1.一种基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，其特征在于：包括以下步骤：S1：误差提取阶段：通过特征金字塔的方式使用扩展稀疏表示得到重建误差；所述步骤S1包括以下步骤：S11：构造训练字典X、类内变化字典V；

S12：将训练字典X、类内变化字典V和测试样本y分别划分为1、4、16个大小相同的图像块；

S13：计算每个尺度L下测试样本y的每个图像块的表示系数，计算公式为：其中， 和 为求解的第L个尺度下的稀疏表示系数，且满足公式(1)中的最小值；

L

和 分别表示第L个尺度下的第j块的训练字典和类内变化字典，θ和 表示第L个尺度下的稀疏表示系数，μ是正则化参数；

S14：用同伦法求解步骤S13的1范数最小化问题；

S15：计算每个尺度L下测试样本y的每个图像块j的表示误差 计算公式为：其中i表示第i个类别， 表示第L个尺度下的第j块测试图像，函数δi输出一个向量，其唯一非零列是 中与第i类关联的列；

S2：误差编码阶段：通过动态误差编码对不同尺度的重建误差进行修正，多尺度融合完成人脸识别过程；所述步骤S2包括以下步骤：L

S21：求出每个尺度下的每一块的表示误差的权重系数w(eij)，计算公式为：其中， α和β是可调参数；

S22：将每一块的权重系数与误差相乘，得到修正后的误差 计算公式为：S3：判别概率分类阶段：将不同块的误差基于概率求出权重系数联合分类。

2.根据权利要求1所述的基于多尺度动态误差编码和判别概率分类的单样本人脸识别方法，其特征在于：所述步骤S3具体包括以下步骤：S31：将修正后的误差经过判别概率分类策略，根据可信度来调整局部块的权重，从而进行分类，具体过程如下：其中， 是按数值由小到大排列的函数， 和 分别代表ej由小到大排列之后的最小值和第二小值；sort表示从小到大排列的函数；

S32：计算所述局部块分类的可信度，作为当前块的权重系数，然后重新得到新的表示残差其中，exp表示指数函数，参数μ和δ是可调节的，使得当 较大时， 接近1，而当 接近0时， 接近0；

S33：将每个尺度下的每一块的表示误差相加，最小的误差那一类即为测试样本的类别：