1.一种人脸属性不变鲁棒性人脸识别方法，其特征在于：包括如下步骤：S1、提取人脸特征：将采集的人脸图像利用卷积神经网络CNN进行表示学习，提取人脸高层语义特征；

S2、估计人脸属性：人脸属性包括若干类别，通过对若干种类别进行组合，得到人脸属性集；基于人脸高层语义特征，利用随机森林分类方法进行人脸属性识别，得到人脸属性估计结果；所述人脸属性类别包括分辨率、姿态、光照、表情、遮挡；

S3、构建并选择人脸属性子字典：收集多属性人脸图像作为人脸训练集，根据属性类别数对所述训练集进行分类，对每类训练集利用深度字典学习模型单独训练优化得到子字典，然后将各类子字典利用协同学习进行微调和优化，并融合组成人脸属性字典；根据步骤S2得到的人脸属性选择对应的子字典，作为属性不变人脸特征提取的稀疏表示基空间；

S4、属性不变人脸特征提取：利用步骤S1得到的人脸特征和步骤S3得到的子字典,利用深度稀疏表示模型进行属性不变人脸特征提取；

S5、人脸分类识别：对步骤S4得到的属性不变人脸特征进行分类识别。

2.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：所述CNN采用GoogleNet、RestNet50、DarkNet或EfficientNet网络模型,并使用迁移学习策略将网络模型在公开人脸数据库LFW和YTF上进行预训练。

3.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：采用深度字典学习的方法进行属性子字典学习，其模型表示为：其中，Ac为第c类子字典训练样本矩阵； 为第c属性类中不同层的字典即基矩阵， 为对应的系数矩阵即编码矩阵；Ds,Ws分别为共享字典及其对应的系数矩阵；所述的深度字典训练的目标函数为：式中，g(·)为非线性激活函数， 表示2范数。

4.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：所述步骤S3中协同学习微调和优化的目标函数为：式中，D为最终求解的属性字典； 表示第c类中第n个人的样本； 分别为第n个人的不同属性图像分别在各自类字典中的组合系数， 分别为第n个人的不同属性图像分别在各自类共享子字典中的组合系数，λ1,λ2分别表示平衡因子参数，rvleo分别表示分辨率、姿态、光照、表情和遮挡类别数，N表示样本总数。

5.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：所述深度稀疏表示模型表示为：式中，y表示人脸特征，Dc表示子字典, 表示共享字典，γ表示权重参数，W表示需要求解的稀疏表示系数，||·||1/2表示1/2范数。

6.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：在步骤S2中利用随机森林分类方法进行人脸属性分类识别，判定属性类别。

7.根据权利要求1所述的人脸属性不变鲁棒性人脸识别方法，其特征在于：所述步骤S5中利用支持向量机SVM或最近邻KNN或贝叶斯方法进行分类识别。

8.一种人脸属性不变鲁棒性人脸识别系统，其特征在于：包括：

人脸深度特征提取模块，用于提取人脸高层语义特征；

人脸属性字典构建模块，用于构建人脸属性超完备字典；

人脸属性识别模块，用于确定输入人脸图像的分辨率、姿态、光照、表情和遮挡的属性类别；

人脸属性子字典选择模块，用于确定输入图像所属的稀疏表示基空间；

人脸属性不变特征提取模块，用于提取具有人脸分辨率、姿态、光照、表情、遮挡不变的鲁棒性特征；

人脸分类识别模块，用于进行人脸身份识别和分类；

所述人脸深度特征提取模块分别与所述人脸属性识别模块、所述人脸属性字典构建模块相连，所述人脸属性识别模块依次连接所述人脸属性子字典选择模块、所述人脸属性不变特征提取模块、所述人脸分类识别模块，所述人脸属性子字典选择模块通过属性超完备字典与所述人脸属性子字典选择模块连接。