傳統(tǒng)的協(xié)同表達(dá)方法通常會(huì)受到樣本數(shù)據(jù)的冗余帶來(lái)的不確定性因素的影響。近來(lái)，為了獲得更好的識(shí)別效果，一些改進(jìn)方案通過(guò)利用更有效的訓(xùn)練樣本集來(lái)提高協(xié)同表達(dá)方法的分類(lèi)性能。在本文中，我們基于局部二值特征（ Local Binarv Pattern，LBP）提出了一種優(yōu)化的協(xié)同表達(dá)分類(lèi)模型。該方法以分塊圖象為基礎(chǔ)獲得訓(xùn)練樣本的LBP特征，然后以全局圖像為單位，利用淘汰策略獲得了更具鑒別性的LBP特征訓(xùn)練集，最終利用協(xié)同表達(dá)方法進(jìn)行分類(lèi)。此方法有兩種優(yōu)勢(shì)，其一、利用了LBP特征的旋轉(zhuǎn)不變性的優(yōu)勢(shì)，克服了人臉弱姿態(tài)變化對(duì)分類(lèi)效果的影響；其二、優(yōu)化淘汰策略弱化了冗余樣本對(duì)表達(dá)方法的消極影響。該方法在兩個(gè)常用人臉數(shù)據(jù)庫(kù)（ORI，F(xiàn)ERET）上進(jìn)行了實(shí)驗(yàn)對(duì)比，獲得了更好的分類(lèi)性能。