1.一种基于支持向量机的人像数据的分类方法，其特征在于，包括以下步骤：S1、获取人像原始数据，采用基于完全随机森林CRF去噪方法去除人像原始数据中的噪声，得到低噪声人像数据集；

S2、将低噪声人像数据集作为支持向量机的训练集输入SVM中，SVM分类低噪声人像数据，得到分类后的人像数据，并将分类后的人像数据作为人像识别的新训练集。

2.根据权利要求1所述的一种基于支持向量机的人像数据的分类方法，其特征在于，步骤S1中，采用基于完全随机森林CRF去噪方法去除人像原始数据中的噪声，得到低噪声人像数据集，包括以下过程：

S11、采用完全随机决策树CRDT方法构建完全随机森林CRF，构建好的完全随机森林CRF中包括无数棵CRDT决策树，完全随机决策树中，一个叶子节点代表标签属性，决策树的每个节点最多只能有两个子节点；

S12、CRF中的类噪声初检测：对人像原始数据进行类噪声初步检测，得到CRF中所有叶子节点的噪声强度值ni，设置整棵决策树的噪声强度阈值NI，比较每棵树中的每个节点(xj,yj)的噪声强度值xj.ni和噪声强度阈值NI，如果节点(xj,yj)中的噪声强度值xj.ni大于或等于噪声强度阈值NI，即xj.ni≥NI，则表明在树tk中该节点(xj,yj)初步判定为类噪声，标记tk(xj)＝1；否则表明该节点(xj,yj)不是类噪声，标记tk(xj)＝0；

按照此种方式对每一棵CRDT决策树中的所有节点进行类噪声初步检测后，得到初步类噪声检测结果；

S13、CRF中的类噪声确定：采用投票机制对初步类噪声检测结果中初步标记为类噪声的节点进行类噪声的再次判定，得到类噪声集DC；

S14、去除人像原始数据中的类噪声：根据类噪声集DC，将样本中的类噪声去除，得到低噪声人像数据集。

3.根据权利要求2所述的一种基于支持向量机的人像数据的分类方法，其特征在于，步骤S13中，CRF中的类噪声确定的具体过程包括：

1)遍历完全随机森林CRF中的每一棵树的每一个叶子节点(xj,yj)，用投票机制计算(xi,yi)节点在Ntree棵树中被初步判定为类噪声的总数T(xj)，

2)判断：若某节点(xi,yi)在大于等于一半以上的树中被初步判定为类噪声，则该节点就被最终确定为类噪声节点，添加到类噪声集DC中，即将满足下式的节点最终确定为类噪声节点：

其中， 1为噪声，0为非噪声；Ntree为包含节点(xi,yi)的CRDT树的总数；T(xj)为(xi,yi)节点在Ntree棵树中被初步判定为类噪声的总数。

4.根据权利要求2所述的一种基于支持向量机的人像数据的分类方法，其特征在于，CRDT决策树中包括同类节点和异类节点，分别定义如下：同一类型的训练集D＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中 为训练集D中的第i个样本，yi为第i个样本对应的标签，且y1＝y2＝…＝yn＝C，C为某一常量；对于测试样本(xj,yj)，若yi＝C，则称(xj,yj)与D中的点属于同类节点；反之，若yi≠C，则称(xj,yj)与D中的点属于异类节点。

5.根据权利要求2所述的一种基于支持向量机的人像数据的分类方法，其特征在于，CRDT决策树中还包括类噪声节点，噪声强度大于噪声强度阈值NI的节点被视为类噪声节点。

6.根据权利要求2所述的一种基于支持向量机的人像数据的分类方法，其特征在于，步骤S12中，CRF中一个叶子节点的噪声强度值取决于该叶子节点的标签与其父类节点标签的不同程度，具体确定方式包括：从该叶子节点向上遍历，直至找到与该叶子节点标签值相同的节点时停止遍历，该叶子节点的噪声强度值为遍历两个相同标签值的叶子节点之间所经过的叶子节点数量；若从该叶子节点持续向上遍历到根节点还未找到与该叶子节点标签值相同的节点，则叶子节点的噪声强度值为该叶子节点的父节点数量。