人脸识别一直是人工智能领域中图像识别中一项研究热点,并且已经在实际中得到了广泛的应用,如火车站、飞机场进站均可通过人脸识别,加快了进站的速度同时保证了其安全性,现在很多电子产品都加入了人脸识别块以保证用户使用的安全性,但是人脸识别目前存在的最大问题是实际应用中的场景是在限制条件下进行识别的,即需要在光照合适以及识别者需要配合摘掉眼镜、帽子、围巾、口罩等遮挡物,并且表情不能过于夸张以及需要露出完整的脸。但在非限制条件下的人脸识别仍然是人脸识别领域存在的最大问题,非限制条件就是不要求光照合适、人脸上存在遮挡物、以及表情变化大等影响人脸识别的因素。因此,本论文主要基于非限制条件下的存在光照变化以及遮挡的人脸识别算法进行研究。本文的主要工作有两个方面:1、针对光照变化中目前的人脸库样本不足,从而很难表达出样本的多样性,因此在本文中加入了虚拟样本“对称脸”样本以解决样本不足问题从而表达出样本的多样性,例如光照变化、表情变化等,而随着样本的增多会导致测试样本匹配范围增加,识别率可能下降,因此本文将扩展的样本与改进的两步人脸识别(TSFR)算法相结合以提高存在光照变化的人脸识别的识别率,实验表明,在Yale B、Yale A、ORL以及FERET人脸库上提出的算法是优于原始基于样本扩展的TSFR算法、TSFR算法、SRC和CRC算法的。同时在稀疏表示中,字典学习算法的优点在于减少运行时间,因此,在本文中提出将扩展的样本和字典学习算法结合以提高人脸识别的正确率和减少运行时间,实验表明,在Yale B、ORL、GT人脸库中提出的算法是优于现有的一些字典学习算法的。2、针对带有遮挡的人脸识别,本文先将样本通过不均匀分块分为五个子块,其次对五个子块分别进行字典学习,然后计算每个子块的稀疏集中度指数SCI,并对SCI值进行排序,对SCI值较大的子块赋予较大的权值,SCI值较小的子块则赋予较小的权值,最后将五个子块通过加权得分融合结合在一起以进行最后的分类。实验表明,对于带有墨镜和围巾遮挡的AR人脸库与现有的一些字典学习算法有很明显的提高,并且与CRC算法相比其识别率也是提高的。同时也在ORL人脸库和有光照的Yale B人脸库上手动设置遮挡区域进行实验,实验表明提出的算法与其他算法相比也是有所提高的。