近年来,随着计算机技术的不断发展、图像采集设备的更新换代,人脸识别技术多应用在非控环境中,处理的人脸图像受不同表情、姿态、发型、配饰、遮挡、年龄等多种因素混合干扰,在高维空间中呈现复杂、多变等特点,这导致一些用于可控人脸识别的传统降维算法在非控人脸识别中效果不理想。因此,针对该问题,本文对非控环境下获取的高维人脸图像进行降维研究,期望寻找一种映射或者投影,得到高维复杂数据中隐含的类内紧凑、类间分离的低维本质结构,用以提高非控人脸识别算法的鲁棒性和准确性,具体工作如下:(1)针对稀疏保持投影(Sparse Preserving Projection,SPP)算法在稀疏重构时忽略了训练样本的类别信息、鉴别力不足等缺点,本文提出加权鉴别稀疏保持投影(Weighted Discriminant Sparse Preserving Projection,WDSPP)算法,通过引入样本类别标签和类内紧凑项,用以增强待测样本和同类样本之间的重构关系;并且通过样本距离权值来构造权值矩阵约束稀疏重构系数,降低同类奇异样本的影响;在低维投影时,增加全局约束因子,利用样本全局分布中隐含的鉴别信息使低维子空间分布更紧凑、更易于鉴别。在AR库、Extended Yale B库、LFW库、Pub Fig库上的大量实验结果表明,本文所提WDSPP算法在非控环境下具有较好的人脸识别准确率。(2)WDSPP算法在降维过程中是将图像拉成列向量进行降维,这在一定程度上破坏了原始图像的空间结构,并且会带来维数灾难和小样本等问题。针对该缺点,本文将张量表示应用到WDSPP算法中,提出了加权判别张量稀疏保留(Weighted Discriminant Tensor Sparsity Preserving,WDTSP)算法。一方面,采用WDSPP算法的类内紧凑约束和加权约束的重构思想,计算高维二阶张量样本间的重构关系;另一方面,基于获取的高维二阶张量样本的近邻重构关系,优化求解最佳双边投影矩阵U和V,得到更加具有鉴别力的低维二阶张量子空间。在AR库、LFW库等4个人脸库的实验结果表明,基于张量表示的WDTSP算法比基于向量表示的WDSPP算法具有更佳准确的识别效果。(3)传统降维方法是对整体样本进行全局分析,用于非控环境下采集的人脸图像效果不佳。针对该问题,本文提出了分块加权判别张量稀疏保留(Block Weighted Discriminant Tensor Sparsity Preserving,BWDTSP)算法。首先将图像进行分块,采用WDTSP算法对分块得到的子张量样本进行判别分析,可以更有效地捕获人脸的局部信息;然后,采用SRC分类器分别计算每块子集的残差并加以融合,以此进行分类识别。实验结果表明,相比于WDTSP算法,BWDTSP算法在非控环境下的人脸识别中识别更加准确。