随着信息技术的发展和人们安全意识的增强,信息的安全和隐蔽性受到了越来越多的关注。人脸识别作为生物特征识别技术之一,与其他生物特征识别技术相比具有更便利、快捷、非侵犯性、交互性及强大的追踪能力等优点,已经受到各个领域科研人员的广泛研究,并运用于刑事鉴定、门禁系统、检查考勤、智能监控、人机交互、三维动画等方面。
　　本文对稀疏表示在人脸识别中的应用进行了研究,重点对基于稀疏表示的人脸识别算法进行深入的分析,主要工作内容及创新点如下:
　　1.详细阐述了人脸识别的背景意义和发展现状,介绍了人脸识系统框架、影响因素以及常用数据库,对稀疏表示算法的几种常见形式进行了总结,并对最经典的基于稀疏表示人脸识别算法进行详细介绍,以及对该模型典型的求解方法——梯度投影法、同伦算法、增广拉格朗日乘子法进行了深入研究,并将作为后续的对比算法。
　　2.针对鲁棒稀疏编码算法(Robust Sparse Coding, RSC)在姿态偏转、遮挡等环境下,特征维数高、识别率较低等问题,结合对该环境下仍具有良好鲁棒性的Gabor特征,提出了一种基于Gabor特征提取的改进的鲁棒稀疏编码算法(Gabor Robust Sparse Coding,GRSC)。首先对人脸图像进行分块处理;然后作多方向和多尺度的Gabor特征提取并构造字典;接着用PCA特征脸法去除相关性和降低维数;最后用加权迭代稀疏编码算法求解得到的最优稀疏系数进行判别归类。实验结果表明在姿态偏转、尺度变化时具有显著的优势,同时有效的缩短了识别时间,是一种比较实用的人脸识别方法。
　　3.针对人脸数据库巨大,采用全局搜索方式算法效率低的问题,结合线性回归方法和协同表示的思想,提出了一种两阶段由粗到细的人脸识别算法——加速线性协同表示算法( Accelerated Linear collaborative representation based classification, ALCRC)。首先,通过用线性回归LRC(Linear-Regression based Classification)的分类方法选择训练样本,从而构成下一步的候选人脸集,这将有效的减少训练集搜索空间;另外,用协同表示分类器CRC(collaborative representation based classification)对样本分类决策,即通过最小二乘法求得稀疏系数,然后重建测试样本并将得到的残差进行归一化处理,最后用残差最小化准则进行判别归类。实验表明,ALCRC算法在保证比较高的识别率前提下,同时有效提高了原算法效率。