1.人脸伪装检测方法，包括以下步骤：STP1、假设有k类训练图像，将每类训练图像的每一幅人脸图像拉成一个向量：M1＝[M11,M12,…,M1l].

第i类不带遮挡训练图像记为：

M1i＝[ui1,ui2,…,uin].

第i类中带伪装的一幅图像记为：

Mi＝[M1i,M2i]，M2i＝qi；

STP2、低秩分解构造变异字典：

Mi＝Li+Ai，

其中Li表示低秩矩阵，Ai表示稀疏误差矩阵，Ai＝[Ai1,ai]，B＝[Ai1,…,Aik]，其中B表示不带伪装的稀疏误差矩阵，ai即为第i带伪装的变异字典，STP3、构造优化模型：

其中||·||0表示非零元素的个数；

STP4、将步骤STP3中优化模型松弛为如下凸优化问题：其中，||M||*＝∑iσi(M)，||M||1＝∑ij|Mij|， 参数λ的取值一般为其中m表示图像维数，n表示样本数；

STP5、对于每类带遮挡的稀疏误差成分ai，反复进行STP1、-STP4，直到所有类别结束，得到变异字典库：A＝[a1,…,as,as+1,…,al]其中l表示变异的字典类别个数；

STP6、对用户提交的人脸检测图像Q进行低秩分解，得到对应的检测图像的低秩部分E和稀疏部分y，对检索图像的稀疏部分y计算伪装检测指标DDIQ值，其中D＝[A,B]，A变异字典库，A＝[a1,…,as,as+1,…,al]，B表示不带伪装的稀疏误差矩阵，B＝[Ai1,…,Aik]其中，n是向量x的维度，|| ||1是向量的一范数，|| ||2是二范数，sparseness(x)∈[0,

1]，当x仅有一个非零元素时，sparseness(x)＝1，当所有元素都不为零且相等时，sparseness(x)＝0，值越大表示向量的稀疏度越高；

STP7、比较DDIQ与预设值τ，如果DDIQ≥τ，图像判定为没有伪装，如果DDIQ＜τ，图像判定为有伪装，其中τ为阈值。

2.基于权利要求1所述的人脸伪装监测方法的人脸伪装识别方法，其特征在于，对于人脸检测图像对应的稀疏部分y用构造好的变异字典库A进行稀疏表示：y'＝Aα0+z

y′＝α1a1+…+αsas+αs+1as+1+…+αlal+z其中α0＝[α1,α2…,αl]中只有与y同类的相关的系数不为0，z是噪声。

用重建误差作为稀疏表示分类准则 检测是哪一种伪装y'＝arg mini{ri}，其中δi:Rn→Rn是特征函数(与第i类相关的系数)，x0是稀疏系数向量。

3.根据权利要求2所述人脸伪装识别方法，对于有伪装的人脸图像Q去除伪装，用已有的图像库中的不带伪装的图像M1去除伪装后的图像y2，y2＝M1β0+z，

用重建误差作为分类准则 识别y'2＝arg minm{r′m}；

其中δ'm:Rn→Rn是特征函数(与第m类相关的系数)，β0是稀疏系数向量。