1.一种基于CNN网络和SVM人脸识别方法，其特征在于，包括以下步骤：(1)建立重建函数，以使得通过所述重建函数来重建原始测试样本时，重建的测试样本与原始测试样本最接近；其中，确定重建函数具体包括：(11)设原始训练样本矩阵X所在的线性空S为线性概率协作空间，eX为X中所有原始训练样本的标签集，对于第i类原始测试样本y，若存在系数组合r，使得重建的测试样本yi＝X*r，并且yi最接近y，若将yi被分配到的类标签记为eXi，可知存在eXi∈eX；运用高斯函数来定义eXi∈eX的概率P(eXi∈eX)与r之间的关系：其中d为常数；

(12)基于X构造关于原始训练样本的辅助函数，并根据所述辅助函数和概率P(eXi∈eX)与r之间的所述关系以yi最接近y为目标构造目标函数；

(13)对所述目标函数进行求解以确定所述系数组合r，将所述系数组合r作为所述重建函数；对所述目标函数进行求解以确定所述系数组合r，具体为：令 为0，得到如下合适的解：

T T ‑1 T

r＝(X*X+g*W*W+k*I) *X*y             (7)其中I为可识别的矩阵；X*r就是相对于y的重建的测试样本yi；

(2)通过所述重建函数重建原始训练样本集得到新的训练样本集，并用新的训练样本集和所述原始训练样本集训练CNN网络；用新的训练样本集和所述原始训练样本集训练CNN网络，具体为：(21)将新的训练样本集输入CNN网络以构建辅助CNN网络，再用所述新的训练样本集训练所述辅助CNN网络后得到表示人脸面部特征的权值，使用训练所述辅助CNN网络后得到的权值去初始化所述CNN网络的除最后一层以外的层的权值，最后一层的权值采用随机初始化的方式得到；

(22)设置好所有层的权值之后，使用原始训练样本集去训练所述CNN网络；具体为：设定训练好的CNN网络中最终的批量大小为128，衰减系数设为0.0006，通过CNN网络提取人脸特征后再使用这些人脸特征去训练SVM；

(3)用训练好的CNN网络从所述原始测试样本集中提取有效特征，用提取的有效特征来训练SVM分类器，再通过训练好的SVM分类器识别所有的待识别样本；具体包括：对于给定的目标测试样本集，这些有效特征为训练好的CNN网络根据原始测试样本集输出的特征训练集和特征测试集中的一致特征，训练好的SVM中的训练标签与测试标签分别与CNN网络中对应训练标签与测试标签相同，使用径向基函数(Radial basis function,RBF)作为SVM分类器的核函数，训练好的SVM分类器的核函数为：2

K(si,sj)＝exp(‑β||si‑sj||)        (8)其中si和sj分别是输入SVM分类器的第i和第j个待识别样本，β是核参数；训练好的SVM分类器的识别函数为其中hi和hj分别是si和sj对应的类别，ai和aj分别是第i和第j个待识别样本的拉格朗日系数，σ是惩罚系数，l是待识别样本的总数。

2.根据权利要求1所述的方法，其特征在于，步骤(12)中，所述辅助函数表示为WX，W是一个关于X的对角矩阵，且其中，Xi为第i类原始训练样本矩阵，对应原始训练样本矩阵X的第i列；c为正整数，将WX对应的类标签记为ex+。

3.根据权利要求2所述的方法，其特征在于，步骤(12)进一步包括：(121)使用高斯函数来定义这样一个函数：

P(ey∈ex|ex+∈exi,exi∈ex)表示在添加辅助函数WX的情况下，原始测试样本y与重建的测试样本yi之间的相似概率，其中t为常数；

(122)令 ey为第i类原始测试样本矩阵的标

签集，根据概率P(eXi∈eX)与r之间的所述关系得出：其中h为一个常数，P(ey∈eX)越大，则重建的测试样本yi越接近原始测试样本y；

(123)令P(ey∈eX)达到最大值，则

所述目标函数表示为

进一步化简可得：

其中g和k均为常数。