1.一种基于改进的LTP与二维双向PCA融合的人脸特征提取方法，其特征在于，包括以下步骤；

S1、将人脸面部图像划分成不重叠的子区域，J0,J1,J2,...,Jt-1，其中t是非重叠区域的数量；

S2、在像素邻域内，统计中心像素与邻域像素值：建立中心像素与邻域像素权值和的差值函数等式，求得中心像素与邻域像素的统计特征；

S3、建立自适应梯度下降迭代函数，计算出使步骤S2差值函数等式最小的权值系数来定义IALTP改进的自适应局部三值模式算子的阈值；

S4、将局部区域像素权重的均值和标准差作为IALTP的三种模式的编码方式；

S5、将人脸图像经过二维双向PCA在行、列方向上求出投影矩阵，然后建立联合映射得到人脸图像的全局特征信息；

S6、利用融合局部特征和全局特征的方式，提出了将IALTP与二维双向PCA相融合的算法，获得融合特征向量，应用SVM对融合信息进行分类并识别人脸。

2.根据权利要求1所述的基于改进的LTP与二维双向PCA融合的人脸特征提取方法，其特征在于，所述步骤S2建立中心像素与邻域像素权值和的差值函数等式为：其中，Pc(i,j)是中心像素，Ps(i,j)是邻域像素，θs是任意一个邻域像素的权值系数，θs＝[θ1,θ2,...,θM]， i表示水平方向的像素值，j表示垂直方 向的像素值，M表示邻域像素的个数，该方程最小化了中心像素与邻域像素之间的总体差异。

3.根据权利要求2所述的基于改进的LTP与二维双向PCA融合的人脸特征提取方法，其特征在于，所述步骤S3建立自适应梯度下降函数，计算出使步骤S2差值函数等式最小的权值系数来定义IALTP改进的自适应局部三值模式算子的阈值，具体包括步骤；

首先根据差值等式对θs求偏导为：

将上式中的中心像素值写成由邻域像素值与权值系数的乘积和的形式，也可以写成由其中一个邻域像素Pm(i,j)与其权值系数θm的乘积加上其余像素与权值系数的乘积和：通过上式可得到其中一个邻域像素的权值θm为：

采用梯度下降法使得J(θm)达到最小的θm，即自适应梯度下降函数：

4.根据权利要求3所述的基于改进的LTP与二维双向PCA融合的人脸特征提取方法，其特征在于，选取λ的值为1。

5.根据权利要求3所述的基于改进的LTP与二维双向PCA融合的人脸特征 提取方法，其特征在于，所述步骤S4中定义IALTP的三种模式的编码方法为：其中，θmPm(i,j)≥ε+ωδ，ε为局部区域像素的权重的均值，δ为局部区域像素的权重值的标准差，ω为0.6。

6.根据权利要求3所述的基于改进的LTP与二维双向PCA融合的人脸特征提取方法，其特征在于，步骤S5中，将人脸图像经过二维双向PCA在行、列方向上求出投影矩阵，然后得到人脸图像的全局特征信息的计算方法具体包括：2

采用(2D) PCA算法提取人们面部的全局特征，由图像在行和列方向上的最优投影矩阵得到联合映射形式W，将联合映射组合成为人脸的全局特征矩阵，通过对图像A在行和列方向协方差矩阵G和G′进行特征值分解等一系列的操作，可以分别得到行和列映射矩阵P和Q，其映射形式可分别表示为：V＝AP

U＝QTA

其目标函数分别为：

J(P)＝trace{PT[E(A-EA)Τ(A-EA)]P}T T

J(Q)＝trace{QE[(A-EA)(A-EA) ]Q}由行、列方向上的投影矩阵P和Q,得到其联合映射的形式如下：W＝QTAP

当取得的P和Q使得J(P)与J(Q)最大归一化时，即可将P和Q作为最优 投影轴，在此方向上投影后的图像获得的特征向量总体分散程度最大，将训练样本向得到的最优向量投影，对已知的人脸图像样本，令W＝QTAP，将投影得到的d个主分量用H表示为H＝[W1,W2,...,Wd]，则H即是要提取的人脸图像的特征信息。

7.根据权利要求6所述的基于改进的LTP与二维双向PCA融合的人脸特征提取方法，其特征在于，步骤S6中，融合局部特征和全局特征的方式的计算方法为：将IALTP得到的特征信息与二维双向PCA得到的特征向量相融合，获得融合特征向量，应用SVM对融合信息进行分类并识别人脸。