1.一种基于特征描述符的部分遮挡人脸识别方法，其特征在于，具体按照以下步骤实施：步骤1、对人脸数据集中的三维人脸进行主曲率计算，以最大主曲率和最小主曲率检测到的关键点作为人脸关键点；

所述步骤1具体按照以下步骤实施：

步骤1.1、设人脸数据集中各个人脸的曲面S的方程为f(x,y)，任意选取曲面S上的点作为P点，设P点坐标为(x0，y0，z0)，曲面S上的曲线表示为x＝x(t)，y＝y(t)，因此将曲面S表示为f＝f(x(t)，y(t))，等式两边同时对t求导，具体操作按公式(1)进行处理：步骤1.2、定义3个基本量E，F，G，其中基本量E为曲面S在P点对x的一阶偏导的平方，基本量F为曲面S在P点对x的一阶偏导与曲面S在P点对y的一阶偏导的乘积，基本量G为曲面S在P点对y的一阶偏导的平方，具体操作按公式(2)‑(4)所示：E＝fx(x0，y0，z0)fx(x0，y0，z0) (2)F＝fx(x0，y0，z0)fy(x0，y0，z0) (3)G＝fy(x0，y0，z0)fy(x0，y0，z0) (4)步骤1.3、求点P的法向量n，具体操作按公式(5)进行处理：n＝(fx(x0，y0，z0)，fy(x0，y0，z0)，)fz(x0，y0，z0) (5)步骤1.4、再定义三个基本量L、M、N，其中L为曲面S在P点对x的二阶偏导与该点单位法向量的乘积，M为曲面S在P点对x与y的二阶偏导与该点单位法向量的乘积，N为曲面S在P点对y的二阶偏导与该点单位法向量的乘积，计算方法见公式(6)‑(8)，步骤1.5、假设曲面上P点的主曲率为k，则k满足公式(9)：步骤1.6、公式(9)经推导得公式(10)：

2 2 2

(EG‑F)k‑(LG‑2MF+NE)k+(LN‑M) (10)公式(10)是一个关于k的一元二次方程，通过求解得到两个根k1和k2，如果k1>k2，则k1为P点的最大主曲率，k2为P点的最小主曲率，利用此方法，求出曲面S上各个点的最大主曲率和最小主曲率，并找出曲面S上最大主曲率最大的点与最小主曲率最小的点分别当作曲面S的关键点，即每个曲面S都有两个关键点，通过上述步骤即求得人脸关键点，最终每个三维人脸都包含多个关键点；

步骤2、以人脸深度的最低点为中心，裁剪出人脸中未被遮挡的部分；

所述步骤2具体按照以下步骤实施：

利用步骤1计算得到的三维曲面中点P的最大主曲率k1和最小主曲率k2计算三维曲面中点P的形状指数SI(P)，计算公式如(11)所示：以形状指数SI(P)最小的点为中心，裁剪出人脸中未被遮挡的部分；

步骤3、以检测到的关键点为中心，提取特征区域，对关键点构造八邻域，从八邻域内任意选取两个顶点与关键点结合构成多重空间三角特征描述符；

步骤3具体按照以下步骤实施：

步骤3.1、以步骤1计算得到的关键点为中心构造八邻域L，在八邻域L中任选取两个点与所得到的关键点构造空间三角形，为每个关键点均构造一个空间三角形；

步骤3.2、基于每个空间三角形，设计四个几何特征：四个几何特征分别为：基于每个空间三角形，设计四个几何特征：四个几何特征分别为：特征Ⅰ：关键点与所述步骤3.1的八邻域L中任选取的两个点连线之间夹角的角度；特征Ⅱ：关键点与所述步骤3.1的八邻域L中任选取的两个点构成的外接圆；特征Ⅲ：关键点到所述步骤3.1的八邻域L中任选取的两个点连线的距离；特征Ⅳ：所述步骤3.1的八邻域L中任选取的两个点的连线与Z轴之间的夹角；

步骤3.3、针对步骤3.2中四种几何特征，构造四个直方图：将每个空间三角形的特征向量均归一化到[‑1,+1]之间的范围，然后将特征向量均匀地量化为直方图，最后将四个直方图以矢量的形式连接起来表示人脸的特征，形成多重空间三角统计描述符；

步骤4、将数据集中所有人脸的多重空间三角特征描述符加入到特征字典当中，完成特征字典构建；

所述步骤4具体按照以下步骤实施：

步骤4.1、假设数据集中三维人脸数为Q，通过步骤3的特征描述符构造过程，将数据集中所有的人脸都构造一组特征描述符，第i个人的第j个关键点所构造的特征描述符表示为di，j，然后将第i个人的所有的特征描述符构造成特征描述符字典Di，特征描述符字典表Di示为公式(12)：Di＝[di，1，di，2，…，di，j] (12)

数据集中所有人脸的特征描述符字典D表示为公式(13)：

D＝[D1，D2，...，DQ] (13)；

步骤4.2、将一个具有c个关键点的三维面部当作测试人脸，每个检测到的关键点构造一组描述符yu，c个关键点构造的特征描述符表示为Y，如公式(14)所示：Y＝(y1，y2，...，yu，...，yc) (14)；

步骤5、采用稀疏表示的方法完成三维遮挡人脸识别。

2.根据权利要求1所述的一种基于特征描述符的部分遮挡人脸识别方法，其特征在于，所述步骤5具体按照以下步骤实施：步骤5.1、步骤4中的测试人脸Y的特征描述符由数据集人脸D中某个人脸的特征描述符稀疏表示，公式如(15)所示：其中，X＝(x1，x2，...，xb，…，xc)为稀疏系数矩阵，||xb||0表示l0范数，即计算向量中非零的个数，Q为数据集D中人脸的总数；

步骤5.2、由于每个人面部描述符之间相互独立，所以公式(15)可以等价的解决l0范式最小化问题，如公式(16)所示：在公式(16)中，xb为稀疏系数，Z是用于控制解的稀疏性的参数，通过正交匹配追踪算法求解公式(16)得到公式(17)：其中，δi(·)是仅与第i个人相关的特征，通过公式(17)的计算，测试人脸Y由数据集D中的某个人脸di稀疏表示，数据集中与测试人脸Y匹配的人脸di即为要识别的人脸。