本发明涉及人脸识别领域，特别涉及一种人脸识别方法。
背景技术：
随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术的到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。
在人脸识别技术的应用中，受人脸区域的光照、遮挡、尺度或移动等因素影响，人脸识别算法的性能达不到预想效果。
技术实现要素：
本发明的目的是为了是为了解决以上现有技术的不足，提供一种新的自动扶梯失电的制动方法，具有识别准确、实现简单、安全实用的特点。
一种人脸识别的方法，其步骤如下：
1)将训练集的每一个人脸图像都拉长一列，作为一个向量；
2)将所有的人脸在对应维度上加起来，求平均，得到一个“平均脸”；
3)将每个图像都减去那个平均脸图像，得到差值图像的数据矩阵；
4)计算协方差矩阵，再对其进行特征值分解，得到想要的特征向量；
5)将训练集图像和测试集的图像都投影到这些特征向量上，再对测试集的每个图像找到训练集中的最近邻，进行分类识别。
其中，获取人脸向量合集后求其平均值的公式为：
其中ψ为平均图像，m为训练集人像个数，γ为训练集人脸向量。
其中，计算平均图像插值的公式为：
φi＝γi-ψ
其中φ为差值，γ为训练集人脸向量，ψ为平均图像。
其中，特征值计算公式为：
其中，λ为特征向量，m为训练集人像个数，u为单位向量。
有益效果：
本发明可以将采集到的人脸信息进行统一处理，获得鉴别矩阵，通过对比进行人脸识别，具有识别准确、实现简单、安全实用的特点。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
一种人脸识别的方法，其步骤如下：
1)将训练集的每一个人脸图像都拉长一列，作为一个向量；
2)将所有的人脸在对应维度上加起来，求平均，得到一个“平均脸”；
3)将每个图像都减去那个平均脸图像，得到差值图像的数据矩阵；
4)计算协方差矩阵，再对其进行特征值分解，得到想要的特征向量(特征脸)；
5)将训练集图像和测试集的图像都投影到这些特征向量上，再对测试集的每个图像找到训练集中的最近邻，进行分类识别。
其中，获取人脸向量合集后求其平均值的公式为：
其中ψ为平均图像，m为训练集人像个数，γ为训练集人脸向量。
计算平均图像插值的公式为：
φi＝γi-ψ
φ为差值，γ为训练集人脸向量，ψ为平均图像。
特征值计算公式为：
其中，λ为特征向量，m为训练集人像个数，u为单位向量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。