1.一种基于加权的Huber约束稀疏编码的人脸识别方法，其特征在于，包括：采用回归分类器作为人脸识别的基础，引入L1正则约束，对查询样本y在训练样本集X的编码系数进行稀疏化，得到稀疏编码模型；

在所述稀疏编码模型的基础上，采用Huber损失函数替代L1保真项或L2保真项，得到稀疏鲁棒性编码模型；

根据训练样本集和查询样本y的残差获取训练样本集中各像素点的权重；在所述稀疏鲁棒性编码模型的基础上，利用所述权重以及Huber损失函数的阈值得到目标编码模型；所述目标编码模型为基于加权的Huber约束稀疏编码模型；所述训练样本集包括样本子集或样本全集；

根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量；根据所述残差向量分析闭塞环境下查询样本的识别率。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标编码模型中的编码系数获取查询样本y在训练样本集X中的残差向量中，所述残差向量为：e＝[e1，e2，…，ei]，i＝1，2，…，c，其中ei＝y-Xiθi；ei为查询样本的编码系数在第i个类别θi上的残差，由各个像素点残差构成。

3.根据权利要求1所述的方法，其特征在于，当查询样本y的编码系数θ在各个类别上的残差服从高斯分布时，所述稀疏编码模型为：其中λ是 范数的惩罚系数。

4.根据权利要求1所述的方法，其特征在于，当查询样本y的编码系数θ在各个类别上的残差服从拉普拉斯分布时，所述稀疏编码模型为：其中λ是 范数的惩罚系数。

5.根据权利要求1所述的方法，其特征在于，所述稀疏鲁棒性编码模型为：其中，g(z)是Huber损失函数，λ||α||1是 正则约束；并由z＝y-Xθ以及α＝θ对编码系数θ进行约束；并且， η为Huber损失函数的阈值。

6.根据权利要求1所述的方法，其特征在于，所述加权的Huber约束稀疏编码模型为：其中，g(z)是Huber损失函数，λ||α||1为 正则约束；并由s.t.z＝W(Xθ-y)以及α＝θ对编码系数θ进行约束；并且， W是像素点的权重，η是Huber损失函数的阈值。

7.根据权利要求6所述的方法，其特征在于，所述Huber损失函数的阈值以及像素点权重，用于在Huber损失函数中判断像素点保真项类型是使用 或是||y-Xθ||1。

8.根据权利要求1所述的方法，其特征在于，所述稀疏鲁棒性编码模型的基础上，利用所述权重以及Huber损失函数的阈值得到目标编码模型，其中，所述权重为W＝diag([w1，w2，…，wm])∈Rm×m，wm是训练样本集X∈Rm×n中第m个像素点的权重，em是第m个像素点的残差；

wm对应的逻辑函数为：

其中，μ和δ是正标量，参数δ是分界点；当残差大于δ时，权重小于0.5；当残差等于δ时，权重等于0.5；当残差小于δ时，权重大于0.5。

9.根据权利要求1所述的方法，其特征在于，所述目标编码模型的算法实现过程，包括：设置残差为 其中 为当前训练样本集相同像素点的平均值；

对所述残差进行排序，利用公式 获取初始化权

重；

设置用于区分不同的类别的i＝1∈[1，2，…，c]；且设置迭代次数t＝1；

采用ADMM求解子问题 得到更新后的编码系数为θk+1，其中，对应的迭代公式组合为：

θk+1＝(ρ1XTWTWX十ρ2)-1[ρ1XTWT(zk-uk十y)十ρ2(αk-uk)]根据更新后的编码系数θk+1重构查询样本，并计算残差；

对计算后的残差排序，并按照公式 计算更新过后的权重；

若满足迭代条件 或t达到预先设定的迭代次数，则完成训练；否则将t更新为t+1，并返回采用ADMM求解子问题 继续执行；

第i类编码系数θi更新完后，更新i为i+1，直到更新所有的类别的编码系数θ。

10.根据权利要求2所述的方法，其特征在于，所述残差向量中最小的残差对应的类别为查询样本y的类别。