分类器设计是人脸识别中最重要的问题之一。从高维人脸图像数据集中抽取有效的特征表示是提高分类器性能的关键。矩阵的低秩分解已经成为抽取低维特征表示最有效和广泛使用的方法。通过低秩分解算法,可以发现人脸图像间的相关性,恢复人脸图像数据集中内在低维结构。本文就有关基于低秩分解的分类器算法及其实现进行了较为深入的研究,主要工作如下:1、拉普拉斯约束的非负稀疏的低秩表示分类器(Laplacian Regularized Non-negative Sparse Low-rank Recognition Classifier)人脸图像数据集通常位于一个嵌入高维空间的低维流形上,传统的低秩表示分类器未能考虑训练样本间的非线性几何结构,从而导致数据间的局部性和相似性的信息可能会在学习的过程中丢失。针对上述问题,提出了拉普拉斯约束的非负稀疏的低秩表示分类器(NSHLRRC),不仅可以揭示全局的低维结构,还可以捕捉数据内在的非负非线性几何结构。在AR人脸库和CMU PIE数据库上的实验结果验证了该方法具有良好的分类性能。2、加权低秩表示人脸识别分类器(Weighted Low-rank Representation Classifier for Face Recognition)传统的低秩表示算法通常是采用求解标准核范数的方式来获得低秩矩阵的秩。标准核范数是计算矩阵的奇异值之和,然而矩阵的秩是计算非零奇异值的个数,因此传统低秩表示算法忽略数据集内部样本之间的关系。针对上述问题,提出加权低秩表示人脸识别分类器,该算法通过给不同奇异值分配不同的权重,获得的低秩矩阵具有更强的鲁棒性。在ORL人脸库和Extended Yale B数据库上的实验结果验证了所提算法的性能优于现有的低秩表示分类器算法。3、加权非负稀疏低秩表示分类(Weighted Non-negative Sparse Low-rank Representation Classification)由于稀疏性约束可提高分类算法的鉴别能力,非负性约束能够增加算法的可解释性,本文提出加权非负稀疏表示分类方法(WNSLRRC)。与加权低秩表示分类器相比,该算法具有更强的鉴别力和可解释性。在ORL人脸数据库和AR人脸数据库的实验结果表明该方法具有良好的分类性能。4、面部识别系统设计及实现(Design and Implementation of Face Recognition System)本系统基于python平台,综合应用了ipywidgets、opencv、numpy、matplotlib、dlib等多种技术,实现了在复杂背景下对不同人种的人脸检测与识别。系统功能有(1)服务器中通过下拉框查找与选择图片;(2)人脸检测,包括单人检测和多人检测;(3)人脸识别:对人脸进行特征抽取,然后根据图片库中的训练样本做比对,分类产生识别结果。(4)实时人脸识别:调用摄像头对目标的人脸进行特征抽取,然后在(1)、(2)步骤的基础上输入训练图像,对比分类产生识别结果。