1.一种基于三支决策的图像识别方法，其特征在于：包括：S1、输入待识别的图像；

S2、利用样本数据集图像得到三支决策分类器；

S3、根据所述三支决策分类器的分类条件，把所述待识别的图像分为三个区域，包括：正区域、负区域、延迟决策区域；

S4、利用复合型支持向量机SVM对所述三支决策分类器分类出的正区域部分进行图像识别处理；

S5、输出图像识别结果；

所述复合型支持向量机SVM具体包括：

在所述待识别图像的样本空间中，划分超平面，找到与所述超平面距离最近的待识别图像的样本数据点，得到和所述超平面平行且距离相等的第一超平面和第二超平面，根据所述第一超平面和所述第二超平面分隔所述待识别图像；所述超平面可通过如下线性方程来描述：

g(x)＝wTx+b＝0

所述第一超平面为：H1:g1(x)＝wTx+b＝+1所述第二超平面为：H2:g2(x)＝wTx+b＝-1当g(x)＝0时，x是位于超平面上的点，向量w为垂直于超平面g(x)＝0的向量，wT表示w向量的转置，b表示常数；在所述第一超平面和所述第二超平面上的待识别图像的样本数据点也就是离分隔超平面最近的点。

2.根据权利要求1所述一种基于三支决策的图像识别方法，其特征在于，所述利用样本数据集图像得到的三支决策分类器包括：

S201、输入训练样本数据集图像；

S202、根据三支决策的属性，对样本数据集图像进行训练，包括：将第i类样本数据集图像分别按照第i类数据样本集图像的图像特征进行分割，得到第i类样本数据集图像的图像特征属性值，根据所述第i类样本数据集图像的图像特征属性值得到第i类样本数据集图像训练所需属性值λiαp，λiαn，λiβp，λiβn，λiξp，λiξn；其中，λiαp表示满足第i类样本数据集图像的决策条件下采取接受决策的代价，λiαn表示不满足第i类样本数据集图像的决策条件下采取接受决策的代价，λiβp表示满足第i类样本数据集图像的决策条件下采取拒绝决策的代价，λiβn表示不满足第i类样本数据集图像的决策条件下的采取拒绝决策的代价，λiξp表示满足第i类样本数据集图像的决策条件下采取不承诺决策的代价，λiξn表示不满足第i类样本数据集图像的决策条件下的采取不承诺决策的代价，i∈{1,2,...,N}，N为样本数据集中图像总类数；

S203、利用三支决策的决策问题代价矩阵，分别计算出第i类样本数据集图像的正区域和负区域的最优值：

其中，αi表示第i类样本数据集图像的正区域的最优值、βi表示第i类样本数据集图像的负区域的最优值；

S204、根据所述第i类样本数据集图像的正区域最优值αi和所述第i类样本数据集图像的负区域的最优值βi，得到第i类样本数据集图像的延迟决策区域值ξi：βi<ξi<αi；

S205、根据所述αi、βi和ξi，得到第i类样本数据集图像的三支决策分类器。

3.根据权利要求2所述一种基于三支决策的图像识别方法，其特征在于，所述第i类样本数据集图像的图像特征包括：图像轮廓、亮度、颜色、灰度中的一种或多种。

4.根据权利要求2所述一种基于三支决策的图像识别方法，其特征在于：根据所述三支决策分类器的分类条件，把所述待识别的图像分为三个区域包括：将第i类样本数据集图像量化为大小为1的区域，将所述大小为1的区域按照所述三支决策器分类得到的第i类样本数据集图像的正区域最优值和所述第i类样本数据集图像的负区域的最优值分为三个区域，根据风险函数，选择风险最小的决策，得到风险估计；根据所述风险估计，所述待识别图像采取进入所述三个区域中的某一个区域的决策；

其中，所述三个区域具体为：[αi,1]为第i类样本数据集图像的正区域，[0,βi]为第i类样本数据集图像的负区域，(αi,βi)为第i类样本数据集图像的延迟决策区域；其中，αi表示第i类样本数据集图像的正区域的最优值、βi表示第i类样本数据集图像的负区域的最优值；对应三支决策，用αi表示对第i类样本数据集图像采取接受决策、βi表示对第i类样本数据集图像采取拒绝决策、ξi表示对第i类样本数据集图像采取不承诺决策；

所述风险估计包括：

接受风险：

拒绝风险：

不承诺风险：R(ξi|y)＝λiξp·Pβi(Y|[y])+(1-Pβi(Y|[y]))；

根据所述风险估计，所述待识别图像采取进入所述三个区域中的某一个区域的决策包括：

当满足条件R(αi|y)≤R(ri|y)∧R(αi|y)≤R(ni|y)时，待识别图像采取对第i类样本数据集图像的接受的决策；

当满足条件R(ri|y)≤R(αi|y)∧R(ri|y)≤R(ni|y)时，待识别图像采取对第i类样本数据集图像的拒绝的决策；

当满足条件R(ni|y)≤R(αi|y)∧R(ni|y)≤R(ri|y)时，待识别图像采取对第i类样本数据集图像的不承诺的决策；

其中，评价函数定义为Pr(Y|[y])，风险函数为R(Δ|y)，其中，Y表示对y决策动作，Δ表示对y的决策动作，y表示决定，R(αi|y)表示在对第i类样本数据集图像决策过程中接受状态的风险函数，R(βi|y)表示在对第i类样本数据集图像决策过程中拒绝状态的风险函数，R(ξi|y)表示在对第i类样本数据集图像决策过程中延迟决策状态的风险函数；

表示在对第i类样本数据集图像决策过程中拒绝状态的评价函数；风险函数R(ri|y)表示第i类样本数据集图像决策动作ri的风险的数学期望，风险函数R(ni|y)表示第i类样本数据集图像中决策动作ni的风险的数学期望，∧表示同时满足。

5.根据权利要求4所述一种基于三支决策的图像识别方法，其特征在于：所述根据所述风险估计，所述待识别图像采取进入所述三个区域中的某一个区域的决策还包括：确保

当Pri(Y|[y])≥αi，待识别图像采取对第i类样本数据集图像的接受的决策；

当Pri(Y|[y])≤βi，待识别图像采取对第i类样本数据集图像的拒绝的决策；

当βi

6.根据权利要求1所述一种基于三支决策的图像识别方法，其特征在于：所述根据三支决策分类器的分类条件，把所述待识别的图像分为三个区域还包括：引入一对阈值(αi,βi)，则将样本数据集图像集合U分为以下三个区域：正区域：POS(αi,βi)＝{u∈∪|v(u)≥αi}；

负区域：NEG(αi,βi)＝{u∈∪|v(u)≤βi}；

边界域：BND(αi,βi)＝{u∈∪|βi＜v(u)＜αi}；

通过上述三个区域可以构造三支决策规则：正区域对应接受，负区域对应拒绝，边界域对应延迟决策，边界域也为延迟决策区域，其中，{u∈∪|v(u)≥αi}表示满足v(u)≥αi且u∈∪时，样本图像u的取值；{u∈∪|v(u)≤βi}表示满足v(u)≤βi且u∈∪时，样本图像u的取值；{u∈∪|βi＜v(u)＜αi}表示满足βi＜v(u)＜αi且u∈∪时，样本图像u的取值；对应全序关系≤，＜表示严格的全序关系；即：βi＜v(u)＜αi当且仅当βi≤v(u)≤αi且βi≠v(u)≠αi；

αi表示对第i类样本数据集图像的采取接受决策、βi表示对第i类样本数据集图像的采取拒绝决策、ξi表示对第i类样本数据集图像的采取不承诺决策；u表示样本图像，v(u)表示对样本图像u量化后的值。

7.根据权利要求1-6中任一所述的一种基于三支决策的图像识别方法，其特征在于：所述根据所述三支决策分类器的分类条件，把所述待识别的图像分为三个区域后，对所述延迟决策区域再次分类，包括：将已分类出的正区域作为新的正样本、已分类出的负区域作为新的负样本为训练条件，对所述三支决策分类器进行再次训练，直到所述延迟决策区域部分不可再分，达到临界值。

8.根据权利要求1所述的一种基于三支决策的图像识别方法，其特征在于，所述利用复合型支持向量机SVM对所述三支决策分类器分类出的正区域部分进行图像识别处理包括：利用复合型支持向量机SVM通过一对多分类方法，生成分类器，根据所述分类器将所述三支决策分类器分类出的正区域部分进行图像识别，实现最终的检测识别。

9.根据权利要求8所述的一种基于三支决策的图像识别方法，其特征在于，所述分类器包括：根据待识别图像的样本数据点得到的三类样本，制作分类器；其中，所述三类样本具体包括：将所述第一超平面上的待识别图像的样本数据点归为第一类，将所述第二超平面上的待识别图像的样本数据点归为第二类；将除去所述第一超平面和所述第二超平面上的待识别图像的样本数据点归为第三类。