随着数码相机、智能手机、智能监控系统等移动设备的普及,人脸识别技术逐渐应用在当今社会的各个领域。但在实际场景中的光照、表情、遮挡等一系列变化,使得人脸面部信息缺失,导致人脸识别效果不佳。本文主要研究遮挡情况下的人脸识别问题,解决现有方法识别率不高、运行时间较长的问题,具体内容如下:(1)针对低秩矩阵恢复过程花费时间较长的问题,提出一种快速低秩矩阵恢复算法(Fast Low-rank Matrix Recovery,FLRR),该方法对低秩恢复模型进行了优化,并且在求解时将维数较高的矩阵分为三个小矩阵的乘积,避免了较大矩阵的奇异值分解,在一定程度上降低了算法复杂度,为后续的人脸识别过程奠定了基础。(2)针对训练样本图像存在遮挡的问题,提出一种基于Gabor字典缩减的协作表示分类人脸识别算法(Collaborative Representation Classification Face Recognition Algorithm Based on Gabor Dictionary Reduction,GDR-CRC)。该方法对测试人脸图像、低秩人脸图像和遮挡误差图像分别进行Gabor变换,得到对应的增广Gabor特征向量。然后,提出一种Gabor遮挡字典缩减算法,用该算法得到缩减的Gabor遮挡字典,并用其与训练样本的增广Gabor特征字典一起构成新的缩减字典。最后用缩减字典对测试样本进行协作表示,并获取最终的识别结果。实验结果显示,本方法在保证算法识别率的基础上,降低了算法的复杂度,缩减了算法运行时间。(3)针对训练样本和测试样本均存在遮挡情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(Group Sparse Representation Face Recognition method for Robust Principal Component Analysis,GSR-RPCA)。该方法首先将人脸图像由空域变换到对数域,通过FLRR算法恢复每子类训练样本以降低低秩成分间的相关性,增强恢复数据的鉴别力。然后,学习低秩成分与原始训练数据之间的低秩映射关系矩阵,并利用该矩阵将测试样本映射到其潜在的子空间下,以移除测试样本中存在误差成分。最后,计算群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。实验结果显示本方法具有较高的识别率和较强的鲁棒性。