1.一种基于耦合判别流形对齐的低分辨人脸识别方法，其特征在于，具体按照如下步骤实施：步骤1，从标准人脸数据库中选取N幅HR人脸图像构成HR图像集，从中随机选取Nt幅包含每个人的一半人脸图像作为HR训练集，对HR训练集经过平滑下采样，生成LR训练集，以及构造训练人脸图像样本的类别标签，其中，步骤2，基于耦合映射学习方法，同时将HR训练集和LR训练集中的人脸图像映射到公共特征子空间，得到基于耦合映射的公式并进行矩阵化；

步骤3，构造包含样本的流形结构、判别信息和标签信息的判别对齐矩阵，在步骤2经过矩阵化的公式中加入判别对齐矩阵，并求解HR耦合映射矩阵PH和LR耦合映射矩阵PL；

步骤4，对HR图像集中的另一半人脸图像经过平滑下采样，生成LR测试集，测试集图像总幅数为Np，步骤5，将HR训练集和LR测试集变换到公共特征子空间，得到HR‑LR人脸映射特征和步骤6，应用最近邻分类器对LR测试人脸投影特征 进行分类，得到人脸映射特征的类别标签；

所述步骤3具体为：

L

步骤3.1，构造包含样本的流形结构、判别信息和标签信息的判别对齐矩阵W，步骤3.2，在步骤2经过矩阵化的公式中加入判别对齐矩阵，具体为：L

其中， 表示判别对齐矩阵W中第i行第j列的元素；

步骤3.3，设 和 则公式(1)变换如下：其中， 和 为对角矩阵，分别定义为 和步骤3.4，设 和 则公式(2)简化为：T T

J(PL,PH)＝tr(PYGYP) (3)；

T T T

步骤3.5，最小化公式(3)目标函数来解决如下优化问题：J(PL,PH)s.t.PYYP＝I和P Y1T＝0，其中，I是大小为d×d的单位阵，1＝[1,1,...,1]是包含有2Nt项的1向量，设和优化问题的解p通过求解P的第2到d+1个广义特征向量Ep＝λFp得到；

步骤3.6，将Ep＝λFp展开，得到：对公式(4)化简得到：

联合求解公式(5)可得到两个耦合映射矩阵PH和PL。

2.根据权利要求1所述的一种基于耦合判别流形对齐的低分辨人脸识别方法，其特征在于，所述步骤1具体为：从标准人脸数据库中选取N幅HR人脸图像构成HR图像集从HR图像集中随机选取包含每个人的一半人脸图像作为HR训练集：对HR训练集经过平滑下采样，生成LR训练集： 其中， 表示第i幅HR人脸图像， 表示第i幅LR人脸图像， 表示训练集图像的总幅数；

训练人脸图像样本的类别标签为：

3.根据权利要求2所述的一种基于耦合判别流形对齐的低分辨人脸识别方法，其特征在于，所述标准人脸数据库包括CMU‑PIE人脸库、UMIST人脸库和ORL人脸库，所述对HR训练集经过平滑下采样，生成LR训练集具体为：HR训练集中的人脸图像分辨率为：CMU‑PIE人脸库分辨率为32×28，UMIST和ORL人脸库分辨率为90×80；

分别经过平滑下采样指：CMU‑PIE人脸库2倍和4倍，UMIST和ORL人脸库5倍和10倍；

LR训练集中的人脸图像分辨率为：CMU‑PIE人脸库分辨率为16×14和8×7，UMIST和ORL人脸库分辨率为18×16和9×8。

4.根据权利要求2所述的一种基于耦合判别流形对齐的低分辨人脸识别方法，其特征在于，所述步骤2具体为：步骤2.1，基于耦合映射学习方法，同时将HR训练集和LR训练集中的人脸图像映射到公共特征子空间，表述为： 其中HR特征向量：fH:对应LR特征向量：fL: fH表示HR人脸图像到公共特征子空间的映射函数，相应的fL表示LR人脸图像到公共特征子空间的映射函数，d表示公共特征子空间的维度；

T T

步骤2.2，设fL(x)＝PLx和fH(x)＝PHx，对步骤(2)进行矩阵化表达，表示为：其中，PH为HR耦合映射矩阵，PL为LR耦合映射矩阵。

5.根据权利要求4所述的一种基于耦合判别流形对齐的低分辨人脸识别方法，其特征在于，所述步骤3.1具体为：步骤3.1.1，表示局部对齐矩阵，具体为：对于一幅给定的HR训练样本 选择kw个与其属于同一类和kb个不属于同一类的邻域样本组成 的局部块 则局部对齐阶段表示如下：其中，α∈[0,1]，用来反映类内与类间样本对样本 的重要性，设为系数向量，则公式(6)表示为：

其中， 表示第i个局部块的索引；

是大小为(kw+kb)×(kw+kb)的单位阵；diag(·)为对角化运算符； 为在样本 的局部块中和样本 不属于同一类的第p个HR样本； 为在样本 的局部块 中和样本 不属于同一类样本的样本系数向量； 表示第i幅HR人脸样本；

表示样本 的局部块 中的第j幅HR人脸样本；Wi是包含训练样本的几何结构信息和标签信息的局部对齐矩阵，则：步骤3.1.2，对步骤3.1.1中的第i个局部块通过样本 的边缘度函数进行加权：进行优化，其中，

ni为在样本 的邻域圆内而与 属于不同类样本的样本个数，δ是一个正则项系数，t表示一个尺度因子；

步骤3.1.3，计算判别对齐矩阵，具体为：假设第i个局部块 是从全局候选集 中挑选的，则：

其中， 为挑选矩阵，定义如下：

其中，r表示全局候选集中的第r个样本；Fi{q}表示局部块 中的第q个样本；

通过整合公式(7)和公式(8)得到：

对所有局部块的优化进行累加，得到全局对齐阶段表示形式：其中， 为判别对齐矩阵；

3.1.4，对判别对齐矩阵进行迭代更新得到包含样本的流形结构、判别信息和标签信息的判别对齐矩阵：L

W←W+miWi。

6.根据权利要求5所述的一种基于耦合判别流形对齐的低分辨人脸识别方法，其特征在于，所述步骤4具体为：对HR图像集中的另一半高分辨人脸图像分别经过平滑下采样，生成低分辨测试集，即就是LR测试集： 其中 表示第i幅低分辨测试人脸图像， 表示测试集图像总幅数；

其中，高分辨分别指：CMU‑PIE人脸库分辨率为32×28，UMIST和ORL人脸库分辨率为90×80；

分别经过平滑下采样指：CMU‑PIE人脸库2倍和4倍，UMIST和ORL人脸库5倍和10倍；

低分辨分别指：CMU‑PIE人脸库分辨率为16×14和8×7，UMIST和ORL人脸库分辨率为18×16和9×8。

7.根据权利要求5所述的一种基于耦合判别流形对齐的低分辨人脸识别方法，其特征在于，所述步骤6具体为：H P

步骤6.1，初始化HR训练样本集X、LR测试样本集X和训练样本的类别标签P H步骤6.2，计算测试集样本X与HR训练样本集X的欧式距离：步骤6.3，根据欧氏距离大小对训练集样本进行升序排序；

步骤6.4，选取欧式距离最小的前k个训练样本，统计其在各类别中出现的频率；

步骤6.5，返回频率最大的类别，即测试集样本属于该类别