由于人脸识别在身份识别、访问控制以及安全监管等方面的广泛应用,近些年其在计算机视觉以及机器学习领域也是个非常受欢迎的课题。同时,随着网络环境越来越庞大而复杂,以及人们对于信息安全的要求也越来越高,传统的经典识别算法也不断收到来自现实环境的考验。如何设计出既快速高效、又抗干扰还识别率高的人脸识别算法是大家孜孜不倦的追求。目前人脸识别的应用已经充斥在大家的工作与视野里,无论目前炒的火热的刷脸支付,乃至车站的刷脸进站,都在表明人脸识别在现实应用里的成功。同时由于人脸识别的应用越来越广泛,它面临的挑战也是全方位、多样性的。在过去的几十年里,面临着不同的挑战,无数学者在人脸识别领域作出了突出的贡献,他们的贡献主要集中在复杂环境下(比如光照、姿势、表情、遮挡等干扰信息)如何提高识别率以及如何提高性能降低开销上。面对着新的应用与需求,这对于现在的学者们又需要在理论与实践领域赢得更高层次的挑战。1)本文基于稀疏表示提出模块化的联合特征算法。算法结合了Gabor算子与LGBP算子的优势,动态分配权重以达到最优的分类策略。针对训练集样本不足以及训练集或者测试集都可能存在光照、表情变化乃至遮挡等干扰信息的情况,在此基础上对训练样本与测试样本作模块化“分片”来赋予不同的模块不同的权重。先把每个训练样本分成若干个m*m的子模块,然后基于残差与Fisher率两个维度赋予不同的模块不同的权重。这样可以达到对于存在严重遮挡的模块,赋予较低的权重,遮挡较少或者不存在遮挡的样本赋予较低或者最高的权重,以此来减少或者屏蔽遮挡(戴眼镜、围巾与口罩等)带来的干扰。2)现实情况中,可能会存在比遮挡更严重的干扰,比如侧面人脸,此时拿不到人脸的正面图像,这大大增加了正确识别的难度,也大大降低了识别效果。为此本文在用稀疏表示进行分类前,首先使用神经网络提取FIP(face Identity-preserving)特征,该特征对姿势角度变化以及光照变化不敏感,然后通过一个全连接层将FIP特征还原为正面人脸图像数据,此时还原了的正面图像已经最大程度地减少了光照变化以及面部倾斜带来的干扰,最后通过矫正恢复后的人脸图像与未恢复的人脸图像分别作为训练样本作分类识别,实验结果表明矫正恢复后的人脸样本图像不仅较少了光照姿势等干扰,而且保留了重要的便于分类的特征,因而在此样本集上进行人脸识别可以有效提高识别率。