协同表示算法对人脸图像具有快速分类的特点, 但在单样本或欠样本情况下, 对变化复杂的人脸识别率还不够理想, 无法满足工程要求。针对该问题, 提出一种基于欠样本混合内变基字典的 扩展协同表示算法。首先借助在同一环境下采集到的不同人脸的变化过程, 提取人脸的变化共同特征并生成内变基, 再融合两种及两种以上不同人脸变化的共同特征生成混合内变基, 提高内变基的 通用性, 建立训练样本与测试样本之间变化的稀疏字典。训练样本在字典帮助下近似构建出测试样本的特征人脸, 达到扩展训练样本集的目的, 再对人脸协同分类。利用AR库、ORL库、Yale库和 Yale B库进行识别实验。结果表明, 本文算法能有效提高协同表示算法的识别率, 在欠样本情况下识别率提高7.33%～3317%, 在单样本情况下识别率提高6.78%~24.47%。

针对叠加稀疏表示分类(SSRC)计算复杂度大的问题, 利用协同表示分类(CRC)的计算复杂度比SRC少得多且识别率相似于SRC的优点, 提出基于叠加协同表示分类(SCRC)的人脸识别。基于原型和变化的表示模型, 在SCRC中, 利用类质心和样本与质心的差异来构造成字典, 可以显著地改善CRC的性能。实验结果表明, 利用基于原型和变化的表示模型, 协同表示在人脸识别中能起作用, 甚至字典基在非受控和每类只有一个样本的条件下被汇集, 协同表示也具有很好的性能。与其他算法相比, SCRC在大幅降低计算复杂度的同时保证了识别率。

进行人脸识别前, 首先要精确定位出一幅图像中人脸的位置, 为了快速定位人脸位置, 本文提出一种肤色定位的人脸检测算法。首先将实际获取的彩色图像转换为YCbCr和HSI空间图像, 并将Cb和Cr图像中的数值进行四舍五入处理, 结合Cb、Cr、H和S的阈值去除大部分背景, 再统计当前图像中的彩色部分的Cb和Cr值, 分别取最多2个数值来共同确定肤色位置, 最后由当前位置的亮度信息图像排除手等纯肤色部分, 准确定位人脸。本文算法能提高正检率并降低误检率, 有利于人脸检测。

在人脸识别中, 人脸图像受到表情、光照、遮挡、姿态变化、特别是训练样本数量的影响, 而现实中经常只获得少量的训练样本, 由于原始样本生成虚拟样本可以增加训练样本的数量, 分析提出原始样本与轴对称样本融合的协同表示算法。首先生成镜像样本与轴对称样本, 再在协同表示分类器下分类, 最后加权值融合, 分析不同权值下的人脸识别率。实验结果显示原始样本、镜像样本与轴对称样本融合能提高识别率, 而原始样本与轴对称样本融合的识别率更加优越, 较原始样本, 识别率提高2%~9%, 比原始样本与镜像样本融合高1%~5%。结果表明本文提出方法能有效提高人脸识别率。