1.一种基于互信息和字典学习的人脸识别方法，其特征在于由下述步骤组成：(1)图像预处理

在The extended Yale B数据集中取不同光照条件和表情的不同类别的正面人脸图片，每个人有59～64张图片，将每张照片大小归一化至尺寸为32×32，选择每个人的32张图片作为训练样本，剩余的图片作为测试样本；

(2)确定最大互信息系数MIC

按下式确定最大互信息系数MIC：

其中D是每次迭代后学习到的字典，C是训练样本的标签向量，S是数据空间大小，d是字典中的原子，c是与原子对应的标签向量，p(d,c)表示(d,c)的联合分布；

(3)设计字典学习目标函数J(D,X)

按下式设计目标函数J(D,X)：

其中Y为训练集的图片矩阵，X为稀疏矩阵，稀疏矩阵表示在矩阵中，数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律，||·||F表示Frobenius范式，W为每个原子与对应标签向量之间的权重系数W(s,s)：其中s为1,…,n字典中的原子数量，n为有限的正整数，λ是判断权重参数取值的参考标准，λ1取值为0.5～1；

(4)字典D和稀疏矩阵X的初始化

采用常规方法将字典D和稀疏矩阵X进行初始化；

(5)学习字典D和稀疏矩阵X

通过以下步骤学习字典D和稀疏矩阵X：

(t-1)

固定字典D ,将式(2)改写为：

其中D(t-1)表示t-1时刻对应的字典D，di表示字典的第i个原子；

固定W和稀疏矩阵X，移除字典D中第l层的原子，训练样本的误差矩阵El为：其中wj为第j列原子dj和样本标签矩阵之间的权重参数， 表示稀疏矩阵X的第j行；

(6)识别人脸图像

按下式识别人脸图像pre(X,α)：

pre(X,a)＝(XTX+βΙ)-1XHTa   (6)其中α为测试样本，H为训练样本的标签矩阵，标签矩阵设置为图像所在类别对应数值为1、其余全为0，I为单位对角矩阵，I的行列数和稀疏矩阵X相同，β为一个较小的正整数；通过(6)式选出最大值对应的行列数，得到测试样本属于某一个人脸图像。

2.根据权利要求1所述的基于互信息和字典学习的人脸识别方法，其特征在于：在设计字典学习目标函数J(D,X)步骤(3)中，所述的公式(3)中n的取值为不同类别的正面人脸图片的21～32倍。

3.根据权利要求1所述的基于互信息和字典学习的人脸识别方法，其特征在于：在设计字典学习目标函数J(D,X)步骤(3)中，所述的λ的取值范围为(0,1)。

4.根据权利要求1所述的基于互信息和字典学习的人脸识别方法，其特征在于：在本发明的设计字典学习目标函数J(D,X)步骤(3)中，所述的λ1的取值为0.8。