1.一种采用新型密度聚类进行人脸识别的方法，其特征在于包括如下几个步骤：步骤1、读取人脸图像：

所用人脸图像是大小为M×N的灰度图像，用每个像素作为一个特征点,读入K张人脸图像得到图像特征矩阵Ai(M×N)，其中i＝1,2,...,K；将图像特征矩阵Ai(M×N)转换为特征向量fi(1×MN),其中fi(1:N)＝Ai(1,1:N)，fi((N+1):2N)＝Ai(2,(1:N))，依此类推，对特征向量fi的每个维度做0-1归一化，即 其中j＝1,2,…,MN，然后更新特征向量fi；

步骤2、计算距离矩阵：

用特征向量集f作为待聚类数据集P输入，其人脸特征向量点的数目记为s，待聚类数据集P中第i个人脸特征向量点记为pi，计算待聚类数据集P中每两个人脸特征向量点pi之间的距离，生成距离矩阵(di,j)s×s,其中di,j表示点pi到pj的距离；

步骤3、找出所有人脸特征向量点pi的密度中心点：

用r作为扫描半径对每个人脸特征向量点pi进行扫描，将待聚类数据集P中与pi的距离小于r的人脸特征向量点加入到pi的r-Neighbor集合Neii＝{pj|di,j≤r}中，算出集合Neii中所有人脸特征向量点pi的平均值 其中k为集合Neii中人脸特征向量点的总个数，在待聚类数据集P中找到距离平均值Meani最近的人脸特征向量点作为pi的密度中心点ci，即 其中||p-meani||2表示点p与meani的几何距离；

步骤4、计算人脸向量特征点pj的密度：

将集合Neii中元素的个数作为人脸特征向量点pi的密度值ρi＝size(Neii)，即其中步骤5、找出所有人脸特征向量点pj的密度汇聚点：

通过迭代计算寻找每个人脸特征向量点pj的局部密度中心点，直到最后收敛，收敛点称为该点的密度汇聚点：找到pi的密度中心点ci＝pj，找到pj的密度中心点cj＝pk，若pk的密度中心点仍然是ck＝pk，则停止迭代，将pk作为pi、pj、pk的密度汇聚点，记作cp(i)＝cp(j)＝cp(k)＝pk；

步骤6、找出所有人脸特征向量点pj的局部密度峰值点：

若人脸特征向量点pi的密度汇聚点是其自身，即cp(i)＝pi，并且pi的密度值ρi大于给定的密度阈值t，则将其加入到局部密度峰值点集合LPS中,记作LPS＝{pi|(cp(i)＝pi)∧(ρi≥t)}步骤7、对局部密度峰值点集合LPS中的所有人脸特征向量点pi按最近邻近算法进行聚类，每个类别就是一个密度核心，将局部密度峰值点集合LPS中每个局部密度中心点lp的类别记为cl(lp)；

步骤8、把其它所有非局部密度峰值点p的类别初始化为-1,再划归到与其汇聚中心点相同类别,即cl(p)＝cl(cp(p))，把cl(p)＝-1的点记为离群点；

步骤9、输出聚类结果cl(p)：

cl(p)表示该人脸的类别，若cl(p1)＝cl(p2)，表示p1与p2所代表的两张人脸图像是同一人，若cl(p)＝-1表示该人脸类别未识别。