1.一种基于协同表示和池化及融合的人脸识别分类方法，其特征在于由以下步骤组成：

(1)人脸图像数据库A＝[a11,a12,...a1n；...am1,am2...amn；]，amn为第m类的第n张人脸图像，m和n均为正整数，从人脸图像数据库A的每类人脸图像中随机选取k张人脸图像，k为正整数且k＜n，共选取m×k张人脸图像作为训练人脸图像集B＝[b11,b12,...b1k；...bm1,bm2,...bmk；]，bmk为第m类第k张训练人脸图像，剩余m×(n‑k)张人脸图像作为测试人脸图像集C＝[c11,c12,...c1(n‑k)；...cm1,cm2,...cm(n‑k)；]，cm(n‑k)为第m类第n‑k张测试人脸图像；

(2)对训练人脸图像集B和测试人脸图像集C分别进行最大池化、平均池化和最小池化处理，得到最大池化训练人脸图像集B′＝[b′11,b′12,...b1k；...b′m1,b′m2,...b′mk；]、平均池化训练人脸图像集B″＝[b″11,b″12,...b″1k；...b″m1,b″m2,...b″mk；]、最小池化训练人脸图像集B″′＝[b″′11,b″′12,...b″′1k；...b″′m1,b″′m2,...b″′mk；]、最大池化测试人脸图像集C′＝[c′11,c′12,...c′1(n‑k)；...c′m1,c′m2,...c′m(n‑k)；]、平均池化测试人脸图像集C″＝[c″11,c″12,...c″1(n‑k)；...c″m1,c″m2,...c″m(n‑k)；]、最小池化测试人脸图像集C″′＝[c″′11,c″′12,...c″′1(n‑k)；...c″′m1,c″′m2,...c″′m(n‑k)；]，b′mk为第m类第k张最大池化训练人脸图像，b″mk为第m类第k张平均池化训练人脸图像，b″′mk为第m类第k张最小池化训练人脸图像,c′m(n‑k)为第m类第n‑k张最大池化测试人脸图像，c″m(n‑k)为第m类第n‑k张平均池化测试人脸图像，c″′m(n‑k)为第m类第n‑k张最小池化测试人脸图像；

(3)对最大池化训练人脸图像集B′、最大池化测试人脸图像集C′、平均池化训练人脸图像集B″、平均池化测试人脸图像集C″、最小池化训练人脸图像集B″′、最小池化测试人脸图像集C″′进行归一化处理；

(4)确定最大池化训练人脸图像集B′协同表示每一张最大池化测试人脸图像c′hg的最大池化误差向量

(4.1)从步骤(3)归一化处理后的最大池化测试人脸图像集C′中取出最大池化测试人脸图像c′hg，h∈[1,m]，g∈[1,n‑k]，h和g均为正整数，用最大池化训练人脸图像集B′表示最大池化测试人脸图像c′hg，其表示系数为ρ，T ‑1 T

ρ＝(B′B′+λ*Is) B′c′hg

T ‑6 ‑1

式中B′为最大池化训练人脸图像集B′的转置，λ为正则化参数，λ∈(10 ，10 )，I为s阶单位矩阵，s＝k×m；

(4.2)用第i类最大池化训练人脸图像集U表示最大池化测试人脸图像c′hg的最大池化误差为ri，

ri＝||c′hg‑Uρ||2/||ρ||2

式中U＝[b′i1,b′i2,...b′ik]，b′ik为第i类第k张最大池化训练人脸图像，i＝1,2,...m，i为正整数；

(5)用平均池化训练图像集B″协同表示每一张平均池化测试图像c″hg的平均池化误差向量

(5.1)经步骤(3)归一化处理后的平均池化测试人脸图像集C″中取出平均池化测试人脸图c″hg，h∈[1,m]，g∈[1,n‑k]，h和g均为正整数，用平均池化训练人脸图像集B″表示平均池化测试人脸图像c″hg，其表示系数为ρ′，T ‑1 T

ρ′＝(B″B″+λ*Is) B″c″hg

T ‑6 ‑1

式中B″为平均池化训练人脸图像集B″的转置，λ为正则化参数，λ∈(10 ，10 )，I为s阶单位矩阵，s＝k×m；

(5.2)用第i类平均池化训练人脸图像集L表示平均池化测试人脸图像c″hg的平均池化误差为r′i，

ri′＝||c″hg‑Lρ′||2/||ρ′||2式中L＝[b″i1,b″i2,...b″ik]，b″ik为第i类第k张平均池化训练人脸图像，i＝1,2,...m，i为正整数；

(6)确定最小池化训练图像集B″′协同表示每一张最小池化测试图像c″′hg的最小池化误差向量

(6.1)经步骤(3)归一化处理后的最小池化测试人脸图像集C″′中取出最小池化测试人脸图c″′hg，h∈[1,m]，g∈[1,n‑k]，h和g均为正整数，用最小池化训练人脸图像集B″′表示最小池化测试人脸图像c″′hg，其表示系数为ρ″，T ‑1 T

ρ″＝(B″′B″′+λ*Is) B″′c″′hgT ‑6 ‑1

式中B″′为最小池化训练人脸图像集B″′的转置，λ为正则化参数，λ∈(10 ，10 )，I为s阶单位矩阵，s＝k×m；

(6.2)用第i类最小池化训练人脸图像集Q表示最小池化测试人脸图像c″′hg的平均池化误差为r″i，

ri″＝||c″′hg‑Qρ″||2/||ρ″||2式中Q＝[b″′i1,b″′i2,...b″′ik]，b″′ik为第i类第k张最小池化训练人脸图像，i＝1,

2,...m，i为正整数；

(7)对最大池化误差向量、最小池化误差向量和平均池化误差向量进行加权融合，得到融合后的误差向量，求出误差向量中最小值所对应人脸图像数据库A中的类别，将步骤(4)取出的最大池化测试人脸图像c′hg和步骤(5)取出的平均池化测试人脸图像c″hg及步骤(6)取出的最小池化测试人脸图像c″′hg所对应的测试人脸图像集中的人脸图像分配到该类；

所述加权融合的公式如下：

d＝w[r1,r2,...ri,...rm]+w′[r1′,r2′,...r′i,...r′m]+w″[r1″,r2″,...r″i,...r″m]式中d为融合后的误差向量，w为最大池化误差向量对应的权值，w′为平均池化误差向量对应的权值，w″为最小池化误差向量对应的权值。

2.根据权利要求1所述的基于协同表示和池化及融合的人脸识别分类方法，其特征在于所述的步骤(2)中最大池化、平均池化和最小池化处理方法为：设置池化窗口的尺寸为2×2像素，将训练人脸图像集B和测试人脸图像集C中的人脸图像划分为均等不重叠的2×2子块，分别取每个图像子块像素值的最大值、平均值和最小值作为该块的特征值，并用每个子块的特征值代表该子块。