人脸识别技术由于在身份认证、公共安全、商业和银行等领域有着广泛的应用前景,近几十年来一直是计算机视觉和模式识别研究的热门课题之一。在众多人脸识别方法中,基于线性表示的方法受到大量学者的关注。这类方法认为同一类别的人脸图像分布在同一线性子空间上,这称为线性子空间假设。虽然基于线性表示的人脸识别方法已经取得了大量进展和突破,对于这类方法的研究仍然是一个值得关注的课题。本文针对线性表示分类方法中存在的一些问题从样本选择和特征选择两方面做出改进和探索。本文的研究内容及创新点如下:1.本文提出了一种稀疏增强的联合表示分类方法。该方法通过多个基于₂范数的正则项,从不同方面对编码向量进行约束,使得编码向量具有稀疏的特性。同时该方法将多种同类方法统一到一个框架内。本文分析了线性表示中不同正则项与训练样本集中的各种相关性之间的联系。2.线性表示分类中存在的线性表示和分类两步目标不一致的问题削弱了直接通过各类表示残差进行分类的判别性。针对这个问题本文提出了表示判别准则。该准则通过最小类残差和次小类残差的比值来衡量线性表示将最优类区分于其它类的能力。通过最小化表示判别准则可以求得最具分类判别性的线性表示,从而做出更可信的分类决策。3.遮挡和强光照的影响会导致人脸图像在空间中的分布违背线性子空间假设。但是在未受干扰的部分图像特征所构成的子空间上,数据的分布依然满足线性子空间假设。借助随机采样一致的假设验证循环思想和表示判别准则,本文将遮挡和强光照条件下的人脸识别问题转化为一个图像特征选择问题。将图像投影到随机选择的特征构成的子空间上,然后使用表示判别准则度量在该空间上得到的线性表示的判别性,最终选择判别性最强的线性表示的分类结果。本文提出方法对遮挡和强光照影响表现出了较高的鲁棒性。