1.一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述方法包括以下步骤：步骤一：通过将多个卷积的稀疏去噪自编码器与多个池化层交替连接，从而构建出栈式卷积稀疏去噪自编码器模型；

步骤二：将栈式卷积稀疏去噪编码器模型的卷积形式去除，以分块的方式直接训练栈式稀疏去噪自编码器模型；

步骤三：用训练好的参数构成卷积滤波器，以卷积形式实现栈式卷积稀疏去噪自编码器；利用栈式卷积稀疏去噪自编码器进行人脸特征提取，并采用分类器对人脸进行分类与识别。

2.根据权利要求1所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述步骤一包括：步骤1)将稀疏去噪自编码器训练出来的参数进行重组，生成卷积参数，即滤波器；

步骤2)采用重组的卷积参数构成的滤波器实现卷积操作，即构成卷积的稀疏去噪自编码器；

步骤3)将所述卷积的稀疏去噪自编码器与池化层交替连接；从而构建出栈式卷积稀疏去噪自编码器模型。

3.根据权利要求2所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述池化层采用最大池化层、平均池化或金字塔池化中任意一种或多种。

4.根据权利要求1所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述步骤二包括：步骤1)将栈式卷积稀疏去噪编码器模型的每个卷积稀疏去噪自编码器中的卷积形式去掉，再将稀疏去噪自编码器的输入分成若干个块组成训练样本集，训练稀疏去噪自编码器；

步骤2)采用非监督逐层预训练，即根据所述训练样本集训练第一层的参数，将每一层的输出作为下一层的输入训练下一层的参数，通过反向传播算法最小化第一损失函数，获得稀疏去噪自编码器的参数；

步骤3)采用后向传播算法最小化第二损失函数，从而对所述参数再次进行微调；

步骤4)通过将上述训练后的稀疏去噪自编码器参数进行重组，组成k个卷积核，获得最终的卷积参数；其中，k为稀疏去噪自编码器隐层神经元的个数。

5.根据权利要求4所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述稀疏去噪自编码器的参数包括：其中，θ＝{w，w′，b，b′}表示稀疏去噪自编码器模型的参数；w，b分别表示编码权值和偏移量；w′，b′分别表示解码的权值和偏移量；LSDA(θ)表示稀疏去噪自编码器的损失函数，即第一损失函数。

6.根据权利要求5所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述第一损失函数包括：其中， 表示KL距离，即为稀疏惩罚项；ρ为稀

疏参数， 为第j个隐单元的平均激活值，β为稀疏惩罚项的权值；x表示原始输入图像，y表示重建的输入图像； 表示训练样本集，x(i)表示第i个训练样本；N表示训练样本个数；k表示稀疏去噪自编码器隐层神经元的个数，即隐单元的个数； 表示二范数；

λ表示权值的衰减项参数。

7.根据权利要求4所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述第二损失函数包括：其中，x表示原始输入图像，y表示重建的输入图像； 表示训练样本集，x(i)表示第i个训练样本，N表示训练样本个数；k表示稀疏去噪自编码器隐层神经元的个数，即隐单元的个数； 表示二范数；λ表示权值的衰减项参数。

8.根据权利要求1所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述步骤三包括：步骤1)将训练好的稀疏去噪自编码器的参数重组成卷积参数，根据重组后的卷积参数对人脸图片进行卷积操作以及池化操作，从而提取出人脸特征；

步骤2)将人脸特征送入分类器进行人脸分类与识别。

9.根据权利要求8所述的一种基于栈式卷积稀疏去噪自编码器的人脸识别方法，其特征在于，所述卷积操作包括：其中， 表示第l+1层的第j个特征图； 表示第l层的第i个特征图，σ表示非线性的激活函数；wj表示重组后第j个卷积核的编码权值参数；bj表示重组后第j个卷积核的偏移量参数；*表示卷积操作。