1.一种人脸识别方法，其特征在于,包括如下步骤：扩充训练集：使用不同类训练样本在高维空间的线性关系合成训练样本，为每个原始训练样本生成一个聚类；

扩展LDA算法：估计类内距与类间距，为LDA投影向量构造Fisher准则，使LDA算法适用于扩充的训练集；

特征向量提取：利用所述Fisher准则，构造特征提取算子，提取人脸图像特征向量；

人脸识别：根据提取的人脸特征向量进行人脸识别；

其中所述扩充训练集包括如下步骤：

设定来自第一人脸的图像x与来自第二人脸的图像y为高维空间的两个点，构造一条高维的直线连接这两个点，该直线由式(1)表达；

z＝λx+(1-λ)y 0≤λ≤1   (1)其中λ为变体选择系数；

在所有的原始训练样本中，找到x的k个近邻yi(1≤i≤k)，y1表示最近邻；

使用公式zi＝λix+(1-λi)yi合成图像，生成一个关于x的聚类，其中1≤i≤k并且1-d(x,y1)/(3*d(x,yi))＜λi≤1，其中d()表示两点间的欧氏距离。

2.如权利要求1所述的人脸识别方法，其特征在于,所述扩展LDA算法包括如下步骤：将LDA扩展为适用于扩充的训练集，由式(2)表达，其中α为投影向量，J(α)为Fihser鉴别表达式即Fisher准则， 表示类间散度矩阵，表示类内散度矩阵，xi为第i类的原始图像，用来作第i类训练样本的中心，c为原始样本总数，ni为第i个原始样本合成的样本总数，为第i个原始样本合成的第j个合成图像， 为第i个原始样本合成的第k个合成图像，i1和i2代表不同的类。

3.如权利要求2所述的人脸识别方法，其特征在于,所述特征向量提取包括：基于扩展的LDA算法确定特征提取算子，该特征提取算子使得式(2)中的Fisher准则取得最大值。

4.如权利要求3所述的人脸识别方法，其特征在于,确定由式(3)定义的泛化特征方程的最大特征值所对应的特征向量，以所确定的特征向量来作特征提取的投影向量。