人脸识别是模式识别的重要研究方向,具有理论研究和实际应用价值。自动人脸识别以其无侵犯性、信息易采集和低成本等优势,在海关检查和视频监控等多个领域应用广泛。稀疏表示是人脸识别领域的一个重要发展方向,能够有效提高人脸识别的鲁棒性。本文采用鲁棒性稀疏表示分类方法进行人脸识别。在研究稀疏表示分类方法的基础上,对无训练字典和有训练字典两类稀疏分类方法展开研究;讨论了训练字典的判别性对分类性能的影响,并对两类稀疏表示分类方法进行改进,最终在人脸识别应用中,达到提高识别率的目的。本文的研究工作包括以下两个方面:1.稀疏表示分类方法的研究。首先研究了稀疏表示的基本思想和方法,然后验证了基于稀疏表示分类的人脸识别算法的鲁棒性。通过Fisher和Metaface两种字典训练方法,重点研究了训练字典对稀疏表示方法识别性能的改善,并通过实验验证了训练字典能够有效提高人脸识别鲁棒性。2.基于稀疏表示的人脸识别(稀疏表示人脸识别)方法的研究。对无训练字典和有训练字典的两类识别方法进行了改进,具体工作如下:1)在无训练字典的稀疏人脸识别算法中,直接用训练样本集对测试图像进行稀疏重建,根据最小重建误差进行识别。为了提高表示系数的判别性,在稀疏重建中利用局部约束与稀疏约束相结合的方法,对算法进行改进。在保证表示系数的稀疏性前提下,使系数趋于选择与测试人脸存在同一子空间的训练样本,从而提高表示系数的判别性。并通过实验证明,改进算法提高了人脸识别率。2)在有训练字典的稀疏人脸识别算法中,引入距离约束来改进字典训练方法。距离约束能够充分挖掘数据的局部特性,在稀疏字典中筛选出距离较近的同类原子,训练一种具有判别性能的结构字典,有利于提高识别性能。该字典即是训练样本的鲁棒性聚类,能够以较少的原子完整地表示训练样本数据。经实验验证,改进字典具有较强的判别性,该字典的稀疏表示分类算法较同类算法,人脸识别率明显提高。3)改进的字典训练中的目标函数具有收敛性,所以在字典训练中采用闭形解方法进行字典更新和稀疏编码,从而避免l1范数复杂的优化问题,有效解决了字典训练计算量较大的问题。