随着计算机技术的发展,人脸识别技术已经逐渐应用到人们的日常生活中。目前已经有非常多的识别方法被提出,其中基于稀疏表示的识别具有其独特的优点,比如对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等。但其作用原理导致了要想取得好的识别效果就必须要有充足的样本。而在实际应用的情况下,很多场景都采集不到足够多的人脸。另一方面稀疏表示分类的求解复杂度是比较高的,要想应用到实际中去,就必须加快识别的速度和准确率。本文针对这些问题做出了改进,主要的研究内容和贡献如下:(1)为了解决样本不足的问题,本文提出了一种全新的虚拟样本构造方法。首先利用双三次插值法将原样本放大两倍,接着将放大后的样本进行不重叠分块,每块的大小为2×2像素,分别取出每块的相同位置的像素构成一个和原样本相同大小的虚拟样本,总共能得到4个虚拟样本。然后将所有的虚拟样本和原样本组合成新的训练样本集,并用判别稀疏表示进行两阶段的分类。在不同的人脸数据库上进行的多次实验证实,该算法比目前绝大部分基于稀疏表示的人脸识别算法拥有更高的识别率。(2)为了解决全局结构会忽略局部信息的问题,本文提出了一种基于局部和全局融合的稀疏表示方法。首先构造每类训练样本对应的全局结构,对于任意一类的训练样本来说,它的全局结构就是不含这一类的其它所有的训练样本。然后分别用这类训练样本和它对应的全局结构,对测试样本进行线性拟合,求得前后两个拟合误差,接着再用前面的误差除以后面的误差,得到融合后的误差,最后再以这个误差进行分类。在不同的人脸数据库上进行的多次实验证实,本文提出的融合算法的识别率是高于单纯基于局部或者全局的算法,融合算法结合本文提出的虚拟样本之后也高于目前绝大部分基于稀疏表示的人脸识别算法。(3)为了加快识别速度,本文提出了一种快速的两阶段识别算法。首先利用K均值聚类算法对训练样本进行处理,把训练样本互相之间比较近的样本聚合成一个大类,对于一个新的测试样本,只需要和各大类的聚类中心计算距离,选取距离近的若干个大类,把这些大类所包含的原始训练样本的类别所包括的所有训练样本组合起来,构成新的训练样本集,最后利用新的训练样本集,进行第二阶段的识别。在不同的人脸数据库上进行的多次实验证实,本文提出的快速的两阶段识别算法在准确率小幅提升的基础上,大大的加快了识别速度。(4)综合识别速度和准确率的因素,本文提出了一种基于快速两阶段和虚拟样本的稀疏表示识别方法。首先利用本文提出的虚拟样本生成算法对训练样本进行扩充,然后利用本文提出的快速两阶段算法对扩充后的样本进行分类。大量实验表明,本算法和单独的添加虚拟样本的算法和相比,准确率差不多的情况下,大大加快了识别速度。