作为一种非接触式且长期有效的身份识别技术,人脸识别已广泛地应用于安防、监控、登录等场合中。2015年初,马云宣布淘宝将采用“刷脸支付”的付费形式,反映了人脸识别与生活的息息相关性,也说明了该技术已具有成熟的理论深度。传统的人脸识别技术都在受控环境中得以应用,如“刷脸支付”技术要求客户在正面、光照一致、无遮挡的环境下实施付费操作。然而,在部分应用如安防监控中,人脸对象受光照阴影、姿态变化、外物遮挡等影响,其识别率尚待进一步提升,需要更高要求的分类器和特征选择算法的应用。本文分析了人脸识别技术的基本理论框架,以其中的特征挖掘和鉴别判定为核心研究内容,提出了新的分类器和特征降维算法,具体创新工作包括以下几个方面:(1)分析了经典稀疏表示分类器的缺点,包括计算复杂度高和缺乏样本分布先验考虑等方面,提出了样本加权的组稀疏分类器模型。所提算法首先通过查询样本与各训练数据间的欧式距离以及查询样本与各类间的重构冗余构建了融合的系数加权约束,并将l1范数替换为组范数,添加了监督性,最后通过闭式迭代求解策略进行模型优化计算,其效率远远优于经典稀疏表示型算法。通过公共人脸数据库验证了所提算法的优越性。(2)分析了待查询人脸图像与稀疏系数表示之间的重构冗余分布状况,确定了常规高斯分布和拉普拉斯分布的加权冗余形式,通过图例的形式分析了不同的加权函数对于冗余的分布切合性,最终提出了特征加权的组稀疏分类器模型。所提算法兼具了样本加权组稀疏分类器模型的优势,并引入了特征加权约束,通过参数人工设定操作冗余分界点,使得算法具有优越的抗噪性,通过更为复杂的公共人脸数据库验证了其性能。(3)以样本、特征兼顾加权的组稀疏分类器模型为基础构建人脸数据重构系数权值矩阵。以系数保持为前提,以类内重构散度矩阵最小、类间重构散度矩阵最大为目标函数构建降维投影模型,通过泛化特征分解计算最优的投影矩阵,契合稀疏性分类器的目标函数,提出了加权组稀疏保持鉴别投影算法,不仅提升了原特征空间算法的人脸识别率,而且大大提升了算法的实际运行效率。