非约束人脸识别是一项极具挑战性的任务，因为在这种环境中采集的人脸图像可能会受到各种因素的影响，如光照变化、姿态差异、表情变化以及遮挡等。传统的面部识别方法在处理这类复杂情况时往往表现不佳。本文提出的加权鉴别稀疏保留投影（Weighted Discriminant Sparse Preserving Projection，wDsPP）算法旨在解决这一问题，通过结合稀疏表示和鉴别性学习，提高非约束环境下的人脸识别性能。
稀疏保留投影（Sparse Preserving Projection, SPP）是一种常见的降维方法，它利用数据的稀疏特性进行特征提取。然而，SPP在处理非约束人脸识别时，由于忽略了样本的局部结构，导致降维效果不尽人意。wDsPP算法对此进行了改进，引入了两个关键概念：样本类别标签和类内紧凑项。
首先，wDsPP算法引入了样本类别标签，目的是强化待识别样本与其同类样本之间的重构关系。这样可以更好地保持同类样本在低维空间中的紧密性，增强类间的区分度。同时，类内紧凑项的引入有助于减少类内差异，使得同类样本在降维后的空间中更加集中，从而提高识别准确性。
其次，考虑到非约束环境下人脸图像的质量可能参差不齐，wDsPP算法采用了样本距离权值来约束稀疏重构系数。这种方法可以降低同类中异常或低质量样本的影响，确保重构关系的准确性。通过这种方式，wDsPP能够更好地适应不同质量的样本，提高整体的识别性能。
最后，为了进一步提升低维子空间的鉴别能力，wDsPP在投影阶段增加了全局约束因子。这个全局约束因子利用了样本全局分布中隐藏的鉴别信息，使得低维空间的分布更加紧凑，更利于分类器进行识别。
实验结果表明，wDsPP算法在AR库、Extended Yale B库、LFW库和PubFig库等多个常用的人脸数据库上表现出优秀的识别性能，特别是在复杂的人脸环境下，其识别结果显著优于传统方法。这验证了wDsPP算法的有效性和鲁棒性，为非约束人脸识别提供了一种有力的工具。
总之，加权鉴别稀疏保留投影（wDsPP）算法通过结合样本的类别信息、局部结构和全局鉴别信息，提高了非约束人脸识别的精度和稳定性。这一方法不仅丰富了现有的降维和人脸识别理论，也为实际应用中的非约束人脸识别问题提供了新的解决方案。
