基于稀疏表示的图像分类是一种将压缩感知理论用于其中的新方法,具有较高的分类性能。而协同表达方法作为稀疏表示的一个重要分支,其分类性能经常会受到样本数据冗余的影响。近来,为了解决这个问题,一些最新文献通过使用更有效的训练样本或者样本特征构造字典来对测试样本进行表达学习,从而提高分类性能。受此启发,以挖掘更有效的人脸特征为基础,以字典的优化学习为目标,我们改进了以人脸特征为字典元素的优化表达学习方法,以期获得更好的分类性能,主要工作和创新点总结如下:1)在字典优化学习方面:我们提出了一种基于字典样本优化的协同表达分类算法,该算法通过直方图度量来寻找与测试样本更相似的训练样本,从而降低训练数据中的冗余。我们首先得到训练样本和测试样本的直方图向量,然后在直方图所在的低维空间,通过欧式距离来度量测试样本与训练样本的相似性,以此筛选得到有竞争力训练样本。最后以这些样本为字典元素,对测试样本进行更有效的表达分类,从而实现鲁棒的人脸识别。在ORL、FERET和Georgia Tech三个常用数据集上的实验结果证明了我们的算法的可行性和有效性。2)在特征字典构造及优化学习方面:我们提出了一种基于局部二值特征字典构造及优化的协同表达分类算法,该方法用样本的局部特征代替样本本身构造字典,目的是增强对面部变化的鲁棒性。我们以分块图像为基础获得样本的局部特征,然后用样本特征进行协同表达分类。在ORL和FERET两个常用的数据集上进行了实验对比,结果证明LBP构造特征字典能提高分类性能。同时,为了降低特征字典的冗余,我们将字典优化方法应用于LBP特征字典中。通过此方式,既利用了LBP特征的良好分类性能,又降低了特征数据的冗余。在ORL和FERET两个常用的数据集上进行了实验,结果显示分类性能又得到了进一步的提升。由于特征提取与样本淘汰策略的缘故,我们算法消耗的更多的时间,即我们的算法是在消耗了一定的时间基础上提高识别率的。综上所述,我们在协同表达分类算法的基础上进行了研究,针对冗余问题提出了一些改进方案,在一定程度上提高了识别效率。