1.一种人脸识别方法，其特征在于，所述方法包括：

对待识别样本集进行预处理，得到待识别样本集的非负矩阵；

采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行处理，求出所述待识别样本集的最优基矩阵和最优系数矩阵，所述待识别样本集的最优基矩阵和最优系数矩阵采用如下迭代公式迭代产生：其中，S为所述待识别样本集的非负矩阵，大小为I×J，I、J均为正整数，I为所述待识别样本集中每个样本的低频特征维度，J为所述待识别样本集的样本数量；P'表示第n次迭代得到的基矩阵，P表示第n+1次迭代得到的基矩阵，P'和P大小均为I×R，R表示P的特征维度，R为正整数且I≥R；Q'表示第n次迭代得到的系数矩阵，Q表示第n+1次迭代得到的系数矩阵，Q'和Q大小均为R×J；P′T为P'的转置矩阵，Q′T为Q'的转置矩阵；Pir为P的第i行第r列的元素，Qrj为Q的第r行第j列的元素，P′ir为P'的第i行第r列的元素，Q′rj为Q'的第r行第j列的元素，i、r、j和n均为正整数，且i≤I，r≤R，j≤J；当J(P,Q)的值最小时，P为最优基矩阵，Q为最优系数矩阵，采用训练好的分类器对所述待识别样本集的最优系数矩阵进行分类，完成人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行处理，求出所述待识别样本集的最优基矩阵和最优系数矩阵，包括：在设定范围内确定R的值；

对于确定出的R的值，采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行分解，求出R对应的所述待识别样本集的最优基矩阵和最优系数矩阵。

3.根据权利要求2所述的方法，其特征在于，所述对于确定出的R的值，采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行分解，求出R对应的所述待识别样本集的最优基矩阵和最优系数矩阵，包括：根据R确定初始基矩阵和初始系数矩阵；

根据所述初始基矩阵和初始系数矩阵以及所述迭代公式进行迭代计算；

将每一步迭代计算出的基矩阵和系数矩阵代入目标函数：

当所述目标函数的值达到稳定状态，结束迭代计算，并将最后一次迭代计算出的基矩阵和系数矩阵作为所述待识别样本集的最优基矩阵和最优系数矩阵，其中，所述稳定状态是指所述目标函数的值保持不变或者变动幅度小于预定幅度；或者，当迭代次数达到迭代次数阈值时，选取最后一次迭代计算出的基矩阵和系数矩阵作为所述待识别样本集的最优基矩阵和最优系数矩阵。

4.根据权利要求3所述的方法，其特征在于，所述对于确定出的R的值，采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行分解，求出R对应的所述待识别样本集的最优基矩阵和最优系数矩阵，还包括：确定稀疏化阈值；

在每一步迭代计算后，判断迭代计算出的基矩阵中的每个数值与稀疏化阈值的大小；

将迭代计算出的基矩阵中大于稀疏化阈值的数值设置为1，将迭代计算出的基矩阵中小于或等于稀疏化阈值的数值设置为0。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

对训练样本集进行预处理，得到训练样本集的非负矩阵；

采用新加性迭代稀疏非负矩阵分解法对所述训练样本集的非负矩阵进行处理，求出所述训练样本集的最优基矩阵和最优系数矩阵，所述最优基矩阵和最优系数矩阵采用与所述待识别样本集处理时相同的迭代公式迭代产生；

采用所述训练样本集的最优系数矩阵训练分类器。

6.一种人脸识别装置，其特征在于，所述装置包括：

预处理单元，用于对待识别样本集进行预处理，得到待识别样本集的非负矩阵；

分解单元，用于采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行处理，求出所述待识别样本集的最优基矩阵和最优系数矩阵，所述待识别样本集的最优基矩阵和最优系数矩阵采用如下迭代公式迭代产生：其中，S为所述待识别样本集的非负矩阵，大小为I×J，I、J均为正整数，I为所述待识别样本集中每个样本的低频特征维度，J为所述待识别样本集的样本数量；P'表示第n次迭代得到的基矩阵，P表示第n+1次迭代得到的基矩阵，P'和P大小均为I×R，R表示P的特征维度，R为正整数且I≥R；Q'表示第n次迭代得到的系数矩阵，Q表示第n+1次迭代得到的系数矩阵，Q'和Q大小均为R×J；P′T为P'的转置矩阵，Q′T为Q'的转置矩阵；Pir为P的第i行第r列的元素，Qrj为Q的第r行第j列的元素，P′ir为P'的第i行第r列的元素，Q′rj为Q'的第r行第j列的元素，i、r、j和n均为正整数，且i≤I，r≤R，j≤J；当J(P,Q)的值最小时，P为最优基矩阵，Q为最优系数矩阵，分类单元，用于采用训练好的分类器对所述待识别样本集的最优系数矩阵进行分类，完成人脸识别。

7.根据权利要求6所述的装置，其特征在于，所述分解单元，用于在设定范围内确定R的值；对于确定出的R的值，采用新加性迭代稀疏非负矩阵分解法对所述待识别样本集的非负矩阵进行分解，求出R对应的所述待识别样本集的最优基矩阵和最优系数矩阵。

8.根据权利要求7所述的装置，其特征在于，所述分解单元，用于根据R确定初始基矩阵和初始系数矩阵；根据所述初始基矩阵和初始系数矩阵以及所述迭代公式进行迭代计算；

将每一步迭代计算出的基矩阵和系数矩阵代入目标函数：

当所述目标函数的值达到稳定状态，结束迭代计算，并将最后一次迭代计算出的基矩阵和系数矩阵作为所述待识别样本集的最优基矩阵和最优系数矩阵，其中，所述稳定状态是指所述目标函数的值保持不变或者变动幅度小于预定幅度；或者，当迭代次数达到迭代次数阈值时，选取最后一次迭代计算出的基矩阵和系数矩阵作为所述待识别样本集的最优基矩阵和最优系数矩阵。

9.根据权利要求8所述的装置，其特征在于，所述分解单元，还用于确定稀疏化阈值；在每一步迭代计算后，判断迭代计算出的基矩阵中的每个数值与稀疏化阈值的大小；将迭代计算出的基矩阵中大于稀疏化阈值的数值设置为1，将迭代计算出的基矩阵中小于或等于稀疏化阈值的数值设置为0。

10.根据权利要求6-9任一项所述的装置，其特征在于，所述装置还包括训练单元；

所述预处理单元，还用于对训练样本集进行预处理，得到训练样本集的非负矩阵；

所述分解单元，还用于采用新加性迭代稀疏非负矩阵分解法对所述训练样本集的非负矩阵进行处理，求出所述训练样本集的最优基矩阵和最优系数矩阵，所述最优基矩阵和最优系数矩阵采用与所述待识别样本集处理时相同的迭代公式迭代产生；

所述训练单元，用于采用所述训练样本集的最优系数矩阵训练分类器。