1.一种基于鲁棒特征提取的单样本人脸识别方法，其特征在于，按照以下步骤具体实施：

步骤1、对视频帧中的人脸区域进行检测，利用采集设备获得包含人脸的视频帧，在视频帧中进行人脸检测，获取人脸区域位置的人脸图像；

步骤2、提取人脸图像的深度特征，采用双线性插值的方法，将注册过的人脸图像尺寸和待识别的人脸图像尺寸，统一调整为深度学习网络模型输入的大小；将人脸图像作为深度学习网络模型的输入，然后提取深度学习网络模型的第一个全连接层作为人脸图像的深度特征；

步骤3、进行字典学习；

步骤4、提取鲁棒特征；

步骤5、完成单样本的人脸识别。

2.根据权利要求1所述的基于鲁棒特征提取的单样本人脸识别方法，其特征在于，所述的步骤2中，具体过程是：

将注册集记为 d是特征样本维数，ng是样本个数，对应的身份记为id(xi)＝idi,i＝1,2,…,ng，由于注册集中的每个类别仅含单样本，注册集的类别数为ng；将待识别样本记为 引入其他身份的样本组成的数据集合称为通用集，记为按照身份类别又能表示为 其中nC为通用集的类别数，Ti对应的身份记为 第i个类别包含mi个样本，

3.根据权利要求1所述的基于鲁棒特征提取的单样本人脸识别方法，其特征在于，所述的步骤3中，字典学习的具体过程是：

3.1)初始化通用集，对每个类别的样本减去该类的样本均值，获得具有变化信息的样本通用集 其中，每个样本 见下式(1)：

3.2)将样本通用集 和注册集 一起合并为 然后将H降维为

3.3)对低维数据 进行字典学习，低维数据 用获得的字典矩阵 和系数矩阵W表示，见下式(2)：

其中，字典矩阵 是字典矩阵 中原子的维数，nD是字典矩阵 中原子的个数，系数矩阵

3.4)获得矩阵H的字典矩阵D，见下式(3)：该矩阵H的字典矩阵 该矩阵H的系数矩阵与式(2)中的系数矩阵W涵义相同。

4.根据权利要求1所述的基于鲁棒特征提取的单样本人脸识别方法，其特征在于，所述的步骤4中，鲁棒特征的提取过程是：

4.1)将前述步骤3.3)得到的系数矩阵W划分为

4.2)获得通用集的类间类内的方差比Rt(j)，首先，依据步骤3.4)中的字典矩阵D和步骤4.1)中的系数矩阵Wt，通用集中的样本 的表达式见下式(4)：

式(4)中的

令tj,i＝dj·Wtj,i，则式(4)简化为式(5)：然后，对于每一个原子dj，获得相关的所有样本tj,i的均值 并获得第c类的所有样本均值

最后，获得类间类内的方差比Rt(j)，见下式(6)：

4.3)获得注册集的类间的方差Rx(j)，具体过程是：首先，注册集中的样本表达式见下式(7)：令xj,i＝dj·Wxj,i，则式(7)简化为下式(8)：然后，获得所有样本xj,i,i＝1,2,…,ng的均值最后，获得类间的方差Rx(j)，见下式(9)：

4.4)定义函数R(j)，本步骤定义一个函数R(j)，R(j)的值越小，则由原型字典P+变化字典V构建的模型越鲁棒，见下式(10)：

R(j)＝Rt(j)‑Rx(j)                              (10)

4.5)将R(j),j＝1,2,…,nD由小到大进行排序，得到前nD/2个位置的排序是：Ind(1),Ind(2),…,Ind(nD/2)；

4 .6)重构通用集中的样本 因此，构建的变化字典记为

4.7)重构注册集中的样本 因此，构建的原型字典记为

5.根据权利要求1所述的基于鲁棒特征提取的单样本人脸识别方法，其特征在于，所述的步骤5中，具体过程是：

5.1)对于待识别样本p，获取其字典系数v，得到p＝D·v中的v，

5.2)依据步骤3.4)获得的字典矩阵D，以及步骤4.5)得到的前nD/2个序列排序Ind(1),Ind(2),…,Ind(nD/2)，提取特征

5.3)求解出 中的系数

5.4)获得待识别样本p的类别，见下式(11)：至此，完成单样本的人脸识别。