1. 一种低秩分块稀疏表示的人脸识别方法，其特征在于，具体步骤如下： 步骤一、对于人脸图像数据库中的每一个主体，随机选择其一部分作为训练图像，另一 部分作为测试图像，将所有主体的训练图像和测试图像分别整合构成初始的训练数据矩阵 和测试矩阵； 步骤二、将训练数据矩阵D分解成A+E，其中A代表低秩分解矩阵，E代表分解后的稀疏误 差，通过最小化低秩分解矩阵A的秩，同时减小零范数II E II0的值来达到训练数据矩阵D的 最佳低秩逼近，低秩分解矩阵分解的公式：(1) 公式（1)中，核范数||A| I*是低秩分解矩阵A秩的近似值，一范数||E| Ii是零范数||E| |〇 的替代值，λ为参数； 步骤Ξ、引入参考项，根据低秩分解矩阵分解的公式(1 )，建立目标函数：公式(2)中，i = l，2, . . .，c，c为训练数据矩阵中类的个数，Di为第i个训练数据矩阵，Ai 为第i个低秩分解矩阵，El为第i个稀疏误差矩阵，Ψ(Αι，Α2, ...，A。)为提高低秩分解矩阵区 分能力的参考项，参数、是正的权重系数，参数λ2为常数且λ2 > 0 ; 步骤四、对目标函数进行化简，将目标函数最终整理为：其中碼=[巧％~崎&。，，:d为人脸图像化成列向量后的行数，mi代表第i个主体的均值 向量，m代表第i个主体中样本的个数，I I · Mf代表f范数； 步骤五、利用增广拉格朗日乘法对公式(10)进行处理：其中，y i=Ai-Mi，Yi代表第i个主体所对应的拉格朗日乘数，目的是通过迭代求取函数 的极值，μ代表一个正数参数； 步骤六、对于公式(12)通过迭代求解A，对低秩分解矩阵A进行更新：式中

k代表迭代次数，骑代表第i个稀疏误 差矩阵经过k次迭代后的值，巧代表第i个主体所对应的拉格朗日乘数经过k次迭代后的值， yk代表正数参数经过k次迭代后的值，通过调节if的值控制迭代过程，SVD代表矩阵奇异值 分解，其中u、v为酉矩阵，S为对角矩阵； 步骤屯、对误差矩阵E进行更新：步骤八、对经过低秩分解矩阵分解的A应用离散余弦变换，实现光照归一化处理； 步骤九、对训练图像进行重叠分块； 步骤十、对照步骤二至步骤九训练图像的分块方式，将测试图片也相应地进行分块处 理； 步骤十一、利用基于稀疏表示的人脸识别算法，结合h范数最小化，求解模块的稀疏系 数：式中，X为稀疏系数，Xp代表第P个模块相应的稀疏系数，yp代表测试图片第P个模块所组 成的列向量，Ap代表所有训练图片第P个块所组成的数据矩阵； 步骤十二、利用不同模块的稀疏系数，将不同模块同一类稀疏系数合并在一起，再对同 一类稀疏系数从大到小进行排序，对于一个有C个主体的训练数据矩阵，每个类有N个训练 样本的训练集，它的测试图片第P个模块所对应的稀疏系数为： xpERcNxi，！

2. 如权利要求1所述的一种低秩分块稀疏表示的人脸识别方法，其特征在于，所述步骤 九的具体过程为： 经过低秩处理和光照归一化的低秩分解矩阵A=[ai，a2, . . .at, . . .，an]，其中at代表第 个t训练图片的特征向量，1含t含n，将每一训练图片重叠的分成12块，A也被分为 ^二[半，4，...，也f，Ap代表所有训练图片第P个块所组成的数据矩阵，1如。2。

3. 如权利要求1所述的一种低秩分块稀疏表示的人脸识别方法，其特征在于，所述步骤 四的具体过程如下:根据LDA的准则，定义均值向量如下：

1.各类样本的均值向量：

公式(3)、（4)、巧）、（6)中，η为训练样本的总数，n = m+n2+-'+nc，a代表Ai中的列向量， 根据LDA的原理和样本类间离散矩阵与类内离散矩阵的特性将参考项定义为： Ψ(Αι,Α2, . . . . ,Ac) = tr(Sw)-tr(Sb) (7) 其中tr( ·)是求矩阵的迹，Sw为样本的类内离散度矩阵，Sb为样本的类间离散度矩阵； 将公式(7)代入公式(2)，可得：mj代表第j个主体所对应的均值向量，m，w分别代表第i，j个主体的样本个数； 由于在对第i个主体Ai求低秩分解时，其他主体Aq已经固定，i辛q，因此为一常量，令M,. = ["V因此公式 (9)可W化为：

由于λ2ζ是常量，目标函数最终整理得：