了新的虚拟样本生成方法。通过对人脸图像分块后的灰度值均值进行研究确定角度可变对称轴来生成虚拟样本。提出的算法在灰度对称轴的基础上,对于对称轴的倾斜角度和方向进行调整,这使得构建的虚拟样本能够很好地提升分类性能。