人脸识别技术目前已广泛应用于实际生活中,例如手机的人脸解锁、火车站进站口的人脸识别、商场超市的刷脸支付等等,给我们的生活提供了极大的便利。而其中存在的一些问题,如样本中存在遮挡、噪声等,也成为当下研究的热点,本文主要针对非配合的人脸识别问题。非配合是指用正常的样本进行训练,而用异常的样本进行测试。由于测试样本和训练样本存在较大差异,因而十分具有挑战性。本文将加入遮挡位置信息的PCANet特征与概率协同字典学习模型相结合来进行非配合的人脸识别。本文主要包括以下几个方面的内容:针对基于稀疏表示的分类器的分类机制没有一个较为清晰的解释的问题,从概率协同子空间的角度详细的解释了稀疏表示分类器的分类机制。针对基于稀疏表示的分类器中使用训练样本作为字典所导致的无法充分提取特征信息的问题,将字典学习引入其中来动态习得一组特征概率子空间基。为了增强模型的判别力,引入了Fisher判别准则来提高样本的聚类程度,以更加利于分类。为保证判别项的凸性,在判别项中加入L2,1范数项来保证其凸性,并通过推导证明其凸性。针对非配合人脸识别问题,本文分别从改善模型和改良特征两个方面开展工作。首先,在文章第四章通过改良模型来处理非配合人脸识别问题。主要思想是:由于概率协同字典学习模型对于遮挡和噪声的鲁棒性较弱,且分类的准确性不一定来自表示系数的稀疏性,因此提出基于协同表示字典学习的分类模型。为了增强模型表示能力的鲁棒性,在表示阶段,改用L1范数来表征残差项以进一步增强模型对于噪声和部分遮挡的鲁棒性,并通过迭代重权最小二乘法来求解表示系数。接着,在第五章中通过改良特征来处理非配合人脸识别问题。由于遮挡的存在要比遮挡本身所带来的特征损失的影响要更大,因而需要检测并定位遮挡。本文通过马尔科夫随机场来实现遮挡的定位,然后将遮挡的位置信息加入PCANet特征当中,进一步提升了PCANet特征对于遮挡的鲁棒性。针对PCANet中如何确定PCA滤波器的大小的问题,将Fisher准则作为衡量由不同大小的滤波器所提取的特征之间的聚类程度的指标,从而间接确定合适的滤波器大小。同时在PCANet中加入多尺度信息来提高特征的表达能力。