表示分类学习理论作为近几年的研究热点,被成功地应用到人脸识别领域后,取得了非常重要的研究成果。虽然这一理论从一个创新的视角解决了人脸识别问题,但仍面临着许多挑战:一、没有充分体现和利用训练图像特征,其识别效果可能存在一定偶然性;二、对采集的样本图像数量有一定要求,即需要过完备的样本字典;三、时间复杂度高,不能完全满足实际应用的效率要求,等等。针对上述问题,本文深入分析和研究了表示分类学习理论,提出了5种表示分类优化算法,具体工作如下:(1)本文从3个方面分析和探究了当前几种具有代表性的表示分类改进方法。一、特征提取方面,包括:主成分分析法、线性判别分析法以及卷积神经网络;二、扩充样本集方面,包括:扩展的稀疏表示分类算法和结合原始与镜像人脸图像的识别算法;三、改进分类策略方面,包括:两阶段稀疏表示分类算法、应用迭代类剔除策略的稀疏表示分类算法以及基于常规和逆向表示的线性回归分类算法。最后,通过对这些算法的原理和运行过程的学习,我们可以从中受到启发,为本文接下来的工作奠定基础。(2)针对小样本人脸识别中,表示分类算法识别率低,时间复杂度高等问题。本文基于扩展的稀疏表示分类算法,提出了 4种在降维系数解空间中应用二次优化的快速稀疏表示分类方法:扩展的稀疏PCA算法、基于扩展PCA的ESRC算法、扩展的稀疏LDA算法和基于卷积神经网络的ES-PCA算法。这4种方法通过构建一系列降维优化模型对测试样本进行压缩线性表示,并联合l1范数与l2范数最小化求解此优化问题。接着,利用特征系数对测试样本进行更准确的重构,从而实现鲁棒的的识别分类。本文先后从算法间相关性、各自算法的优缺点以及时间复杂度方面分析提出的算法,最后在多个公共的人脸数据库上实验,证明这4种改进算法的优越性。(3)针对人脸识别中,表示分类算法存在的过拟合,数据不确定性等问题,本文在基于常规和逆向表示的线性回归分类算法的基础上,提出了一种基于卷积神经网络的双向协同表示分类方法。该方法首先运用VGGNet-16网络模型对样本图像进行特征提取,接着构造出一种高效的双向表示模型,该模型联合测试样本与训练样本的线性表达式,通过迭代优化策略计算得到对应样本的系数,最后依据测试样本与训练样本间正向重构误差和逆向表示残差的加权组合来进行鲁棒的识别分类。在AR、FERET、ORL、LFW,以及FRGC人脸数据库上的实验结果证明该方法无论在训练样本是否完备的情况下,都能得到很好的识别效果。