1.一种人脸识别方法，其特征在于，包括以下步骤：对人脸训练数据进行预处理得到输入数据矩阵；

引入鲁棒范数 构建具有鲁棒特性的任意三角形结构2DPCA优化模型，包括：；

公式中， 为输入数据矩阵；V为投影矩阵； 是矩阵的迹运算； 和 为对角元素；p是0‑2的输入变量参数；N表示为输入数据矩阵的数量；m表示为输入数据矩阵中元素的数量；i表示为输入数据矩阵的序号；j表示为输入数据矩阵中元素的序号；

基于输入数据矩阵求解任意三角形结构2DPCA优化模型的最大化问题过程为：基于输入数据矩阵和投影矩阵计算获得对角矩阵的对角元素；由对角矩阵的对角元素确定加权协方差矩阵的权重系数，计算获得具有保护全局几何结构的加权协方差矩阵；由加权协方差矩阵前若干个最大特征值对应的特征向量组成投影矩阵；设定收敛条件并循环迭代，直至满足收敛条件求得最优投影矩阵；

利用最优投影矩阵对人脸测试样本进行特征提取获得低维特征，利用低维特征进行人脸识别预测。

2.根据权利要求1所述的人脸识别方法，其特征在于，对人脸训练数据进行预处理得到输入数据矩阵，包括：将人脸训练数据转化为输入增广矩阵后作为图像数据，设定图像降至的目标维度和训练数据类别数量，对图像数据做中心化处理，中心化处理后将图像尺寸调整为[30，50]，并进行图像灰度化以及图像增强，将处理完的图像的数据转为一列的矩阵，得到输入数据矩阵。

3.根据权利要求1所述的人脸识别方法，其特征在于，基于输入数据矩阵和投影矩阵计算获得对角矩阵的对角元素，包括：；

；

公式中， 为输入数据矩阵；V为投影矩阵；  和 为对角元素；p是0‑2的输入变量参数。

4.根据权利要求3所述的人脸识别方法，其特征在于，计算获得具有保护全局几何结构的加权协方差矩阵，包括：由输入数据矩阵组成样本增广矩阵A，表达公式为：；

将对角元素 和对角元素 相加获得对角元素 ；由对角元素 组成对角矩阵U；样本增广矩阵A和角矩阵U获得加权协方差矩阵 ；t表示为迭代步数。

5.根据权利要求4所述的人脸识别方法，其特征在于，计算加权协方差矩阵，由对角元素 ，对角元素 和对角元素 确定加权协方差矩阵的权重系数。

6.根据权利要求1所述的人脸识别方法，其特征在于，设置收敛条件为：；

式中， 是目标函数，以任意三角形结构2DPCA优化模型的最大化问题为目标函数，是在第t步迭代输出的投影矩阵， 是在第t‑1步迭代输出的投影矩阵，为设定阈值；

根据设置的投影矩阵进行迭代，直至求出最优投影矩阵，当求出的投影矩阵满足收敛条件时即为最优投影矩阵。

7.一种电子终端，其特征在于，包括处理器及存储介质；所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至6任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。