1.一种基于全耦合局部约束表示的极低分辨率人脸识别方法，其特征在于，包括以下两个阶段：训练阶段和测试阶段；

训练阶段包括以下三个步骤：

S1、根据训练样本中的高分辨率人脸图像和对其下采样得到的低分辨率人脸图像，组成训练样本矩阵，按照局部约束表示算法根据训练样本矩阵对表达字典进行更新，并将表达字典分割成高分辨率表达字典和低分辨率表达字典；

S2、根据高、低分辨率人脸图像和高、低分辨率表达字典，计算其在局部约束和线性重建条件下的最优权值系数，包括高分辨率的最优权值系数和低分辨率的最优权值系数；

S3、根据高分辨率人脸图像训练样本和高分辨率的最优权值系数进行训练极限学习，自动调节学习神经元的个数使得识别输出的误差最小，将误差最小时的神经元个数确定为最优的神经元个数，训练阶段完成；

测试阶段包括以下三个步骤：

S4、获取待识别的低分辨率人脸图像，使用低分辨率表达字典得到它的低分辨率表达系数；

S5、根据流形一致性假设，将低分辨率表达系数保持在高分辨率空间，利用高分辨率表达系数作为图像耦合局部约束特征；

S6、根据S3中确定的最优神经元个数，构建相应的极限学习模型，并输入低分辨率人脸图像的最优权值系数，得出识别结果。

2.根据权利要求1所述的基于全耦合局部约束表示的极低分辨率人脸识别方法，其特征在于，步骤S1的具体方法包括：S11、对高分辨率训练样本人脸图像，通过下采样得到对应的低分辨人脸图像，将高低分辨率样本图像展开成列向量，将对应的高低分辨率图像向量耦合成为一个列向量做为表达字典；

S12、采用如下公式计算获得一个初始的LCR系数：

其中，τ是平衡重建误差和局部约束的正则化参数，M表示训练样本个数，X表示高低分辨率图像向量耦合成的列向量，α来表示所有M张人脸样本图像的重建系数组成的行向量，表示两个向量之前的内积， 表示欧式平方距离， 返回关于变量α的函数在得到最小值时α的取值α*，即为所求的LCR系数；

di表示重建系数αi的惩罚因子，计算公式为：

σ表示控制分配的带宽，di表示测量输入图像和每个字典原子之间的距离的局部参数，di的值在0和1之间；

S13、更新表达字典的公式为：

其中，Y*为耦合训练样本表达字典包括了高、低分辨率字典，然后按照图像的分辨率分c×M割成高分辨率表达字典 低分辨率表达字典YL∈R 。

3.根据权利要求1所述的基于全耦合局部约束表示的极低分辨率人脸识别方法，其特征在于，步骤S2的具体方法包括：S21、对高分辨率的人脸图像训练样本，对其进行处理得到观测样本矩阵、观测图像矩阵；

S22、计算低分辨率图像的最优权值系数的公式为：

其中，XL为观测图像矩阵中的低分辨率图像的列向量组成的矩阵，YL为低分辨率表达字典，αL来表示所有M张低分辨率人脸样本图像的重建系数组成的行向量，αL＝(α1,α2,…,αM)，表示重建系数 的惩罚因子，τ是平衡重建误差和局部约束的正则化参数， 表示两个向量之前的内积，||·||表示欧式平方距离；

返回关于变量αL的函数在得到最小值αL时的取值 即为所求的低分辨率图像的最优权值系数

计算低分辨率图像的最优权值系数的公式为：

其中，XH为观测图像矩阵中的高分辨率图像列向量组成的矩阵，YH为高分辨率表达字典， 即为所求的高分辨率图像的最优权值系数,

4.根据权利要求1所述的基于全耦合局部约束表示的极低分辨率人脸识别方法，其特征在于，步骤S3的具体方法为：对高分辨率人脸图像的系数矩阵进行转置得到矩阵T，

其中ti是特征类别，

是该类别的最优权值系数， 假设m＝t2c，t是放大系数，c为一张低分辨率图像大小，m为一张高分辨率图像大小，激活函数g(x)和隐含层神经元个数 其公式为：其中，wi是隐含层中i个神经元和输入层的特征之间的权重，bi是第i个隐含层中的偏差，βi是第i个神经元和输出层之间的权值，oj是第j个输入所对应的目标向量，表示向量的内集。

5.根据权利要求1所述的基于全耦合局部约束表示的极低分辨率人脸识别方法，其特征在于，步骤S5的具体方法为：用低分辨率人脸图像测试样本，利用低分辨率表达字典获得低分辨率的表达系数，依据流形一致性假设，将低分辨率局部约束表达系数保持在高分辨率空间，利用高分辨率局部约束表达系数作为图像耦合局部约束特征，然后结合低分辨率人脸图像的最优权值系数，得到预测输出值。

6.一种基于全耦合局部约束表示的极低分辨率人脸识别系统，其特征在于，包括训练单元和测试单元：训练单元具体包括：

字典更新单元，用于根据训练样本中的高分辨率人脸图像和对其下采样得到的低分辨率人脸图像，组成训练样本矩阵，按照局部约束表示算法根据训练样本矩阵对表达字典进行更新，并将表达字典分割成高分辨率表达字典和低分辨率表达字典；

系数计算单元，用于根据高、低分辨率人脸图像和高、低分辨率表达字典，计算其在局部约束和线性重建条件下的最优权值系数，包括高分辨率的最优权值系数和低分辨率的最优权值系数；

神经元个数计算单元，用于根据高分辨率人脸图像训练样本和高分辨率的最优权值系数进行训练极限学习，自动调节学习神经元的个数使得识别输出的误差最小，将误差最小时的神经元个数确定为最优的神经元个数，训练阶段完成；

测试单元具体包括：

图像获取单元，用于获取待识别的低分辨率人脸图像，使用低分辨率表达字典得到它的低分辨率表达系数；

约束特征确定单元，用于根据流形一致性假设，将低分辨率表达系数保持在高分辨率空间，利用高分辨率表达系数作为图像耦合局部约束特征；

图像识别单元，用于根据确定的最优神经元个数，构建相应的极限学习模型，并输入低分辨率人脸图像的最优权值系数，得出识别结果。