摘要：局部脊回归分类器(LRR)是一种有效的局部人脸识别方法，通过为图像局部区域单独建立RR分类器并进行集体投票表决来抑制局部变化的影响，因而对噪声以及由光线、遮挡和姿态引起的局部变化有一定的鲁棒性。然而，该方法仅使用子图像的拉伸向量作为输入特征，因此对每个区域子图像的特征表达不充分，导致投票表决方法在分块较少的情况下无法发挥其优势，识别率提高很有限。针对LRR的上述缺陷，本文首先在LRR的基础上结合Gabor-LBP特征抽取方法，提出了GLRR人脸分类器。Gabor-LBP特征的引入大大提升了特征向量表达能力。在AR标准库上的实验表明，GLRR的分类能力相比LRR大大提高，且与其它局部方法(Aw-SpPCA，SpCCA)相比优势明显。但在分类器少且存在遮挡时，投票表决的正确率仍不理想，因此在上述GLRR的基础上结合区域遮挡检测发展出了一个S-GLRR人脸分类器。通过结合遮挡检测，我们可有目的地屏蔽遮挡区域，从而提高投票表决的正确率。实验表明S-GLRR不仅显著改善了GLRR的分类能力而且当表决分类器个数有限时特别有效。
