1.一种基于人脸图像特征极限学习机的人脸识别方法，其特征在于，包括如下步骤：S1，图像预处理；所述图像预处理包括对原始人脸图像进行校准，人脸图像的增强以及归一化，用于得到尺寸一致，灰度值取值范围相同的标准化人脸图像集；原始人脸图像包括：人脸注册库图像和测试图像，其中人脸注册库主要是不同人脸预先采集的多张图像，测试图像是采集用来测试识别方法的图像；

S2，进行人脸特征的主成分特征向量提取，主要步骤是将标准化人脸图像的训练图片样本集进行主成分分析降维处理，设置特征维数参数，得到特征脸；

S3，将训练样本图片集在特征脸上进行投影，，进行标号分类后得到相应的特征脸系数矩阵；

S4，利用特征脸系数矩阵训练极限学习机，对极限学习中节点个数参数进行优化设置；

通过随机初始化网络的输入权值以及隐元的偏置，得到隐层输出矩阵；自动调节神经元个数使得输出的误差最小，确定最优的神经元个数；

S5，输入测试人脸图像的主成份特征向量，利用极限学习机的优化参数预测输入人脸图像的类别属性，完成人脸识别过程。

2.根据权利要求1所述的识别方法，其特征在于，所述步骤S2)的具体过程如下：S21)对于一个像素m×n的人脸图像，先将图像的像素按照行展开组成一个列向量D，D是mn×1的列向量；设N是训练样本的总个数，Xi表示第i幅人脸图像的向量，可以得到协方差矩阵：其中μ为训练样本的平均图像向量，

T

S22)令A＝[x1-u,x2-u,...,xn-u]，则有Sr＝AA ，其维数为M×M，M＝m×n；

T

根据K-L变换定理，新的坐标系由矩阵AA的非零特征值所对应的特征向量组成；我T们采用奇异值分解(Singular Value Decomposition，SVD)定理，若矩阵AA的r个非零特征为λi(i＝1,2,..,r)，其对应的特征向量为Vi，正交归一化特征向量ui可以根据公式得出：T

该向量就是总离散度AA的特征向量；主成份表达基由这些子空间u1,u1,...,ur向量组成，其中r表示主成份的个数，这样每张人脸图像都能在主成份的特征子空间进行投影；

S23)为了降低维数，我们可以按照特征值占整个特征值的比例来选取前n个最小特征向量：其中，α的取值范围为α＝90％～99％；由这些特征向量对应的图像很像人脸，被称为“特征脸”，即w＝(u1,u1,...,ur)。

3.根据权利要求2所述的识别方法，其特征在于，所述步骤S3)的具体过程为：将每一幅人脸与平均脸的差值矢量投到特征向量空间，我们可以得到新的特征矩阵:T

Ω＝wdi，(i＝1,2,...,n) (5)若特征矩阵d的第i列代表的是第n个人脸的特征信息，我们将第i列列首增加一行，数值为n，表示其类别属性；这样我们就可以对特征矩阵进行标签分类；得到用于训练和分类的特征脸系数矩阵；

对于给定的一副人脸图像x，那么利用特征脸所获得的人脸特征向量为：x-μ＝w·d (6)

这里x-μ代表在输入图像和平均脸的差值，d表示其在特征空间w的投影，x-μ的维-1数是M×1，w的维数是M×k，d的维数是k×1。根据式(6)可得：d＝(x-μ)w ；

集合所有目标样本组成矩阵D，维数为k×n，n代表样本数量，k代表了每个样本图片降维后得到的特征信息的维数；

在每一列的列首加上其标准的类型信息，我们就得到了待分类的系数矩阵，维数是(1+k)×n。