目前生物特征识别技术随着科技的发展、装备的进步,已经被广泛应用于监督执法系统。作为生物识别技术使用最为广泛的人脸识别技术,具有非强制性、多人群性、友好快捷的优势,人脸识别技术已成为当前最受欢迎和应用最广泛的技术之一。然而在一些实际应用场景中,人脸识别系统的训练样本仅仅只有一幅,如:护照验证、恐怖分子追踪和视频监控等,此时只能采集到测试个体ID上的一张标准人脸图像作训练样本使用,由于只有单张训练样本从而很难提取能精准表达人脸类内变化信息的判别特征,而且许多基于多样本训练的传统人脸识别方法将不再可用。并且,人脸识别系统在实际操作时,受试对象的面部特征会受到诸多不可控因素影响,如:表情和姿态的变化、眼镜和饰物等的遮挡、光线角度强弱等,在单样本人脸识别的前提下这些干扰因素会严重导致人脸识别系统的效果不理想。基于以上两个方面,本文在单样本集的扩张和分类识别两个方面提出创新,进一步改进单样本人脸识别的性能和鲁棒性。本文提出了基于含有变化特征信息的通用样本集扩张训练样本,使用SRC模型并结合局部分割思想计算最稀疏矩阵系数,从而提高识别效果并降低计算复杂度,具体工作如下:(1)提出基于通用样本集扩张的稀疏表示(SREGS)单样本人脸识别方法。该方法基于一个含有V种人脸变化信息的通用人脸样本集学习提取人脸变化特征,并通过数学模型叠加的方式来重构人脸训练样本集。进而训练集每个对象的人脸图像样本数量和特征维度都得到提升,最后借助稀疏表示框架模型对受试人脸借助扩张样本构成的字典进行识别分类。并在AR、Extended Yale B、LFW标准人脸库上进行实验,并与SRC、ESRC、SVDL、DMMA等一些经典算法对比分析。实验结果可以说明,本章所提方法不仅保证了训练样本的过完备性,而且在复杂变化条件下的单样本人脸识别中,由于引入通用样本的思想使得数量得到提升,从而使得最后的识别率也得到提高。实验结果验证了在单样本人脸识别的应用中该创新点具有较好的鲁棒性和可实施性。(2)提出基于局部空间融合的稀疏表示(SRLSF)单样本人脸识别。由于SRC模型要求稀疏表示的字典必须是过完备的(也即样本个数要充分大于样本维数),虽然通过含有V种人脸变化特征的通用样本集可以将训练样本集扩展到过完备情况,但是构造包含各种复杂条件的通用人脸集,操作复杂度违背了人脸识别方便快捷的特性。本文下面将扩张后的人脸样本和测试样本分割成不重叠、大小均等的局部块,且所有局部子块均位于同一线性空间内,把子块按列生成向量后输入SRC模型,最后把每个局部区域SRC最小残差做多数投票策略进行身份辨识。并在ORL、FERET、CAS-PEAL标准人脸库上进行实验,并与ESRC、SVDL、FLDA、PCRC、PSRC、LGR、FLDA-SVD等一些经典算法对比分析,实验结果验证了本章所提算法的创新在测试人脸受复杂条件影响下的有效性,且识别率也得到了大大的提高。