1.基于多特征混合字典和概率预测机制的人脸识别方法，包括如下步骤：

步骤1、将拍摄的图像转化为灰度图，并归一化；

步骤2、将原灰度图划分为四个部分，对每一块进行单独的奇异值分解，得到每一块图像的奇异值特征向量，再将所有局部图像的奇异值特征向量与整体图像的奇异值特征向量组合起来得到一个局部与整体相结合的奇异值特征向量；组合的方法为:对各个局部图像的奇异值特征向量按照从上到下、从左到右的顺序排列，然后将整体图像的奇异值特征向量添加到排列好的向量的末尾，即得到局部与整体结合的特征向量；

步骤3、对原灰度图利用Gabor滤波器组对输入图像进行卷积处理,将滤波结果图像划分为均等不重叠的图像子块,并对每个图像子块取灰度平均值,把所有图像子块的灰度平均值串联起来即形成表示图像的特征向量；

步骤3、将基于奇异值分解的特征图和Gist特征融合，构建混合特征列向量；考虑到当构建原子的特征维度增加时，会导致原子的个数不满足远大于原子维度的约束条件，所以在这里对构建的混合特征进行PCA压缩操作；

步骤4、将数据集按步骤3将所有图片转化为混合特征列向量后，将数据集按7：2：1的比例划分为训练集、验证集和测试集；将训练集的图像产生的混合特征向量构建混合特征字典D；

步骤5、在解X0是足够稀疏的条件下，把L0范数下的最小值问题转化为求下面的L1范数最小值问题的解:(L1)：Y0＝argmin ||Y||1 s.t. Y＝ DX            (1)从混合字典矩阵D中，计算信号y与字典矩阵中每列原子的内积，选择绝对值最大的一个原子，它就是与信号y在本次迭代运算中最匹配的，见公式(2)；

这样，信号y就被分解为在最匹配原子的垂直投影分量和残值两部分，即：

再对分解的每一步对所选择的全部原子进行正交化处理，这使得在精度要求相同的情况下，能够增加算法的收敛速度；

这样选择一个与信号y最匹配的原子，构建一个稀疏逼近，并求出信号残差，然后继续选择与信号残差最匹配的原子，反复迭代；如果残差值在可以忽略的范围内，则信号y就是这些原子的线性组合；最终信号y由这些原子的线性合，再加上最后的残差值来表示；

n ^

步骤6、根据公式(5)计算残差，其中δi(x^)∈R 为非零项是x 中与类别i相关的项的向量；

min ri(y)＝||y‑Aδi(x^)||2，i＝1,2,...,k             (5)步骤7、通过统计系数的分布情况得到关联分数，根据SoftMax函数，把关联分数转化为预测概率，以误差和预测概率相结合的方式作为分类的依据；

步骤8、根据步骤7选出残差最小的类别即为识别的结果。

2.如权利要求1所述的基于多特征混合字典和概率预测机制的人脸识别方法，其特征在于：在步骤1具体包括：使用专业摄像头，在正常光照情况对人脸图像进行采集，保证人脸处于图像的中央位置。

3.如权利要求1所述的基于多特征混合字典和概率预测机制的人脸识别方法，其特征在于：在步骤3中采用的Gabor滤波器的优势体现在对物体纹理特征的提取上；Gabor滤波器对于图像的亮度和对比度变化以及图像姿态变化具有较强的鲁棒性，表达的是对图像识别最为有用的局部特征。

4.如权利要求1所述的基于多特征混合字典和概率预测机制的人脸识别方法，其特征在于：在步骤4中的字典构建要保证DN*K其中N要满足远小于K的要求，即相对完备正交基而言，保证过完备基的基底是冗余的，这样D才是足够完备的，才能保证在所有原子所张开的空间足够包含所有训练样本，且利用字典的冗余特性更好地捕捉样本本质特征。