随着计算机技术和生物识别技术的不断发展,因为生物特征具有唯一性,易携带性,不易丢失性等特性,人脸、指纹和虹膜等生物特征已经被广泛应用于身份识别领域。其中人脸具有非接触性、易采集等优点更加被认可,在身份识别领域一直保持很高的研究热度。最近基于协同表示的分类算法被应用于人脸识别领域,它虽然弥补了稀疏表示分类算法的对小样本识别正确率较低的问题,但该算法对于遮挡或者光照变化的人脸图像鲁棒性较差。其次在人脸识别中,有的不同类的人脸图像中可能存在较多的相似图像,因此字典的列向量之间的相关度很高进而引起协同表示的分类算法最后分类错误,因此本文在协同表示分类器上进行改进,提高其分类性能;同时采用的特征是原始灰度值,所包含的图像信息较弱不利于最后分类。因此本文引入了特征提取方法来提取能反映人脸信息的特征。本文在人脸特征提取或表达,以及分类器两个方面进行研究的主要内容如下:1)针对人脸识别中的光照变化和遮挡等固有难题,本文在类特定字典学习的协同表示的分类算法中引入分块和核函数的思想,提出类特定字典学习-局部核协同表示的人脸识别算法。首先将人脸图像划分成相同大小的子块,利用高斯核映射测试样本和训练样本的每个子块到更高维空间;然后结合类特定字典学习得到各子块对应的局部核协同表示的每类重构误差;最后将重构误差的倒数作为相似度,将所有子块中每个类的相似度进行汇总,利用每个类的最终的票数总和进行分类。在Extend Yale B、AR、CMU PIE人脸库以及混合人脸库(AR、Extend Yale B和CMU PIE人脸库)上进行实验,识别正确率分别达到了99.8%、98.8%、93.9%、87.1%,与最近的类特定字典学习的协同表示分类(CSDL-CRC)相比,分别提高了10.4%、7.5%、4.6%、8.2%。实验结果表明,该方法不仅具有较高的识别正确率,同时对光照变化以及遮挡的人脸图像具有较强的鲁棒性。2)针对非对称局部二值模式(AR-LBP)提取的人脸特征有限,以及协同表示分类(CRC)人脸存在的类间干扰,提出以多层AR-LBP特征及联合韦伯局部描述子(WLD)特征进行补充;并以增加CRC中稀疏性来降低类间干扰。首先提取人脸图像的多层AR-LBP特征并级联;然后与从原图像提取的WLD特征级联融合得到多层AR-LBP-WLD特征;最后采用稀疏增强的协同表示分类(SA-CRC)完成人脸分类。在ORL、Yale和GT公开人脸库上,本文提出的多层AR-LBP-WLD与AR-LBP、WLD、LBP-HOG以及多层LBP-HOG相比,识别正确率提高了0.9%~42.6%;当利用SA-CRC取代CRC后,识别正确率再次提高0%~0.8%。实验结果表明,与现有的特征提取方法相比,多层AR-LBP-WLD可以更好的表征人脸特征;同时结合本文提出的SA-CRC与CRC相比可以进一步提高识别正确率。综上所示,本文分别从类特定字典的协同,以及多层AR-LBP和WLD融合协同分别探讨了人脸类全局特征和个体局部特征的协同表示的人脸识别,综合实验数据表明,协同表示显然有益于人脸识别性能的提高;同时本文的研究结果也表明人脸类全局特征和个体局部特征融合后的协同应该是一个有益的研究方向。