1.一种基于主动判别性跨域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，从标准人脸数据集中选取N幅HR人脸图像构成HR图像集，对HR图像集进行平滑下采样处理，生成LR人脸图像集；

步骤2，采用主动学习从LR人脸图像集中挑选源域样本，形成源域样本集，并构造源域样本的类别标签，LR人脸图像集中剩余的LR人脸图像形成目标域样本集；

步骤3，同时减小源域与目标域样本之间的统计分布差异；

步骤4，构造包含源域样本的流形结构、判别信息和标签信息的判别对齐矩；

步骤5，建立源域与目标域样本的线性变换关系；

步骤6，然后根据统计分布差异、判别对齐矩以及线性变换关系构造关于源域与目标域样本变换矩阵的目标函数；

步骤7，求解目标函数，计算源域样本变换矩阵以及目标域样本变换矩阵；

步骤8，将源域与目标域人脸样本变换到公共域子空间，分别得到源域与目标域人脸变换特征，对变换到公共域子空间内的源域与目标域人脸变换特征进行分类，应用最近邻分类器推断出目标域人脸变换特征的类别标签；

所述步骤2具体为：

采用主动学习从LR人脸图像集 中挑选源域样本xi为第i个源域样本，D表示源域样本中样本的特征维度，nS为源域样本的数目；LR人脸图像T L S集中剩余LR人脸图像作为目标域样本集，X＝X‑X， xj为第j个目标域样本，nT为目标域样本的数目，nS+nT＝N；

其中采用主动学习从LR人脸图像集 中挑选源域样本具体为：

L

步骤2.1，从候选集，即就是LR人脸图像集X中选择兼顾代表性准则和多样性准则的人脸图像，兼顾代表性准则和多样性准则的函数为：其中，λ用来平衡样本的代表性准则与多样性准则，为人为设置参数，挑选出的人脸图像放在源域样本集中，源域样本集表示为 D表示样本的特征维度，nS为源域样本的数目；

其中，R(xi)为人脸图像样本xi的代表性函数，从LR人脸图像集选择满足代表性准则的人脸图像， Ni为人脸图像样本xi的邻域样本数目，σR表示高斯核宽， ρ为尺度系数，将满足代表性准则的人脸图像样本放入集合S中；

L

D(xi)表示样本xi的多样性函数，从剩余候选集U＝X ‑S挑选出满足多样性准则的人脸图像，多样性函数具体为：步骤2.2，构造源域样本的类别标签列向量：所述步骤3具体为：

步骤3.1，建立边缘分布概率表达式：

其中，A为源域样本变换矩阵，B为目标域样本变换矩阵，F表示弗罗贝尼乌斯范数；

步骤3.2，建立条件分布概率表达式：

S,(c) T,(c)

其中，c表示样本的类别， 分别表示第c类源域与目标域样本的数量，X ，X分别表示第c类源域与目标域样本；

步骤3.3，同时减小边缘与条件分布概率，实现跨域自适应匹配：进行矩阵化表达为：

其中，

所述步骤5具体为：建立线性变换关系，构建域自适应匹配子空间：

2.根据权利要求1所述的一种基于主动判别性跨域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幅高分辨人脸图像构成HR图像集： 其中， 表示第i幅高分辨人脸图像，对HR图像集经过平滑下采样，生成低分辨的人脸图像集，即就是LR人脸图像集： 其中 表示第i幅低分辨人脸图像。

3.根据权利要求2所述的一种基于主动判别性跨域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YALE‑B、CMU‑PIE、UMIST、ORL、FERET和AR人脸库，对HR图像集进行平滑下采样处理，生成LR人脸图像集具体为：对高分辨率HR图像集：YALE‑B和CMU‑PIE人脸库分辨率为32×28，UMIST和ORL人脸库分辨率为90×80，FERET人脸库分辨率为40×40，AR人脸库分辨率为140×120，分别经过YALE‑B和CMU‑PIE人脸库2倍和4倍，UMIST和ORL人脸库5倍和10倍，FERET人脸库4倍和5倍，AR人脸库10倍和20倍的平滑下采样生成低分辨：YALE‑B和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，FERET人脸库分辨率为10×10和8×8，AR人脸库分辨率为14×12和7×6的LR人脸图像集。

4.根据权利要求1所述的一种基于主动判别性跨域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：步骤4.1，建立局部对齐表达式：

其中，μ∈[0,1]用来反映类内与类间样本对源域样本xi的重要性，为人为设置参数；

为和源域样本xi属于同一类的第u个源域样本； 为和源域样本xi不属于同一类的第v个源域样本，设 为系数向量，kw、kb为人为设置的类内与类间样本数量的参数，则上式可改写为：

其中， 为和源域样本xi不属于同一类样本的样本系数向量； 为第i个源域样本xi的局部块；Wi是局部对齐矩阵，定义如下：步骤4.2，对步骤4.1中第i个源域样本xi的局部块 通过源域样本xi的边缘度函数进行加权：其中，源域样本xi的边缘度函数 δ是一个正则项系数，t表示一个尺度因子；

步骤4.3，对于每一个局部块，通过步骤4.2进行优化，最终对所有优化的局部块进行整合得到判别对齐矩阵，假设第i个局部块 是从全局候选集，即就是源域样本 中挑选的，则：

其中， 为挑选矩阵，定义如下：

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

步骤4.4，结合步骤4.2和步骤4.3，得到：对所有优化进行累加，得到全局对齐阶段表示形式：其中， 为判别对齐矩阵；

步骤4.5，通过迭代更新，得到最终包含样本的流形结构、判别信息和标签信息的判别L对齐矩阵：W←W+mi Wi。

5.根据权利要求1所述的一种基于主动判别性跨域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：构造目标函数表达式：

其中，α和β被用来权衡各项对整体识别性能的重要性，为人为设置参数，表示中心化矩阵； 是元素全为1的列向量，I、IS和IT表示单位矩阵。

6.根据权利要求1所述的一种基于主动判别性跨域对齐的低分辨人脸识别方法，其特征在于，所述步骤7具体为：T T T

设G＝[A B]，则目标函数表达式简化式为：根据约束优化理论，设 表示拉格朗日多乘子，则目标函数表达式简化式的拉格朗日函数表示为：

设 则得到拉格朗日函数的广义特征值分解为：求解步骤拉格朗日函数的广义特征值分解，选取前k个最小的特征向量作为自适应矩阵G＝[g1,g2,..,gk]，其中g1,g2,..,gk表示自适应矩阵G中的元素，进而得到变换矩阵A和B。

7.根据权利要求1所述的一种基于主动判别性跨域对齐的低分辨人脸识别方法，其特征在于，所述步骤8具体为：S

步骤8.1，根据源域样本变换矩阵A和目标域样本变换矩阵B分别将源域样本X 与目标域T样本X变换到公共域子空间，得到源域与目标域人脸变换特征 和步骤8.2，应用最近邻分类器推断出目标域人脸变换特征 的类别标签列向量具体为：S T

步骤8.2.1，初始化源域样本X、目标域样本X和源域样本的类别标签列向量T S步骤8.2.2，计算目标域样本X与源域样本X的欧式距离：步骤8.2.3，根据欧氏距离大小对源域样本进行升序排序；

步骤8.2.4，选取欧式距离最小的前θ个源域样本，统计其在各类别中出现的频率；

步骤8.4.5，返回频率最大的类别，即该目标域样本属于该类别