崔 建， 游春芝， 丁伯伦

(1.山西医科大学汾阳学院 基础医学部，山西 吕梁 032200； 2.安徽信息工程学院 基础教学部，安徽 芜湖 241000)

0 引 言

在实际生活当中人脸图像由于易采集、非接触、静态等优点被广泛地应用于智能识别。在过去的几十年当中，很多相关的人脸识别算法相继被提出，如Eigenfaces[1]、Fisherfaces[2]、非负矩阵分解[3]、线性判别分析[4]等。近年来一种基于稀疏表示[5-9](Sparse Representation Based Classification，SRC)的算法被提出，并成功地应用于图像压缩、图像检索以及人脸图像识别中。SRC算法是基于L1范数最小约束条件求解，当样本维数以及测试样本数量过高时求解是非常复杂，一定程度上影响到算法的有效性。在稀疏表示的研究中，Zhang等[10-12]通过与L2求解对比分析，发现稀疏表示理论取得成功的关键在于样本之间的协同作用，在此基础上提出了一种基于正则化协同表示的人脸识别算法(Collaborative Representation Classification，CRC)，在文献[10，12]中分析了SRC 算法中正确识别率高的主要原因，并且证明了训练样本的协同表示起到关键作用。在文献[11]中作者针对样本不确定性、小样本问题，对协同表示进行改进。协同表示最大的优点在于其保证识别率的同时极大地降低计算成本，因此协同表示成为人脸识别的一大潮流。这些算法多是基于可控的实验环境下的研究，效果相对理想，然而当图像存在光照变化、连续遮挡等不确定的干扰时、识别率很容易受到影响。

基于鲁棒主成分分析(Robust Principal Component Analysis，RPCA)[13-16]算法近年来被提出，算法在复杂环境下，如表情变化、光照、遮挡等情况下取得较好的效果。……