人脸识别的自然、直观、非接触等优点以及广阔的应用前景使得人脸识别一直是模式识别和人工智能学科的重要研究内容。经过近几十年的发展,人脸识别技术已经取得长足的发展。尤其是最近十年,生理学和认知科学的研究不断给人脸识别以新的灵感,丰富了人脸识别理论和方法,大大促进了人脸识别技术发展。由于人脸图像中中存在光照变化、姿态变化、各种遮挡等变化,这些变化的影响使得人脸识别依然是一项具有挑战性的研究课题。基于二维图像的人脸识别方法是一个典型的小样本问题。训练样本的缺乏是严重影响算法性能的一个重要原因。本文主要针对人脸识别中训练样本数不足的问题进行研究,从特征抽取和分类器设计两个方面来提高人脸识别算法的鲁棒性。论文的主要研究工作如下:(1)将特征抽取和分类器统一起来考虑,提出了一种由协同表示分类器引导的特征抽取方法。在特征抽取的过程中充分考虑基于协同表示分类器(Collaborative Representation based Classification,CRC)的特点,提出了由CRC引导的特征抽取方法。首先,新的特征抽取方法利用CRC定义了类内重构误差和类间重构误差。其次,定义了基于协同表示的类内重构误差散度矩阵和类间重构误差散度矩阵。最后,利用类似Fisher准则的方法求出投影矩阵,确保抽取出来的特征最适合CRC,从而提高识别率和算法的鲁棒性。(2)从充分利用有限的训练样本的角度出发,根据训练样本在分类器中贡献的不同,提出了 惩罚协同表示分类器(Penalized Collaborative Representation based Classification,PCRC)算法。PCRC算法首先根据分类器计算出不同训练样本在分类器中的贡献,然后根据贡献的不同对训练样本给不同的重构权重系数,从而达到识别性能提高的目的。在此基础上,将Gabor小波变换结合进来,发现分离出人脸图像在不同方向、不同尺度下的信息更加有利于PCRC对样本有用信息的利用,在识别性能上有大幅度的提高。(3)针对基于虚拟训练样本的人脸识别方法,提出了由CRC引导的虚拟样本生成方法和鲁棒的核CRC人脸识别方法。虚拟训练样本包括了原始训练样本中一些合理的、可能的变化,因此,生成虚拟训练样本的方法能够增加训练样本的个数,提高算法的鲁棒性。由协同表示分类器引导来生成虚拟训练样本的方法利用生成的虚拟训练样本与原始训练样本存在一定的差异的特点来模拟原始训练样中人脸图像的各种变化。由于虚拟训练样本是由协同表示分类器引导的,因此在采用该分类器进行分类时能够提高算法的鲁棒性。第二种方法研究如何结合CRC和已得到的虚拟训练样本来提高鲁棒性。具体来说,提出的改进方法考虑原始训练集和虚拟训练集同时满足CRC来求得更为合理的重构系数,在估计新的重构系数的时候同时考虑到了原始和虚拟两个训练样本集,由于虚拟的训练样本集是原始训练样本集在各种变化的扩展,因此求出的重构系数更具合理性。为了进一步提高算法的鲁棒性,将其推广到核空间。值得注意的是,提出的方法适用于各种虚拟训练样本算法鲁棒性的提高,在本文主要考虑为原始训练样本增加噪音扰动的方法来产生虚拟样本。在多个人脸数据库中的实验结果显示提出两种改进方法的有效性。(4)针对最小平方误差分类器(Minimum Squared Error Classification,MSEC)提出了双向最小化平方误差分类器(Two-Directional Minimum Squared Error Classification,TDMSEC)和核改进的最小平方误差分类器(Kernel Improved Minimum Squared Error Classification,KIMSEC)两种算法以提高MSEC的鲁棒性。分类是人脸识别中重要的步骤,好的分类器能够对人脸图像中的各种变化具有较强的鲁棒性。第一种改进方法是增加了一个转换矩阵来容忍训练样本数量的不足和训练样本的各种变化,提出了双向最小平方误差分类器。另外一种改进方法认为训练样本数的不足将导致所求的变换矩阵无法得到标准的类别标签,因此为MSEC寻找一个更为合适的类别标签来代替原始的类别标签,并将其推广到核空间,从而提高了算法的鲁棒性。