1.一种基于CNN的多patch多通道联合特征选择学习的人脸识别方法，其特征在于，所述方法首先将原始人脸图像分割成多张子图像，每张子图像再分离成多张通道图像；然后为每张通道图像构建一个CNN网络模型，输入通道图像进行识别；接下来首先将同一子图像的多个通道神经网络进行连接，得到对应多张子图像的多个子图像神经网络，然后将多个子图像神经网络进行连接，作为最终的模型识别结果；包括以下步骤：S1、将原始人脸图像分割为四个子图像，分别为左眼子图像、右眼子图像、鼻子子图像和嘴巴子图像；

S2、对每个子图像进行RGB通道分离，分别得到三个通道图像，四个子图像共得到12个通道图像；

S3、为每个通道图像构建一个CNN网络模型，称为通道神经网络，将通道图像分别输入对应的通道神经网络进行识别，其中通道神经网络中每个通道包括三段依次连接的卷积层、归一化层、池化层、激活层；

S4、针对每张子图像，通过将不同通道神经网络的权值向量进行融合而将三个通道神经网络相互连接，形成一个子图像神经网络，四张子图像得到四个子图像神经网络，其中将不同通道神经网络的权值向量进行融合采用组稀流算法，其约束方程如下所示：其中y表示样品的真实标签，θ表示投影向量，z表示样品矩阵，λ表示正则化参数；

S5、将四个子图像神经网络进行连接，连接的方法是将每个子图像神经网络的识别结果加权相加，作为最终的模型识别结果。

2.根据权利要求1所述的基于CNN的多patch多通道联合特征选择学习的人脸识别方法，其特征在于，所述步骤S1中，将原始人脸图像进行分割采用Sift算法、Surf算法、Orb算法中的任一种。

3.根据权利要求1所述的基于CNN的多patch多通道联合特征选择学习的人脸识别方法，其特征在于，所述步骤S2中RGB通道分离的方法为：读取RGB图像的图像信息并保存成矩阵形式，该矩阵有三行，即三个向量，分别对应R通道图像、G通道图像、B通道图像的图像信息，再将这三个向量分别保存成三张图像，便分离出了三通道图像。

4.根据权利要求1所述的基于CNN的多patch多通道联合特征选择学习的人脸识别方法，其特征在于，所述组稀流算法约束方程添加到损失函数中的正则化项如下所示：其中的d表示通道神经网络的权值向量的维度，wi表示w矩阵的第i行，分别来自于不同的通道神经网络。

5.根据权利要求1所述的基于CNN的多patch多通道联合特征选择学习的人脸识别方法，其特征在于，所述步骤S5中最终模型的输出结果由下式得出：式中的F(result)即为模型输出的最终结果，其中p为子图像的数量，fi表示第i个子图像神经网络的识别结果，Hi表示权值参数。