陈 斌，东一舟，朱晋宁

(南京师范大学 信息化建设管理处，江苏 南京210046)

1 引 言

人脸识别有着极其广阔的应用前景，由于其无侵犯性，操作较为隐蔽，可交互性好[1]，近年来对其研究逐渐成为主流焦点。目前针对受控场景下的人脸识别研究已经较为成熟并获得了较好的效果，同时也已经在部分领域推广产品化应用。然而受光照、遮挡、表情、姿态、图像质量等因素影响，非受控场景下的人脸识别技术还处于发展初期，由于其环境条件复杂、训练样本要求高、算法难度大、鲁棒性差、识别率低，目前仍是计算机视觉及模式识别领域中有待深入研究和攻克的难题。自20年前首例将主成分分析法(Principal Component Analysis，PCA)[2]引入人脸识别研究领域以来，随着特征提取技术手段的不断发展，各类经典方法也不断推陈出新，判别分析[3]、稀疏误差字典学习[4]、联合辅助字典学习[5]，鉴别稀疏保持[6]等方法持续为人脸识别研究中遇到的问题提供各种解决手段。

当前人脸识别的主要思路是通过对面部有辨识性的特征进行提取并加以训练，进而得到分类器样本进一步完成辨别分类工作。对于非受控场景下图像质量不佳，光照无法保证，遮挡情况严重，姿势变换频繁等因素，其最为核心的要素可以归纳为对两类问题的解决：如何提取人脸主要特征成分的纯净低秩信息与干扰稀疏信息加以表示，以及如何对提取出的高维矩阵进行降维。

为进一步提高非受控场景下的人脸识别率，降低非受控场景下干扰因素的影响，本文提出了以主成分稀疏表示方法对人脸特征进行表征，并采用低秩分解方式减少各种干扰因素对图像造成的影响，降低聚合相关性的方法。……