中文摘要：

人脸识别是计算机视觉和模式识别等领域的核心课题之一，具有重要的理论和应用价值。人脸识别中的小样本、多姿态、变光照、有遮挡等问题，对识别性能影响较大。本项目致力于有效解决上述提到的问题。主要研究利用符合视觉理论的多尺度几何分析（Curvelet、Contourlet）与压缩感知理论，提取人脸图像的局部和整体特征，获取人脸多尺度的稀疏表示；并且用（半）张量组织不同图像块、不同尺度等方面的稀疏系数，利用压缩感知、张量脸等对系数分析处理；同时，还将根据系数表示形式的特点在识别阶段采用合适的距离度量准则，并利用人脸的镜像对称特性扩充样本，改善识别性能。另外，针对人脸多姿态问题，提出利用压缩回归分析理论产生虚拟正面人脸像，进一步改善识别性能。本项目提出的方法均在公开的人脸库上进行实验评估和验证。期望本项目能引起对基于视觉理论的人脸识别的更多关注，推动人脸识别、计算机视觉等领域的发展。

结论摘要：

人脸识别是计算机视觉和机器学习等领域的核心课题之一，具有重要的理论和应用价值。人脸识别中的小样本、多姿态、变光照、有遮挡等问题，对识别性能影响较大。本项目基于稀疏表示，致力于有效解决上述提到的人脸识别中的问题。 本项目主要研究了利用符合视觉理论的多尺度几何分析（Curvelet、Contourlet）与压缩感知理论，提取人脸图像的局部和整体特征，获取人脸多尺度的稀疏表示；并且用（半）张量组织不同图像块、不同尺度等方面的稀疏系数，利用压缩感知、张量脸等对系数分析处理；同时，还根据系数表示形式的特点在识别阶段采用合适的距离度量准则，并利用人脸的镜像对称特性扩充样本，改善识别性能。另外通过对利用Curvelet和Contourlet提取的人脸识别特征系数的分析，根据最新相关研究成果，研究综合利用相位和尺度信息。提出稳定稀疏二维主分量分析方法，并采用分层的思想提出基于张量分析的分层匹配分类器。 经过3年的研究，结合目前机器学习最新进展，并受分层等思想的启发，我们发现了一个重要和普遍的规律。即有序性在机器学习中的核心地位。传统的机器学习过分强调特征提取和分类识别方法对识别性能的重要影响，而对特征的组织利用，即对本项目开始提出对系数分析对识别性能影响研究的太少。传统的认知科学（视觉理论）认为人脑是操作处理数据和符号的形式系统。最新的认知科学理论更倾向于关联分析，主张认知是具身的，是有机体在于外界的交互中产生的，并且在交互后通过某种结构即序形成的。随着研究的深入我们也逐渐意识到，对系数的分析即对特征的有序组织应该对机器学习有着举足轻重的作用。再基于考虑目前在计算机视觉及人脸识别方面有着很好性能的机器学习方法，大胆提出了有序性，即将特征有序的进行组织，应该成为未来机器学习的核心问题。 这些成果大都已在公开的人脸库上进行实验评估和验证并提交研究论文。期望本项目能引起对基于视觉理论的人脸识别、基于有序性的机器学习等的更多关注，推动人脸识别、计算机视觉及机器学习等领域的发展。