1.人脸图像数据分布式存储方法，其特征在于，包括步骤S1：通过前端采集设备实时捕捉驾驶员人脸图像；

步骤S2：利用边缘计算节点判断捕获的人脸图像的光照条件，根据光照条件进行动态归一化处理，基于光照条件将人脸图像自适应灰度化，并通过缩放与剪切后将处理后的人脸图像上传至数据中心；

步骤S3：数据中心对动态归一化处理后的人脸图像数据进行特征提取，所述特征提取包括局部特征提取、全局特征提取，构建特征集；

步骤S4：基于特征集，进行初步处理，包括特征集拆分，编码，压缩，加密，然后通过分布式存储在数据中心创建冗余备份并建立索引；

步骤S5：个性化处理单元根据当前驾驶员特征集与所述数据中心存储的特征集进行比对，判断驾驶员的人脸图像是否匹配以确定车辆的控制权限；

所述全局特征提取的具体步骤包括:

对人脸图像进行全局纹理提取，对人脸图像应用不同大小的邻域窗口，进行多尺度提取，计算每个窗口的LBP特征值，合并所有尺度的LBP特征值，形成多尺度LBP特征向量；

对人脸图像进行全局边缘形状特征提取，将人脸图像划分为多个层次的区域，在每个层次的区域上独立提取HOG特征，并将所有层次的特征合并成一个长向量；

所述全局纹理提取的步骤包括：

配置邻域窗口大小，对每个像素点以其为中心应用邻域窗口；

计算每个窗口的LBP特征值，

即： ，其中， 是

中心像素点的坐标， 是第 个周围像素点的坐标， 表示坐标 处的像素值， 表示坐标 处的像素值，是邻域内像素点的数量， 是阶跃函数，定义为： ，此时，取 时，若 大于

，则 取值为1，若 小于或等于 ，则

取值为0；

配置偏移角度阈值 ，对于每个像素点，计算其在偏移角度阈值范围内的LBP值，并取其最小值作为该像素点的最终LBP特征值，即：，其中，是旋转角度，其取值范围为 ，

是在旋转角度 下的LBP特征值；

合并所有邻域窗口配置的LBP特征值，将每个尺度下得到的LBP特征值合并为一个长向量。

2.如权利要求1所述的人脸图像数据分布式存储方法，其特征在于，所述动态归一化处理的具体步骤包括：获取人脸图像，通过计算人脸图像的亮度分布、对比度和色彩饱和度的统计量判断光照条件，计算公式如下：，其中，是光照条件的综合评价值， 是人

脸图像亮度均值， 是人脸图像亮度标准差， 是人脸图像色彩饱和度， 是人脸图像对比度，是一个正常数；

配置光照阈值 与 ，且 小于 ，若 ，则判定人脸图像处于低光环境中，若，则判定人脸图像处于高光环境中，否则处于正常光环境中。

3.如权利要求1所述的人脸图像数据分布式存储方法，其特征在于，所述局部特征提取的具体步骤包括：识别图像中的关键点，对于每个检测到的关键点，配置窗口，将窗口内的像素分为子窗口，并计算每个子窗口的梯度直方图，连接所有子窗口的直方图形成描述符向量；

将所有描述符向量堆叠成矩阵，进行奇异值分解，选择最大的k个特征值对应的特征向量进行数据投影，实现降维；

计算待匹配描述符向量与人脸数据库中每个描述符向量之间的距离，将距离最小的描述符向量的人脸局部特征标签作为待匹配描述符向量的标签。

4.如权利要求1所述的人脸图像数据分布式存储方法，其特征在于，所述全局边缘形状特征提取的具体步骤包括：将人脸图像划分为多个层次区域，形成一个多层次的网格结构；

对于每个层次的区域，计算该区域内每个像素点的梯度幅值和梯度方向，对于该区域的任意一个像素点 ，其梯度幅值和梯度方向计算公式为：， ，其中， 是像素点

的梯度幅值， 是像素点 的梯度方向， 和 是像素点 的水平和垂直方向的梯度；

将梯度方向进行区间方向划分，对于每个像素点，根据其梯度方向将其梯度幅值累加到对应区间的直方图中，并对每个区域的梯度方向直方图进行动态归一化处理；

将所有层次的区域中的梯度方向直方图合并成一个长向量。

5.如权利要求1所述的人脸图像数据分布式存储方法，其特征在于，所述特征集加密的具体步骤包括：基于编码、压缩后的数据片段，分别对原始人脸图像、局部特征和全局特征采用不同的加密级别，进行多级分别加密，具体包括：第一级加密，使用加密算法对编码、压缩后的原始人脸图像数据片段进行一级加密，生成密钥并进行密钥编码，作为密钥特征向量，保存至局部特征向量中；

第二级加密，使用加密算法对局部特征数据片段进行二级加密，生成新的密钥并进行密钥编码，作为密钥特征向量，保存至全局特征向量中；

第三级加密，使用加密算法对全局特征数据片段进行三级加密，生成最终的密钥并进行密钥编码，作为密钥特征向量，保存至安全存储区域中。

6.如权利要求5所述的人脸图像数据分布式存储方法，其特征在于，所述分布式存储的具体步骤包括：数据中心对接收到的人脸特征集进行深度处理，所述深度处理包括特征集拆分、特征集编码、特征集压缩以及特征集加密；

根据加密级别，分别对原始人脸图像、局部特征和全局特征配置副本因子，并根据所述副本因子进行冗余备份；

对数据中心配置分布式存储架构，并对冗余备份后的原始人脸图像、局部特征和全局特征进行分布式存储；

通过负载均衡技术，将数据访问请求分散到分布式存储架构的多个数据节点上，以避免单个节点的过载问题；

在车辆内部设置本地存储设备，用于缓存边缘计算节点获取归一化后的人脸图像以及数据中心提取的全局特征；

配置更新阈值 ， 用于衡量需更新的时间间隔， 用于衡量需更新的内存容量，当本地存储设备缓存更新的时间间隔大于 时或者本地存储设备的内存容量小于时，自适应的将本地缓存的归一化后的人脸图像同步到数据中心。

7.如权利要求1所述的人脸图像数据分布式存储方法，其特征在于，所述判断驾驶员的人脸图像是否匹配的具体步骤包括：检测当前车辆网络是否连接，若网络已连接，向远程数据中心发送请求，获取实时更新的人脸图像特征集，将捕获到的驾驶员面部图像特征与数据中心提供的特征集进行复杂特征匹配，根据匹配结果判断当前驾驶员是否已存在于该车的数据中心中；

若网络未连接，则转入本地验证模式，从车辆的本地存储设备中读取预先缓存的归一化人脸图像和全局特征，使用本地数据进行简单特征匹配，以确定驾驶员身份，根据本地匹配结果判断当前驾驶员是否已存在于该车的本地存储设备中。

8.如权利要求7所述的人脸图像数据分布式存储方法，其特征在于，所述简单特征匹配包括：通过边缘计算节点获取当前驾驶员的归一化后的人脸图像，与本地存储设备中的归一化的人脸图像进行相似性度量，配置相似度阈值，输出相似度度量大于相似度阈值的人脸图像标识符；

当输出的人脸图像标识符的个数为0时：则拒绝当前驾驶员的访问请求，不提供车辆的控制权限；

当输出的人脸图像标识符的个数为1时：则通过可视化界面展示识别结果，并请求当前驾驶员确认；

当输出的人脸图像标识符的个数大于1时：则针对每个输出的人脸图像标识符，获取其对应的全局特征，并调用边缘计算节点获取当前驾驶员人脸图像的全局特征，进行相似性度量，输出相似度最高的人脸图像标识符，并请求当前驾驶员确认。