随着人工智能技术的飞速发展,人脸识别因其较高的学术研究价值和广阔的应用前景成为近十年来计算机视觉领域的研究热点。与其他生物识别技术相比,人脸识别具有识别过程友好、操作简易、可多人同时识别等优点,目前主要应用于考勤和安防等领域。基于稀疏表达的人脸识别是近年来热门的研究课题,其简单的算法框架、对特征选取的不敏感和较强的鲁棒性受到国内外研究学者的关注。尽管基于稀疏表达的人脸识别涌现出了大量的研究成果,但如何提高复杂环境下的识别精度是仍然需要解决的问题。本文的研究工作围绕这一问题开展,主要研究内容包括如下几个方面:1.研究给出一种光照补偿字典学习方法。稀疏表达算法为了在复杂光照条件下的得到良好的识别效果,需要训练样本中包含充分的光照变化。为解决稀疏表达对训练样本充分程度的依赖,本文研究了一种光照补偿字典学习方法。该方法学习出对光照变化具有最佳表达能力的字典,在分类时,通过字典和训练样本对测试样本进行线性重构。实验结果表明在少量训练样本条件下,该方法取得了良好的分类效果。2.研究给出一种判别字典学习方法。字典判别能力的优劣会影响稀疏表达算法的识别精度。为提高稀疏表达算法的识别精度,本文研究了一种判别字典学习方法。该方法利用样本的类别信息构建稀疏编码的类标一致性误差项和分类误差项,并将误差项引入目标函数中,建立字典、线性变换矩阵和分类器的统一学习模型,通过迭代收敛的方式求解模型。实验结果表明该方法取得良好的分类效果。3.研究给出一种局部区域稀疏表达人脸识别算法。针对人脸识别中的局部遮挡问题,本文给出一种局部区域稀疏表达人脸识别算法。该算法将人脸划分为若干个局部区域,并单独为每个区域训练字典和分类器。在分类时,首先利用相应的字典和分类器计算测试样本各局部区域的响应值。其次根据响应值建立遮挡掩膜,利用遮挡掩膜判定遮挡区域。最后综合权衡非遮挡区域的响应值得到分类结果。