1.一种联合双字典和误差矩阵的遮挡表情识别方法，其特征在于，所述方 法包括如下步骤：S1：数据预处理，从数据库中获取数据样本集，将样本集通过旋转使眼睛水平面对准，并根据两眼间的距离来从原始的表情图像裁剪出只含正面人脸表情的矩形区域，将头发，脖子的冗余信息都去除掉；

S2：遮挡模拟，将预处理后的数据样本集通过在不同位置添加不同大小的黑块来进行遮挡模拟，遮挡模拟后的数据样本作为训练样本；

S3：训练阶段，将若干张表情图像训练样本进行低秩分解得到表情特征和身份特征，其中表情特征和身份特征均采用矩阵进行表示；给定一组训练样本X＝[X1，X2...，Xc]，分解函数如下所示：分别对每类训练样本进行低秩分解，通过分解后得到L，S；

n×mc

L＝[L1，L2，..，Lc]∈R

n×mc

S＝[S1，S2，..，Sc]∈R

式中L表示表情特征矩阵，S表示身份特征矩阵，c表示类别数；将表情图像的表情特征和身份特征分离开，分别进行字典学习，得到类内相关字典以及差异结构字典的双字典模式；所述表情特征矩阵为低秩矩阵，所述身份特征矩阵为稀疏矩阵；

S4：通过双字典来重构出测试图像的身份特征和表情特征，同时引入一个编码误差来表示噪声信息，最终根据各类别表情特征在联合稀疏表示中的贡献量来实现分类。

2.根据权利要求1所述的一种联合双字典和误差矩阵的遮挡表情识别方法，其特征在于，步骤S4具体过程如下：S4.1：构建基于双字典和误差协同表示分类方法模型如下：s.t.y＝Ax1+Bx2+e

式中e表示如下：e＝ea+eb+es，公式中x1为字典A的稀疏系数向量，x2为字典B的稀疏系数向量，字典A表示表情特征的字典，B表示身份特征的字典，ea表示重建表情特征的误差，eb表示重建身份特征的误差，es表示遮挡带来的误差；λ，η，β都表示权重系数，能够进行调整；y表示测试样本；

S4.2：使用非精确拉格朗日来解决优化上述基于双字典和误差协同表示分类方法模型，优化函数如下：公式中φ是拉格朗日乘法的一个向量，ξ是惩罚项参数；

通过优化函数得到测试表情图像的系数和噪声信息，通过重构出测试图片的身份部分和遮挡部分的信息，去掉与表情无关的部分，减少数据的冗余部分；

dy＝y‑Bx2‑e

公式中dy表示测试图片干净的表情特征，Bx2表示重构出的身份信息，e表示噪声信息同时也包含遮挡带来的误差信息；

S4.3：计算测试样本的类别标签，判别测试样本的类别，公式如下：其中i表示类别，i∈(1，c)；x1为字典A的稀疏系数向量；identity(y)输出测试样本的标签；δ(i)是一个矩阵，其中第i个元素为1，其余都为0；

S4.4：根据计算的类别标签将样本图片划归所属分类，根据分类结果计算测试集的识别率。

3.根据权利要求1所述的一种联合双字典和误差矩阵的遮挡表情识别方法，其特征在于，所述数据库为CK+数据库和KDEF数据库。

4.根据权利要求1所述的一种联合双字典和误差矩阵的遮挡表情识别方法，其特征在于，步骤S3选用了6种表情图像。