1.一种基于分治策略的Huffman-LBP多姿态人脸识别方法，其特征在于，包括以下步骤：

101、获取人脸图像，并对人脸图像进行预处理，包括人脸检测和特征点标定；

102、再通过区域选择因子筛选出不同姿态的人脸图像中有益于识别的人脸区域；

103、构建Huffman-LBP算子对所选择的有益于识别的人脸区域进行特征提取；

104、最终通过基于图像块的SRC融合分类策略对测试图像进行分类，得到最终人脸识别结果。

2.根据权利要求1所述的基于分治策略的Huffman-LBP多姿态人脸识别方法，其特征在于，所述步骤101中对人脸图像进行预处理包括：A1、使用基于树模型和稀疏编码直方图特征的方法对图像进行人脸检测，去除图像背景；

A2、利用多任务约束深度卷积网络TCDCN对步骤A1中检测后的人脸图像进行特征点标定；

A3、去除容易随姿态变化而发生移位的标定点即人脸轮廓上的标定点，并选择脸部器官周围的特征点作为兴趣点。

3.根据权利要求2所述的基于分治策略的Huffman-LBP多姿态人脸识别方法，其特征在于，所述步骤102：通过区域选择因子对不同姿态的人脸图像进行划分，并筛选出有益于识别的人脸区域，具体步骤为：B1、通过连接鼻尖和眉心将人脸划分为左右两个人脸区域；

B2、根据步骤A2标定出的特征点，定位出双眼中心和两鬓的位置；

B3、根据区域选择因子公式，通过右眼中心到右鬓的距离L1以及左眼中心到左鬓的距离L2，求取区域选择因子RSF：若 说明左侧人脸区域对识别是有效的，所以左侧人脸区域中的特征将会被提取出来，用来表达人脸；若RSF>α，说明右侧人脸区域是有效的，右侧人脸区域中的特征将会被用来表达人脸；同样的，若 整个人脸区域的特征将会被提取出来，用来表达人脸。

4.根据权利要求3所述的基于分治策略的Huffman-LBP多姿态人脸识别方法，其特征在于，所述步骤B2通过双眼轮廓上标定点的坐标，求取双眼中心的位置的公式为：其中，xeyes_center和yeyes_center分别是待求取的眼睛中心的x轴和y轴的坐标，xeye_contours和yeye_contours分别是由眼睛轮廓上标定点的x轴和y轴的坐标组成的集合：xeye_contours＝{x1,x2...xn}，yeye_contours＝{y1,y2…yn}，n为眼睛轮廓上标定点的个数。

5.根据权利要求3所述的基于分治策略的Huffman-LBP多姿态人脸识别方法，其特征在于，所述步骤103中Huffman-LBP算子的求取方法为：C1、在中心像素灰度值为gc，半径为R的图像邻域中，分别求取p个周围像素gt与中心像素gc的灰度差值:gt-gc，t＝0,1,...,p-1；

C2、分别对由像素邻域中正负对比度值的绝对值组成的序列进行Huffman编码：其中index+＝{t|gt-gc≥0}＝{l1,l2,...ln},index-＝{t|gt-gc＜0}＝{k1,k2,...km}；

C3、根据公式(4)，通过Huffman编码的长度length(c)，求取对比度的权重：C4、根据公式(5)，求取中心像素的Huffman-LBP特征值：其中s+和s-是阈值函数,定义如下：

6.根据权利要求5所述的基于分治策略的Huffman-LBP多姿态人脸识别方法，其特征在于，所述步骤103将所有人脸图像块的Huffman-LBP直方图特征向量进行级联，形成特征池：右侧人脸：{Vj j＝1,2,...,25}，左侧人脸：{Vj j＝18,19,...,42}和完整人脸：{Vj j＝1,

2,...,42}，其中Vj＝[h1,h2,...,hk]，j表示每个特征点的标号，hm表示图像块j中第m个小块的Huffman-LBP直方图特征，k表示每个图像块中划分的小块的数量。

7.根据权利要求5所述的基于分治策略的Huffman-LBP多姿态人脸识别方法，其特征在于，所述步骤104中基于图像块的SRC融合分类策略，具体步骤为：D1、将从每个训练集图像的相同特征点上的图像块中提取得到的直方图特征向量组成独立的子字典：Dm,Dm+1...,Dn，其中n-m是训练图像上图像块的数量，Di＝[v1,i,v2,i,...,vp,i]，vj,i是第j类图像上第i个图像块的直方图特征向量，p是图像的类别数；

D2、通过区域选择因子对测试图像进行分而治之的表达，即划分图像并筛选出对识别有益的人脸区域，再通过Huffman-LBP进行特征提取，形成特征池：{vs,vs+1,...,vz}，其中z-s是测试图像上提取的图像块的数量；

D3、二范数单位化vi和Di的每一列，其中max(m,s)≤i≤min(n,z)；

D4、根据公式(7)求解出测试图像上每个图像块的稀疏表达系数：D5、根据公式(8)求取每个图像块的残差向量：

其中j＝1,...,p，δj函数的功能是挑选出和第j类相关的稀疏系数；

D6、根据公式(9)将对由所有图像块的残差向量相加得到的扩增残差向量进行排序，得到最终的识别结果：