1.一种线性判别深度信念网络的多姿态人脸识别方法，其特征由下述步骤组成：(1)多姿态人脸图像预处理

将多姿态人脸数据库中取出的灰度图像分为训练图像和测试图像，用双三次插值法进行采样，将每一张采样图像转化为一维行向量，每一行向量表示一张图像；

(2)训练深度信念网络

设置深度信念网络输入层、隐层、输出层，输入层层数为1层、隐层层数为2～5层、输出层层数为1层，输入层节点数为625，隐层节点数为100～400，输出层节点数为5，将训练图像输入到深度信念网络中进行训练,得到网络初始参数空间：θ＝(W,b,c)

式中W为网络的权值，b为隐层的偏置，c为可视层的偏置；

(3)用线性判别分析法初始化权值矩阵

使用线性判别分析法初始化深度信念网络最后一个隐层与输出层之间的权值矩阵:得到线性判别深度信念网络，式中Wnopt为最优投影矩阵，作为深度信念网络最后一个隐层与输出层之间的权值矩阵，V为一个线性变换矩阵，VT为V的转置矩阵，Sb'为样本类间离散度矩阵，Sw是样本类内离散度矩阵,式(1)中的类间离散度矩阵Sb'为：式中，i、j为1,...,C，C为人脸姿态类别数，Ni为输入的第i类有限图像总数，Nj为输入的第j类有限图像总数， 为第i类中第l个图像， 为第j类中第z个图像， 为 的转置，为 的转置；

(4)线性判别深度信念网络参数调优

采用反向传播法微调步骤(3)网络的初始参数θ，使网络参数达到最优；

(5)多姿态人脸图像识别

将预处理后的测试图像输入到步骤(4)线性判别深度信念网络中，第k个隐层第n个节点的特征向量由下式得到：式中，n为1,2,...,5，m、k为有限的正整数，Dk-1为第k-1个隐层的节点数， 为第k个隐层第n个节点的偏置， 为连接第k-1个隐层第m个节点和第k个隐层第n个节点的权值，为第k-1个隐层第m个节点的特征向量，x为线性判别深度信念网络的输入图像；

输入测试图像，在输出层得到多姿态人脸识别结果，由下式表示：

式中H为线性判别深度信念网络隐层总数，DH为第H个隐层的节点数， 为输出层第n个节点的偏置, 为连接第H个隐层第m个节点和输出层第n个节点的权值， 为第H个隐层第m个节点的特征向量，x为线性判别深度信念网络的输入图像，G为输入图像的识别结果，G为1时是正脸或左侧、G为2时是左侧25°或仰头、G为3时是左侧15°或低头、G为4时是右侧15°或正脸、G为5时是右侧25°或右侧。

2.根据权利要求1所述的线性判别深度信念网络的多姿态人脸识别方法，其特征在于在步骤(2)中，所述的深度信念网络由1个输入层、3个隐层、1个输出层构成，输入层的节点数为625，3个隐层的节点数分别为400、400、200，输出层的节点数为5。