人脸识别系统作为泛在网络的感知节点,有着广泛的应用前景,如身份认证、视频监控等领域。以上场景对于图像的分辨率及数据的存储空间等有着严格的限制,这就对人脸识别算法提出了更高的要求。基于稀疏表示的人脸识别算法(Sparse Representation Classification, SRC)在实验室条件下有着很高的识别成功率。但是在实际的应用中,往往受限于光照、姿态、遮挡等因素,不能取得理论上的良好效果。本文探讨了SRC算法在实际应用中的问题,提出了稀疏浓度判别分析算法(Sparsity Concentration Discriminant Analysis, SCDA)。设计了稀疏浓度指数来作为样本分类效果好坏的衡量标准,通过实验确定阈值,根据闽值来对样本进行筛选,挑选出第一次分类效果不好的样本。基于投影的效果对训练库进行删减,最后使用精简后的训练库再次进行分类。该算法考虑到了识别成功率与运算速度之间的矛盾,在提高识别效果的前提下尽可能减少运算量。并且通过多次筛选,提高在遮挡、光照情况下的识别率。设计了几组对比试验,在ORL, Extended Yale B和UMIST这三个具有不同特点的训练库上充分验证算法的有效性。实验表明,SCDA算法在无噪声情况下的识别成功率达到90%以上,样本50%污染的情况下依然有着70%以上的识别成功率。相比于SRC算法,在添加噪声的情况下,本算法识别成功率提高了5%-30%,而运算时间的增加控制在2%以内。随后借助于MFC框架和OpenCV库开发了Windows上的测试平台,使用了真实的人脸对算法进行了测试,识别成功率达到83.33%。最后,在Windows平台上经过完善的测试之后,将系统移植到了SEP6011芯片上,针对嵌入式平台的特点进行了优化,经过测试识别成功率达到75%。