1.一种低分辨率单样本人脸识别方法，其特征在于，包括以下步骤：S1)构建单样本训练集和低分辨率测试集；

S2)构建统一局部特征提取模型，使用该模型提取出测试样本与训练样本的局部区块中具有固定维数的人脸卷积特征；所述局部区块为对人脸图像根据设定人脸局部特征的提取区域进行划分得到的人脸图像的区块；

其中，统一局部特征提取模型为卷积神经网络模型，该卷积神经网络模型包括输入层、

4个卷积层、1个最大池化层以及1个空间金字塔池化层，按顺序连接布置为输入层、卷积层

1、卷积层2、最大池化层、卷积层3、卷积层4和空间金字塔池化层；所述卷积层3和卷积层4分别和空间金字塔池化层连接；

S3)构建局部协同表示模型，使用该模型对训练集中单人脸样本的局部区块卷积特征进行重构，生成具有多种类内变化的局部区块卷积特征；

其中，局部协同表示模型为：

zk＝[Gk,Dk]δk+ek,i＝1,2,...,S，其中，zk为特征重构后具有各种类内变化的局部区块卷积特征，Gk为训练集中所有训练样本区块k的统一局部特征，Dk为区块k的类内变化字典，ek为表示模型的残差，δk区块k的类内变化字典的表示系数向量，S为人脸图像中所划分的区块数目；

S4)构建融合判别模型，使用该模型计算出测试样本与重构训练样本所有局部区块间的综合相似度距离，利用该距离计算出样本的最小重构误差，将具有最小重构误差的训练样本标签作为当前测试样本的类别标签值。

2.根据权利要求1所述的低分辨率单样本人脸识别方法，其特征在于，所述步骤S2)中对人脸图像根据设定人脸局部特征的提取区域进行划分，包括：使用特征点定位算法对图像中的人脸进行特征点定位，根据所定位的人脸特征点对人脸图像进行区块划分。

3.根据权利要求1或2所述的低分辨率单样本人脸识别方法，其特征在于，所述步骤S2)中对图像中的人脸进行特征点定位，根据所定位的人脸特征点对人脸图像进行区块划分，具体包括：

使用特征点定位算法对人脸五官区域进行特征点定位，获得人脸特征点；

基于所定位的人脸特征点，为每个人脸特征点指定一个不包括背景环境的正方形邻域作为人脸局部特征的提取区域。

4.根据权利要求1所述的低分辨率单样本人脸识别方法，其特征在于，所述步骤2)中统一局部特征提取模型中各层参数的设置如下：卷积层1的卷积核数量为30个，卷积核的尺寸为3×3，填充为1，步长为1；

卷积层2的卷积核数量为30个，卷积核的尺寸为3×3，填充为1，步长为1；

最大池化层1的卷积核数量为30个，卷积核尺寸为2×2，填充为0，步长为2；

卷积层3的卷积核数量为60个，卷积核的尺寸为2×2，填充为1，步长为1；

卷积层4的卷积核数量为60个，卷积核的尺寸为2×2，填充为1，步长为1；

空间金字塔池化层SPP，SPP层将不同维数的卷积特征投影成具有固定维数的卷积特征，SPP层的具体结构如下：

SPP层包括四个降采样层，四个降采样层的尺寸分别为：1×1，2×2，4×4和6×6，四个降采样层对输入的卷积特征图进行处理，获得具有固定维数的人脸特征，特征的固定维数为57×n，其中n为卷积层特征图数量；

卷积层3和卷积层4中的卷积特征图作为输入与空间金字塔池化层进行相连，空间金字塔池化层对卷积层3和卷积层4的特征进行投影得到特征向量V1和V2；

全连接层，使用空间金字塔池化层对卷积层3和卷积层4的特征进行投影，将所得到特征向量V1和V2作为输入，对特征向量V1和V2进行串联合成后连接至全连接层1，将全连接层

2的权值作为当前图像区块的统一局部卷积特征。

5.根据权利要求1所述的低分辨率单样本人脸识别方法，其特征在于，所述统一局部特征提取模型与人脸局部区块对应，统一局部特征提取模型的数量与人脸特征点的数量相同。

6.根据权利要求1所述的低分辨率单样本人脸识别方法，其特征在于，所述构建局部协同表示模型，使用该模型对训练集中单人脸样本的局部区块卷积特征进行重构，生成具有多种类内变化的局部区块卷积特征；具体如下：步骤S31)使用通用训练集来构建人脸局部区块的类内变化字典D；

步骤S32)在训练集中每个人只有一张清晰正面的人脸图片作为训练样本，通过使用人脸特征点定位算法将所有的人脸训练样本划分为S个区块，从而得到包含S个区块的训练集G＝{G1,G2,…,Gk,…GS}；

步骤S33)将测试集中的低分辨率测试样本z也划分为S个区块，那么测试样本表示为：z＝{z1,z2,…zS}；

步骤S34)使用训练集与类内变化字典D来构建局部协同表示模型；

步骤S35)根据所构建的构建局部协同表示模型，求出局部协同表示模型的表示系数向量δk；

步骤S36)使用所构建的局部协同表示模型，对训练集中单人脸样本的局部区块卷积特征进行重构，生成具有多种类内变化的局部区块卷积特征。

7.根据权利要求6所述的低分辨率单样本人脸识别方法，其特征在于，所述步骤S36)的实现方法是：将所构建的类内变化字典D以及所求得的表示系数向量δk代入局部协同表示模型中，从而得到具有各种类内变化的局部区块卷积特征zk，局部协同表示模型中的ek为

8.根据权利要求1所述的低分辨率单样本人脸识别方法，其特征在于，构建融合判别模型，使用该模型计算出测试样本与重构训练样本所有局部区块间的综合相似度距离，利用该距离计算出样本的最小重构误差，将具有最小重构误差的训练样本标签作为当前测试样本的类别标签值，包含了以下步骤：

步骤S41：使用多度量学习方法构建人脸局部区块特征的综合相似度距离计算模型；

步骤S42：使用所得出的所有局部区块的综合相似度距离，计算出样本的最小重构误差，将具有最小重构误差的训练样本标签作为当前测试样本的类别标签值。