人脸识别一直是机器学习领域的热门问题,针对不同场景和不同目标,人们提出了各种解决算法。随着压缩感知理论的发展和成熟,其在人脸识别领域的一项应用就是稀疏表示识别算法,该算法具有对特征提取不敏感和对遮挡物鲁棒性很好的优点。本论文的核心是一种协同表示识别算法,其改进于稀疏表示识别算法,继承了对遮挡物较好的鲁棒性,并大幅提升了算法的速度。针对协同表示识别算法的准确度和实用性,本论文对其进行了三个方面的改进工作:(1)使用多元特征集作为算法模型的输入,并行地训练多个基于不同特征的模型,然后加权求和同一分类下不同特征模型的残差,以此作为识别依据。这种改进方式可以综合利用不同特征从不同角度提取的有效信息,从而提高算法的准确度。(2)给出了一种加权相对距离的指标作为对Outlier情形的判决依据。协同表示识别算法得到的编码稀疏性变弱,因而稀疏表示识别算法中的稀疏集中因子不再适合本算法。加权相对距离指标绕过了对编码稀疏性的依赖,综合考虑了最优解和次优解之间的距离和相似度进行判决,更加适合当前场景。(3)针对实际应用中常见的样本不足的难题,本论文给出了一种基于变换字典的解决方案。通过从标准人脸库中提取不同光照、不同姿态、各种遮挡物等情形下的变换基,生成一个变换字典,扩展和补充当前训练集的不完备字典,从而能够使用少量训练样本就能表示不同场景下的各类人脸。