人脸识别是模式识别和计算机视觉领域的研究热点,广泛应用于国防军事、智能监控、公共安全、人机交互等诸多方面。近几年,基于稀疏表示的分类方法(SRC)由于其所具有的有效性和简单性获得了越来越多研究者的关注,并且被成功应用于计算机视觉和图像处理等问题当中。本文分析和总结了国内外对稀疏表示分类方法的相关研究,提出以下三种对其进行改进的识别算法:1.本文提出基于局部约束组的核稀疏表示分类算法(LG-KSRC)。该算法在原始稀疏表示分类的基础上加入局部约束项和组稀疏项,使得算法能选择与测试样本近邻并且来自同一类的训练样本来重构测试样本,更好地保留了数据的局部性和组稀疏性。算法还进行了核拓展,解决了样本线性不可分的问题。2.本文提出基于半局部二进制模式的核稀疏表示分类算法(HLBP-KSRC)。首先综合核坐标下降法和稀疏表示分类方法为一个全新的核稀疏表示分类框架(KCD-SRC),然后在此框架中采用局部图像特征和基于半局部二进制模式的汉明距离核函数,整合后的稀疏表示分类框架对光照、噪声和遮挡鲁棒,并且具有判别性。3.本文提出基于半监督竞争聚集的类K-SVD字典学习算法(SCA-KSVD)。该算法首先通过聚类方法缩减字典原子数,构造最优的字典。然后运用K-SVD算法对优化后的字典进行学习,使字典具有更好的判别能力和表示能力。本文在三个公共的人脸数据库Extend YaleB、ORL和AR上进行了大量的实验来验证所提出算法的有效性,并且对稀疏表示和字典学习的经典算法进行了对比。实验结果表明本文所提出的算法取得了更好的识别效果。