1.一种人脸识别方法，其特征在于，所述方法包括：

在人脸集合中提取出P张人脸图像，将所述人脸集合中剩余的图像分为n类人脸图像作为训练样本库，然后采用所述训练样本库中的类别均值信息对所述P张人脸图像进行预分类；P为正整数，n为正整数；

完成预分类后，将所述P张人脸图像中的每张图像和对应类别的图像合并在一起组成增广矩阵，将所述增广矩阵中的人脸图像利用低秩矩阵恢复转换为低秩恢复图像和稀疏误差图像；

利用所述训练样本库训练极限学习机；

将所述P张人脸图像对应的低秩恢复图像作为测试样本库，利用极限学习机作为标准，对所述P张人脸图像对应的低秩恢复图像进行人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述在人脸集合中提取出P张人脸图像，将所述人脸集合中剩余的图像分为n类人脸图像作为训练样本库，包括：基于人脸图像公式xj∈Rd×1确定出P 张人脸图像，j＝1,2,3,...,P ；其中，xj表示第j张人脸图像；Rd×1表示一个矩阵，d × 1 表示所述矩阵的大小，d是人脸图像的大小；

确定对应的n类人脸图像，其中，D＝[D1,...Di...,Dn]∈Rd×n，D表示n类人脸图像中所有图像所组成的集合，D1表示第1类人脸图像数据集，Dn表示第n类人脸图像数据集，表示第i类人脸图像数据集且1＜i＜n，ni表示第i类人脸图像数据集的样本个数。

3.根据权利要求2所述的方法，其特征在于，所述采用所述训练样本库中的类别均值信息对所述P张人脸图像进行预分类，包括：将所述P张人脸图像中每张人脸图像和所述训练样本库中的类别均值进行比较，确定出所述P张人脸图像中每张人脸图像的类别，然后将所述P张人脸图像纳入对应类别中，以完成所述P张人脸图像的预分类。

4.根据权利要求3所述的方法，其特征在于，所述将所述P张人脸图像中每张人脸图像和所述训练样本库中的类别均值进行比较，确定出所述P张人脸图像中每张人脸图像的类别，然后将所述P张人脸图像纳入对应类别中，以完成所述P张人脸图像的预分类，包括：对于所述P张人脸图像中每张人脸图像，采用训练样本库中的类别均值信息进行分类，公式如下：确定与第j张人脸图像xj相似度最高的类别，然后将xj归入相似度最高的类别中，以完成所述P张人脸图像的预分类；

其中，ni表示各类别人脸图像的样本个数，Di表示第i类人脸图像数据集。

5.根据权利要求4所述的方法，其特征在于，所述将所述P张人脸图像中的每张图像和对应类别的图像合并在一起组成增广矩阵，包括：将所述P张人脸图像中的每张人脸图像xj与对应类别的Di合并到一起组成增广矩阵

6.根据权利要求5所述的方法，其特征在于，所述将所述增广矩阵中的人脸图像利用低秩矩阵恢复转换为低秩恢复图像和稀疏误差图像，包括：输入增广矩阵X，λ，假设E＝0，u>0，通过下述公式获得L，其中，L为低秩矩阵，所述低秩矩阵中包含的图像就是低秩恢复图像：求得的L带入以下公式获得E，E为稀疏误差矩阵，所述稀疏误差矩阵中的图像就是稀疏误差图像：其中λ表示稀疏错误百分比，Y是拉格朗日乘子向量，tr是矩阵的迹，u为拉格朗日乘算子。

7.根据权利要求6所述的方法，其特征在于，所述利用所述训练样本库训练极限学习机，包括：对所述极限学习机中的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；

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，完成所述极限学习机的训练。

8.根据权利要求7所述的方法，其特征在于，所述利用所述训练样本库训练极限学习机，包括：F＝{(xi,ti)|xi∈Rd,ti∈Rm,i＝1,2,...,N}，其中xi＝(xi1,xi2,...,xid)T∈Rd，ti＝T m(ti1,ti2,...,tim) ∈R ，F为一个集合，N表示训练样本库的样本总数，d是表示人脸图像的大小，m表示训练样本库中人脸的类别数，K为极限学习机elm的隐藏节点数；xi表示训练样本库中的人脸图像，ti表示训练样本库中xi对应的特征类别；

其中，i＝1,2，……，N，隐层激励函数为f(x)，wj＝(wj1,wj2,...,wjd)，其中wj是隐含层中的j个神经元和输入层的特征之间的权重，βj＝(βj1,βj2,...,βjm)T，βj是第j个神经元和输出层之间的权值，oi＝(oi1,oi2,...,oim)T，oi是第i个输入所对应的目标向量，bj是第j个隐含层中的偏差，wj·xi表示向量的内 积 ；

输出的误差最小，包括：

9.根据权利要求8所述的方法，其特征在于，所述输出的误差最小，还包括：其中，j＝1，2，……，N；或者

βTH＝T，其中H为隐层节点的输出，β为输出权重，T为期望输出；

其中， T＝[t1,t2,...,tN]m×N。