人脸识别作为计算机视觉和模式识别领域的重要研究课题之一,具有非常广泛的应用价值。近年来人脸识别技术发展迅速,稀疏表示分类(Sparse Representation Classification,SRC)作为一个新兴领域,因具有表现形式简单、重构信号精确度较高以及鲁棒性更强等诸多优势,已被成功地应用到人脸识别中,且取得了较好的识别效果。然而,目前的稀疏表示分类算法大部分都是基于全局特征,这就使其很难克服人脸图像中存在的遮挡、姿态、表情和光照等一系列变化,同时实时性不高也制约了 SRC在实际生产生活中的应用。针对SRC算法的不足,本文深入研究数据的局部结构信息并将其引入到SRC模型中,旨在提升识别算法的准确性和鲁棒性。本文的主要研究内容如下:1.针对SRC算法在较大类内变化下表现不足的问题,给出了改进的加权稀疏表示分类算法(WSRC_DALM)。该算法借助高斯核距离度量训练样本与测试样本之间的相似度,并对高斯核参数进行改进,通过对图像进行分块处理实现特征降维,之后采用对偶增广拉格朗日乘子法(Dual Augmented Lagrange Multiplier,DALM)来求解稀疏表示系数和重构测试图像,最后通过重构残差进行分类识别。2..针对复杂光照变化下的人脸识别问题,给出自商图像(Self-QuotientImage,SQI)和WSRC_DALM算法相结合的人脸识别方法,通过利用自商图像算法先消除光照的影响,获取标准光照条件下的人脸图像,然后利用WSRC_DALM算法进行识别分类。所提出的人脸识别方法可同时解决存在较大类内和复杂光照等变化的人脸识别问题。3.借助ORL和FEI人脸库,对比了 SRC、加权稀疏表示分类算法(Weighted Sparse Representation Classification,WSRC)和 WSRC_DALM 算法的识别率和时间效率,并在Yale B和CMU-PIE人脸库上验证自商图像和WSRC_DALM算法相结合的人脸识别方法的有效性。实验结果表明:(1)WSRC_DALM算法能够有效提高较大类内变化下(多姿态)人脸识别的准确率和鲁棒性;(2)自商图像法可有效的消除光照对人脸图像的影响,提高识别效率;(3)自商图像和WSRC_DALM算法相结合不仅提高了复杂光照变化下的人脸识别率,而且对于光照和姿态、表情等混合干扰的人脸图像识别问题,具有较强的鲁棒性。