人脸识别在图像处理领域中是一个很重要的研究热点,人脸识别技术被广泛地应用于模式识别、人工智能、计算机视觉等领域中。基于稀疏表示的人脸识别技术:稀疏子空间聚类是近年来子空间聚类的研究热点,它是一种基于谱聚类的子空间聚类方法,其基本思想是:高维数据空间位于多个低维子空间的并,能够被低维子空间线性表示。稀疏子空间聚类的基本方法是:对给定的一组高维数据建立子空间表示模型,得出数据在低维子空间中的稀疏表示系数,然后根据表示系数构造相似度矩阵,并应用到谱聚类算法中,从而聚类数据。本文从稀疏表示原理出发,首先阐述了一种传统的基于稀疏表示的人脸识别,进一步的对稀疏表示算法做了改进,提出了一种迭代加权的稀疏表示算法。稀疏子空间聚类通过解决1l最小化算法并应用谱聚类把高维数据点聚类到不同的子空间,从而聚类数据。迭代加权的1l算法比传统的1l算法有更公平的惩罚值,平衡了数据数量级的影响。此算法应用到稀疏子空间聚类中,改进了传统稀疏子空间聚类对数据聚类的性能。仿真实验对Yale B人脸数据图像进行识别分类,得到了很好的聚类效果,证明了改进算法的优越性。其次,在现有的稀疏子空间聚类算法理论基础上给出两种稀疏子空间聚类优化算法:稀疏线性子空间聚类和稀疏仿射子空间聚类。这两种优化算法针对不同的数据集会有不同的聚类效果。本文通过稀疏表达得到不同的稀疏系数矩阵,把稀疏系数矩阵应用到较为简单的改进的正则化谱聚类算法中实现聚类。应用Yale B数据对人脸图像进行识别分类得出:采用稀疏线性子空间聚类算法优于稀疏仿射子空间聚类算法;在算法执行时间上和算法聚类错误率比传统的稀疏子空间聚类较为快速高效。