针对传统稀疏表征分类器只有在训练样本足够多时才会对特征变化不敏感的缺点, 提出一种 Shearlet多方向自适应加权融合的稀疏表征人脸识别算法。为了提取局部方向信息并降低特征维数, 首先利用 Shearlet变换对图像进行多尺度、多方向分解, 获得子带系数矩阵, 然后根据子带系数矩阵方差的大小对同一尺度的方向子图按主方向排序, 利用子带系数矩阵的能量和均值特征对排序后的人脸子图进行加权融合, 最后为了使得表征系数矢量具有更为显著的稀疏性, 进一步利用融合特征构造字典。在 ORL、FERET和 YALE人脸库中做了多组实验, 结果表明, 该方法能增强对外界环境变化的鲁棒性, 同时可以提高人脸的识别率。

针对 Shearlet变换在提取特征数据时存在冗余性以及无法对全局特征进行稀疏表征的缺点, 提出了一种 Shearlet多方向特征融合与加权直方图的人脸识别算法。首先, 对原始图像采用 Shearlet变换得到多尺度多方向的人脸特征, 然后按照两种编码方式将同一尺度下不同方向的特征进行编码融合, 并将融合后的尺度图像划分为若干大小相等的不重叠矩形块, 利用 Shannon熵理论对各子模式进行加权融合。在 ORL、FERET和 YALE人脸库中做了多组实验, 充分证明该算法相对于传统 Shearlet滤波器在分类识别上更具有优势。