1.一种基于低秩鲁棒线性鉴别分析的图像特征提取方法，其特征在于，所述方法包括：利用基于低秩表示的鲁棒主成分分析算法求出原始图像的低秩表示；

利用线性特征鉴别分析算法对原始图像的低秩表示进行特征抽取；

利用最近邻分类器进行分类。

2.根据权利要求1所述的基于低秩鲁棒线性鉴别分析的图像特征提取方法，其特征在于，利用基于低秩表示的鲁棒主成分分析算法求出原始图像的低秩表示时，本方法进一步包括：d

获取所有的训练样本，把每一幅图像按列拉伸，使其变为一个d维的列向量xi∈R ，i＝

1,2,L,N，把所有的图像组成一个数据矩阵X＝{x1,x2,L,xN}＝[X1,L,Xc]∈Rd×N，其中c为样本的类别数；

获取所有的测试样本，把每一幅图像按列拉伸，使其变为一个d维的列向量yi∈Rd，i＝d×M

1,2,L,M，把所有的图像组成一个数据矩阵Y＝{y1,y2,L,yM}＝[Y1,L,Yc]∈R ；

初始化：设置初始参数Y0＝sgn(X)/J(sgn(X))，E0＝0，μ0＝0，ρ＞1，迭代次数k＝0，其中sgn(·)为符号函数，J(sgn(X))＝max(||sgn(X)||2,λ-1||sgn(X)||∞)，λ＞0，||·||2为2范数，||·||∞为无穷大范数，E为系数矩阵，，为拉格朗日乘子，为正则化参数；

计算 的奇异值分解，即 其中svd(·)表示计算矩阵的奇异值分解；

计算 对于矩阵S中的每一个元素Sij，1≤i≤d，1≤j≤n，有计算

计算Yk+1＝Yk+μk(X-Ak+1-Ek+1)；μk+1＝ρμk；

判断是否 如果是则令k＝k+1，重新进行初始化参数、奇异值分解和计算；

如果否则用主成分分析(PCA)算法分别对数据矩阵A和测试样本Y进行降维，得到降维后的数据矩阵A和Y。

3.根据权利要求1所述的基于低秩鲁棒线性鉴别分析的图像特征提取方法，其特征在于，利用线性特征鉴别分析算法对原始图像的低秩表示进行特征抽取时，本方法进一步包括：计算类内散布矩阵Sw， 其中Ni表示属于第i类的样本的下标集，aj为矩阵A中第i类的第j个样本，m(i)为第i类样本的均值；

计算类间散布矩阵Sb， 其中ni为第i类的样本数，m为所有样本的均值；

计算投影矩阵U＝[ui]，1≤i≤c-1，ui为矩阵 的特征值λi对应的特征向量，即有且特征值λi从小到大排列；

计算 和

4.根据权利要求1所述的基于低秩鲁棒线性鉴别分析的图像特征提取方法，其特征在于，利用最近邻分类器进行分类时，本方法进一步包括，用图像识别技术中的最近邻分类器对投影后矩阵 与 进行进行分类处理，得出被识别出的测试样本数，用得出的被识别出的测试样本数除以总测试样本数M，计算出算法识别率。