1.一种基于局部连续性的鲁棒性人脸识别方法，其特征在于，包括以下方法步骤：S1：获取N张人脸图像，所述N张人脸图像由n类人脸图像组成，选择任意一类人脸图像，将该类人脸图像转换为向量图像，该向量图像组成一个子字典，遍历n类人脸图像，获得n个子字典，将n个子字典拼接为n类人脸图像的字典A，所述N张人脸图像均为没有遮挡情况下的人脸图像；

S2：获取待识别人脸图像，采用PCA降维方法提取待识别向量图像中主成分，并将提取的主成分构建为第一模板图像；

S3：基于第一模板图像，计算残差图像，基于残差图像，获得匹配标记图M；

1 1

S4：基于匹配标记图M，获得遮挡支撑图像W，通过迭代更新方法对遮挡支撑图像W 进行t

处理，获得遮挡支撑图像W；

t

S5：将遮挡支撑图像W作为权重，计算待识别人脸图像的加权稀疏表示向量x，并判断遮挡支撑图像Wt是否满足收敛条件，若不满足，则进入步骤S5，若满足，则进入步骤S6；

S6：基于加权稀疏表示向量，构建待识别人脸图像的第二模板图像，并重复步骤S3～S4；

t

S7：基于遮挡支撑图像W、加权稀疏表示向量x与字典A，获得待识别人脸图像的分类结果i。

2.根据权利要求1所述的一种基于局部连续性的鲁棒性人脸识别方法，其特征在于，所述步骤S4的具体操作方法为：1

基于匹配标记图M，计算遮挡支撑图像W：1

Wi，j＝H(CM(i，j)‑ε)其中，CM(i，j)为在匹配标记图中，第i行第j列的一个像素点周围3*3领域的匹配点个数，且值为1的像素点个数；

所述CM(i，j)计算表达式为：所述匹配点为Mi，j矩阵中，||Ei，j||≤τ的点；

1 t

基于遮挡支撑图像W，通过迭代更新的方法，计算遮挡支撑图像W：其中， 为在第t‑1个遮挡支撑图像中，第i行第j列的一个像素点周围3*3领域的匹配点个数，

所述CW(i，j)的计算表达式为：H(·)是单位阶跃函数，ε是一个区间为[1，9]的整数值。

3.根据权利要求2所述的一种基于局部连续性的鲁棒性人脸识别方法，其特征在于，所述M具体的计算表达式为：|E|＝|y‑y′|

其中，E为残差图像，T为预设残差阈值，i为矩阵图像中的行数，j为矩阵图像中的列数，y′为第一模板图像。

4.根据权利要求3所述的一种基于局部连续性的鲁棒性人脸识别方法，其特征在于，所述y′的具体计算表达式为：T T

y′＝(y‑amean)·Q·Q+amean其中，y为待识别向量图像，Q为主成分的投影矩阵，T为矩阵转置，N为向量图像的个数，amean为向量图像的平均值。

5.根据权利要求1所述的一种基于局部连续性的鲁棒性人脸识别方法，其特征在于，所述步骤S5中x的具体表达计算式为：*

y＝w⊙y

*

A＝w⊙A

其中，⊙表示Hadamard积，即向量的每个元素对应相乘。

6.根据权利要求1所述的一种基于局部连续性的鲁棒性人脸识别方法，其特征在于，所述步骤S6中，第二模板图像的表达式为：为第二模板图像。

7.根据权利要求5所述的一种基于局部连续性的鲁棒性人脸识别方法，其特征在于，所述i的具体计算表达式为：m×N

A＝[A1，A2，...，AK]∈R其中，m为人脸向量的长度。

8.一种基于局部连续性的鲁棒性人脸识别系统，其特征在于，所述人脸识别系统包括：图像采集分析模块，用于获取N张人脸图像，所述N张人脸图像由n类人脸图像组成，选择任意一类人脸图像，将该类人脸图像转换为向量图像，该向量图像组成一个子字典，遍历n类人脸图像，获得n个子字典，将n个子字典拼接为n类人脸图像的字典A，所述N张人脸图像均为没有遮挡情况下的人脸图像；

图像分析模块，用于获取待识别人脸图像，采用PCA降维方法提取待识别向量图像中主成分，并将提取的主成分构建为第一模板图像；

第一图像计算模块，用于基于第一模板图像，计算残差图像，基于残差图像，获得匹配标记图M；

1

第二图像计算模块，用于基于匹配标记图M，获得遮挡支撑图像W ，通过迭代更新方法对

1 t

遮挡支撑图像W进行处理，获得遮挡支撑图像W；

t

判断识别模块，用于将遮挡支撑图像W 作为权重，计算待识别人脸图像的加权稀疏表示向量x，并判断遮挡支撑图像Wt是否满足收敛条件，若不满足，则将结果输入到所述重构模块中，若满足，则将结果输入到分类模块中；

重构模块，用于基于加权稀疏表示向量，构建待识别人脸图像的第二模板图像，并将第二模板图像输入到所述第一图像计算模块中；

t

分类模块，用于遮挡支撑图像W 、加权稀疏表示向量x与字典A，获得待识别人脸图像的分类结果i。