人脸识别因其非接触性、易采集等优点而被广泛研究,并主要应用于考勤、门禁、监控、公安等系统。虽然目前众多种人脸识别算法已取得较好的识别性能,但人脸识别系统在实际应用中仍面临很多挑战,其中主要包括:由光照变化、饰品等引起的遮挡人脸识别问题;非可控条件下可采集到的样本数少,即小样本问题;姿势和表情变换等,本文将这种情况下的人脸识别称之为欠完备采样人脸识别。欠完备采样会造成人脸信息的缺失,降低已有算法的识别性能。为此提出面向数据的稀疏表示算法对该问题展开研究以提高人脸识别算法的鲁棒性和实用性,具体研究内容如下:(1)根据近邻表示和分辨性分解算法分别提出基于近邻类加权结构稀疏表示图像识别算法和基于分辨性分解结构稀疏表示遮挡人脸识别算法。字典中各类训练样本对测试样本分类的贡献不同,一般近邻样本对测试样本的正确分类具有较大的促进作用,因此考虑选取近邻类并加权进行测试样本分类,不仅可降低算法的计算复杂度,同时提高算法识别率。此外,为提高遮挡情况下的人脸识别性能,采用分辨性分解算法对遮挡部位进行分离,并在分解得到的共同部分和低秩条件部分上分别进行主成分分析,并计算投影矩阵,最后在投影空间上进行结构稀疏表示并分类。(2)为解决全局算法对遮挡的敏感性,并进一步降低遮挡对识别性能的影响,对图像进行分块局部处理,通过对遮挡模块赋予低权值,干净模块赋予高权值来降低遮挡模块对算法性能的影响。为此,本文提出几种不同的模块加权方案:首先,将图像分割成多个有重叠的模块,并利用Fisher率计算每个模块的分辨性,据此对每个模块加权,保留分辨性高的模块进行后续的分类识别;其次,将图像分割成4部分,并利用稀疏残差对模块加权进而对遮挡部分进行估计,最后仅在非遮挡部位上进行分类判别;最后,将以上两种加权方案联合,提出基于Fisher判别和稀疏残差的模块加权算法,该算法联合了Fisher加权和残差加权的优势,以进一步提高遮挡检测性能。(3)为精确检测遮挡部位,并实现无遮挡训练集上的遮挡人脸识别,提出两种像素级上的遮挡检测算法:基于稀疏表示的像素级遮挡检测人脸识别及基于块递推残差分析的双层稀疏表示分类算法。基于稀疏表示的像素级遮挡检测算法根据类残差分析各类遮挡估计结果,并对结果进行统计得出最终的像素遮挡估计,最后仅在非遮挡像素集上进行识别。基于块递推残差分析的算法将遮挡样本分成上下两个模块,利用稀疏度较高的模块重构整幅测试图像,并根据残差估计遮挡像素进而对各像素进行加权并分类,以此提高遮挡人脸的识别性能。像素级遮挡检测可避免分块遮挡检测算法中模块中同时含遮挡和非遮挡部分而造成的识别率低的问题。(4)利用核空间对块稀疏表示算法进行非线性扩展,并提出核块稀疏表示算法(KBSRC:Kernel Block Sparse Representation based Classification),该算法将样本投影到降维的核空间,因而可将样本的原非线性空间线性化,而在该空间上利用样本的结构信息分类可提高分类性能。