人脸识别是一项结合了多学科、多领域知识方法的前沿研究课题,具有很重要的理论与实际应用意义。本文仔细研究了遮挡人脸识别相关工作,提出了基于图像分块定位遮挡图像中遮挡部分的方法,较目前广泛使用的均匀分块后识别的方法能达到更高的识别率。主要工作为以下几部分:首先对人脸识别的背景及现状做了简要叙述,对基于稀疏表示的人脸识别方法和基于深度学习的人脸识别方法的发展历程做了详细介绍,并详述了基于协同表示的人脸识别算法原理以及经典卷积神经网络的工作原理;其次,提出了再分块和重叠分块两种定位遮挡的方法,分别针对非连续遮挡图像和连续遮挡图像,充分考虑了遮挡区域的连续性,通过比较相邻子块稀疏系数集中度(SCI)的差异,不断地迭代筛选出遮挡区域。这两种方法能够自适应地判断一张人脸图像是否适合分块识别,避免了对所有图像机械分块;此外,在判断遮挡子块时,根据相邻子块间的差异并迭代筛选,避免了仅根据单个子块SCI值的大小来判断其是否为遮挡子块的局限性。本文提出的两种方法分别对非连续遮挡图像和连续遮挡图像使用再分块和重叠分块定位遮挡,在此基础上使用协同表示分类(CRC)算法识别剩余子块。大量实验表明,在AR、GT、ORL人脸库上,本文提出的方法识别率均高于传统方法——CRC、CRC投票以及结合SCI的CRC投票识别;最后,在样本有限的前提下,提出基于分块的卷积神经网络(CNN)方法识别严重遮挡人脸图像。根据设定的阈值,剔除SCI小于阈值的子块,然后使用CNN分别识别剩余子块,并依据各CNN的训练均方误差及识别结果,在多数投票出现多个结果时,使用均方误差较小的那类结果作为最终的识别结果。这种方法降低了 CNN训练参数个数,降低了训练的时间成本;更重要的是,以各子块的均方误差作为多数投票出现相同票数时的一个判别标准,避免了多数投票产生相同结果时取第一个投票结果作为最终结果的弊端。本文有效结合了图像分块方法和深度卷积模型CNN,提出了基于分块的深度学习人脸识别方法。该方法根据SCI剔除遮挡子块,然后使用CNN识别剩余子块,最后结合各子块的训练均方误差进行投票得出最终识别结果。大量实验表明,在AR、GT、ORL人脸库上,本文方法的识别率均高于CNN识别以及CRC分块投票、结合SCI的CRC投票识别。