1.一种指定目标的低分辨率人脸精确识别方法，其特征在于，按照以下步骤实施：步骤1、从监控视频帧中检测出人脸区域，只取监控视频中的人脸区域作为待识别的人脸图像，人脸区域的分辨率不小于16×

16；

步骤2、提取人脸区域的特征；

步骤3、对待识别样本集合S＝{si|i＝1,2,…,n}进行分类；

步骤4、对待识别样本集合S＝{si|i＝1,2,…,n}的指定目标进行初检；

步骤5、精确识别；

步骤6、将最终得到的指定目标样本集合 输出，即成。

2.根据权利要求1所述的指定目标的低分辨率人脸精确识别方法，其特征在于：所述的步骤2中，具体过程是，提取指定目标以及待识别目标人脸特征时，VGG卷积神经网络的输入样本分辨率要求调整至224×224，设指定目标集合为O＝{o}，只有一个指定目标样本的特征向量；从步骤1至步骤2的方法得到的待识别样本集合记为S＝{si|i＝1,2,…,n}，其中si为待识别的人脸特征，共包括n个特征向量样本。

3.根据权利要求2所述的指定目标的低分辨率人脸精确识别方法，其特征在于：所述的步骤3中，具体过程是，

3.1)采用轮廓系数法，获得待识别样本集合S＝{si|i＝1,2,…,n}的最佳聚类类别数K；

3.2)将待识别样本集合S＝{si|i＝1,2,…,n}中的样本采用Kmeans方法聚为K类，将K个类别的子集表示为 将K个类别的子集的聚类中心记作μk；

3.3)对分为K个子集 先选出指定目标样本所在的类别，设判断为与指定目标集合O＝{o}具有最小距离的样本s1属于子集则子集S1的种子点为

3.4)对其它的K-1个非目标的子集 选出与聚类中心μk距离最小的样本作为每个类别的种子，表示为

3.5)将上述生成的K个种子作为新的预置种子集合，记为 预置种子集合具有K个类别，且在K-1个非目标样本中， 与指定目标样本 的距离最小。

4.根据权利要求3所述的指定目标的低分辨率人脸精确识别方法，其特征在于：所述的步骤4中，具体过程是，

4.1)对步骤3从待识别样本集合S＝{si|i＝1,2,…,n}进行分类之后，根据步骤3.5)得到的新的预置种子集合 将样本 从预置种子集合中移出，则预置种子集合更新为 包含了更新进去的K-1个类别的种子样本，这样原来的待识别样本集合S＝{si|i＝1,2,…,n}的样本数则少了K-1个样本，设去掉了种子点的待识别样本集合为

4.2)合并样本集合，

对由步骤4.1)更新后的预置种子集合 和去掉了种子点的待识别样本集合 进行合并为样本集合

其中， 为已知标签集合， 为未知标签集合，x1＝o，xi+K＝si,i＝1,2,…,n-K+1；

4.3)构建概率转移矩阵，

按照下式(1)计算概率转移矩阵T＝[tij]n+1×n+1：其中，wij为xi与xj之间的相似度，tij是样本的标签从xj转移到xi的概率；

4.4)初始化标签矩阵 其中，YL是已知标签部分，YU是未知标签部分，对由步骤4.2)构建的样本集合 其更新后的预置种子 部分的特征向量x1,x2∈Ω1，是指定目标样本特征向量，xi+1∈Ωi,i＝2,4,…K-1，是非目标样本特征向量，则初始化已知标签部分YL为：

子集 为待识别样本的特征向量xi,i＝K+1,K+2,…,n+1，对应标签矩阵Y0中的未知标签部分YU，则初始化YU为n-K+1行，K-1列的零矩阵；

4.5)按照公式(2)迭代标签矩阵：

Yt+1＝T·Yt   (2)

其中，T＝[tij]n+1×n+1由公式(1)计算得到；

迭代过程中获得新的标签矩阵Yt+1，对新的标签矩阵Yt+1每行归一化，并且固定已标记数据的标签；直到标签矩阵收敛，停止迭代；

迭代收敛后，新的标签矩阵Yt+1中第i+K行，i＝1,2,…,n-K+1中的最大值所在列，表示待识别样本si的预测身份，记作idi，i＝1,2,…,n-K+1；

4.6)指定目标的初检

由步骤4.5)，去掉了种子点的待识别样本集合 中待识别样本si均能获得预测身份idi，即去掉了种子点的待识别样本集合 中的所有样本均被预测为指定目标样本类和K-2个非目标类；

设去掉了种子点的待识别样本集合 预测为指定目标样本类别的 集合 为 预 测 为 K - 2 非目 标 样 本 类 别 的 集 合 为将预测指定目标集合 设定为下一阶段的待识别样本集合，将预测为非目标样本类别的集合 及预置种子集合 的K-2非目标种子样本合并，设定为下一阶段的非目标样本集合

5.根据权利要求4所述的指定目标的低分辨率人脸精确识别方法，其特征在于：所述的步骤5中，具体过程是，

5.1)为了去除步骤4.6)指定目标初检得到的预测指定目标集合 被误检为指定目标的非目标样本，将其设为待识别样本集合进行精确识别；

5.2)采用Kmeans方法将步骤4.6)得到的非目标样本集合 聚为K-1类，之后按照步骤3.4)的方式选出K-1个非目标种子点 重新构建预置种子样本集合 其中，样本 与步骤3.3)的样本s1相同；

5.3)将重新构建的预置种子样本集合 和待识别样本集合 按照步骤4.3)至4.5)进行标签传播后，将待识别样本集合 预测身份为指定目标类别的样本集合 作为下一代的待识别样本集合，即待识别样本数量从n1减小至n2；

而将预测身份为非目标类别的样本集合 加入非目标集合 中，更新非目标集合为

5.4)对于更新的非目标集合 按照步骤5.2)的方法重新构建的预置种子样本集合并结合更新的集合 按照步骤5.3)的方法进行标签传播，重复上述操作，直到样本数不再减少，停止迭代；随着迭代次数的增加，集合 中的待识别样本数不断减少。