赵雪章，丁 犇，席运江

(1.佛山职业技术学院 电子信息学院，广东 佛山 528137;2.华南理工大学 经济管理学院， 广州 510641)

0 引言

随着计算机科技的发展，人脸识别技术在安防、教育、电子商务、金融等领域有着非常广泛应用，已经渗透到到人们的方方面面当中。人脸识别容易受到遮挡、光照、多姿态性、表情变化等因素的影响，这些不确定因素提高了人脸识别的难度。其中稀疏表示由于具有遮挡和腐蚀的干扰具有非常好的鲁棒性，以及对特征的选择不敏感等优点，被Wright[1]等人首次应用到人脸识别问题中，先直接使用所有训练祥本对测试样本进行线性表示，再通过最小重构误差对测试样本进行分类，特别是当测试样本有损坏或遮挡时，SRC方法依然有出色的分类性能，但当SRC线性组合的样本维数比较高时，时间复杂度大大増加。为解决这个问题，Hui和Ortiz等人[2-3]将SRC和线性嵌入思想相结合，提出基于线性近似的稀疏表示分类方法，在进行稀疏优化前，先利用线性回归对训练样本进行筛选，从而加快稀疏分解减少计算时间。另外的解决办法就是利用字典学习提高稀疏分解效率，利用字典学习可以获得信息量大但规模小的字典，字典原子个数远小于原始训练样本。2010年Zhang等人[4]提出具有鉴别性的D-KSVD算法，主要思想是在K-SVD算法的基础上引入分类误差项，该算法特点是学习到的字典具有鉴别能力；与此类似，Jiang等人[5]提出具有标签一致性约束的LC-KSVD算法，该算法是在K-SVD算法的基础……