1.一种基于对称人脸扩充样本的字典学习人脸识别方法，由以下步骤组成：(1)已知原始人脸图像训练样本集AO，对应的训练样本标签矩阵HO，及人脸图像测试样t本y ，由原始人脸图像训练样本集AO生成左对称人脸图像训练样本集AL和右对称人脸图像训练样本集AR，各自对应的样本标签矩阵为HL和HR，而HL＝HR＝HO；

(2)采用KSVD字典训练对原始人脸图像训练样本集AO、左对称人脸图像训练样本集AL、右对称人脸图像训练样本集AR分别进行训练；

(a)对原始的人脸图像训练样本集AO进行KSVD字典训练，得到相应的原始人脸图像训练样本集字典DO和表示系数矩阵XO；

所述的KSVD字典训练方法为：

对 字典 D O 随 机 初 始化 ；固 定 D O ，利 用正 交 匹 配 跟踪 方 法 获 得 使最小化的表示系数矩阵XO；固定XO，利用奇异值分解依次获得使 最小化的字典DO的列 ，重复以上两步获得使

最小化的DO和xO，这里 是矩阵的2范数，xi是XO的第i列，i∈{1,…,N}，||xi||0是xi的0范数，T0是控制xi稀疏度的常数，N是样本数；

(b)对左对称人脸图像训练样本集AL和右对称人脸图像训练样本集AR分别做同样的KSVD字典训练，得到左对称人脸图像训练样本集字典DL和表示系数矩阵XL，右对称人脸图像训练样本集字典DR和表示系数矩阵XR；

(3)利用样本标签矩阵进行分类器训练，得到字典的标签矩阵；

(a)利用训练样本标签矩阵HO进行分类器训练，得到表示系数矩阵XO相应的分类器矩阵WO，及字典DO的标签矩阵HDO；

(b)利用样本标签矩阵HL和HR分别进行同样的分类器训练，得到表示系数矩阵XL相应的分类器矩阵WL和字典DL的标签矩阵HDL，表示系数矩阵XR相应的分类器矩阵WR和字典DR的标签矩阵HDR；

所述分类器训练为：利用训练样本标签矩阵HO得到使 最小化的分类器矩阵WO，||·||F为矩阵Frobenius范数，由字典DO对应的表示系数矩阵是单位矩阵I，令XO＝I得到字典DO的标签矩阵HDO＝WOI＝WO；分别解得WL和WR；利用样本标签矩阵HL和HR分别进行同样的分类器训练，得到分别使 最小化的分类器矩阵WL和WR，由字典DL和DR对应的表示系数矩阵都是单位矩阵I，分别令XL＝I、XR＝I得到字典DL的标签矩阵HDL＝WLI＝WL、字典DR的标签矩阵HDR＝WRI＝WR；

t

(4)采用正交匹配跟踪方法分别使用字典DO、DL和DR对人脸图像测试样本y 进行稀疏表示，得到相应的表示残差向量；

t

(a)对人脸图像测试样本y ，采用正交匹配跟踪方法使用原始人脸图像训练样本集字典DO进行稀疏表示，得到表示系数向量 将步骤(3)得到的HDO代入，得到相应的表示残差向量rO；

t

(b)对人脸图像测试样本y ，采用正交匹配跟踪方法分别使用左对称人脸图像训练样本集字典DL、右对称人脸图像训练样本集字典DR进行稀疏表示，得到表示系数向量 和 将步骤(3)得到的HDL和HDR分别代入，得到相应的表示残差向量rL和rR；

(5)对步骤(4)得到的表示残差向量rO、rL和rR进行加权融合，得到最终残差向量rf；

(6)取最终残差向量rf中的最小元素，此元素在向量rf中的位序即为人脸图像测试样本ty所属类别号。

2.根据权利要求1所述的人脸识别方法，其特征在于所述步骤(1)中左对称人脸图像训练样本集AL的生成方法为：SL(i，j)＝SL(i，n‑j)＝S(i，j)

式中S为一张原始人脸图像的数字图像矩阵，SL为由原始人脸图像左半部分镜像对称得到的左对称人脸扩充图像矩阵，i为图像矩阵的行坐标，i＝1，2，...，m,m为图形矩阵的总行数，j为图像矩阵的列坐标，j＝1，2，...n/2，n为图形矩阵的总列数,i、j、m、n均为有限的正整数；

所述的右对称人脸图像训练样本集AR的生成方法为：

SR(i，n‑j)＝SR(i，j)＝S(i，n‑j)

式中S为一张原始人脸图像的数字图像矩阵，SR为由原始人脸图像右半部分镜像对称得到的右对称人脸扩充图像矩阵，i为图像矩阵的行坐标，i＝1，2，...m,m为图形矩阵的总行数，j为图像矩阵的列坐标，j＝1，2，...n/2，n为图形矩阵的总列数,i、j、m、n均为有限的正整数。

3.根据权利要求1所述的人脸识别方法，其特征在于所述的步骤(4)中分别使用原始人t脸图像训练样本集字典DO对人脸图像测试样本y进行稀疏表示，得到表示系数向量 后，按下式将步骤(3)得到的HDO代入，t

得到由原始人脸图像训练样本集字典DO的第k类原子对y 的表示残差rOk，这里C是人脸图像训练样本集AO包含样本的类数，DOj是DO的第j列， 是 的第j个元素，HDOkj是HDO的第k行j列的元素，M是DO的列数，由rOk,k＝1,2,...,C为元素构成原始人脸图像训练样本集字典t的表示残差向量rO；同样地，分别使用DL、DR对y 进行稀疏表示，得到对应的表示系数向量后，分别按下面对应表达式将步骤(3)得到的HDL和HDR分别代入，t t

得到由DL的第k类原子对y的表示残差rLk、由DR的第k类原子对y 的表示残差rRk，这里DLj、DRj分别是DL、DR的第j列， 分别是 的第j个元素，HDLkj、HDRkj分别是HDL、HDR的第k行j列的元素，M是DL、DR的列数，分别由rLk,k＝1,2,...,C、rRk,k＝1,2,...,C为元素构成字典DL、DR的表示残差向量rL、rR。

4.根据权利要求1所述的人脸识别方法，其特征在于所述的步骤(5)中对表示残差向量rO、rL和rR按照下式进行加权融合，式中，α1为原始人脸图像训练样本集字典的表示残差向量rO的加权系数，α2为左对称人脸图像训练样本集字典的表示残差向量rL的加权系数，α3为右对称人脸图像训练样本集字典的表示残差向量rR的加权系数，α1＞α2，α1＞α3，α1、α3、α3均为有限的正数。