1.一種聚類再分類的人臉識(shí)別方法，其特征在于，包括：
獲取訓(xùn)練樣本，所述訓(xùn)練樣本包括目標(biāo)的若干個(gè)人臉圖像及每個(gè)圖像對(duì)應(yīng)目標(biāo)的身份信息；
對(duì)所述訓(xùn)練樣本中人臉圖像進(jìn)行均值化處理；
對(duì)所述均值化處理后的人臉圖像進(jìn)行Gabor紋理特征提取，得到每張人臉圖像對(duì)應(yīng)的特征向量；
利用PCA降維算法對(duì)所得每張人臉圖像提取的Gabor紋理特征進(jìn)行降維獲得降維后的特征向量；對(duì)所有降維后的特征向量進(jìn)行聚類運(yùn)算，直至距離收斂以完成聚類；
對(duì)聚類后的所有特征向量分類獲得若干子類，計(jì)算確定聚類后的每個(gè)子類的特征向量均值和聚類后所有特征向量的均值，及結(jié)合LDA分析算法計(jì)算獲得類內(nèi)距離和類間距離，求得使類間聚類和類內(nèi)距離比值最大的Fisher投影變換矩陣，并對(duì)聚類后的每個(gè)子類特征向量均值做Fisher投影變換，得到經(jīng)Fisher變換后的子類特征向量均值，訓(xùn)練完畢；
對(duì)待識(shí)別目標(biāo)的人臉圖像進(jìn)行特征提取得到特征向量，及對(duì)所提取待識(shí)別目標(biāo)的人臉圖像的特征向量處理獲得經(jīng)Fisher投影變換后的特征向量，并將其與每個(gè)子類經(jīng)Fisher投影變換后的特征向量均值依次計(jì)算距離，以獲得相似度；
提取相似度所對(duì)應(yīng)的子類和該子類中特征向量所對(duì)應(yīng)的目標(biāo)人臉圖像，并將提取得到的目標(biāo)人臉圖像所對(duì)應(yīng)身份信息確定為待識(shí)別目標(biāo)的身份信息。
2.根據(jù)權(quán)利要求1所述聚類再分類的人臉識(shí)別方法，其特征在于：所述訓(xùn)練樣本采用人臉檢測(cè)方法獲得目標(biāo)的人臉圖像。
3.根據(jù)權(quán)利要求2所述聚類再分類的人臉識(shí)別方法，其特征在于：所述人臉檢測(cè)方法包括：
檢測(cè)和鎖定目標(biāo)人臉，及采集獲得目標(biāo)人臉圖像；
對(duì)目標(biāo)人臉圖像做灰度化處理，并截取設(shè)定區(qū)域的人臉圖像后作為目標(biāo)的人臉圖像輸出。
4.根據(jù)權(quán)利要求1所述聚類再分類的人臉識(shí)別方法，其特征在于：所述訓(xùn)練樣本采用直接輸入的目標(biāo)人臉圖像獲得。
5.根據(jù)權(quán)利要求1所述聚類再分類的人臉識(shí)別方法，其特征在于：所述方法中對(duì)所有降維后的特征向量進(jìn)行聚類運(yùn)算，包括：
從所有降維后的特征向量中隨機(jī)取點(diǎn)，作為每個(gè)子類的中心點(diǎn)；
計(jì)算每個(gè)降維后的特征向量到所在子類中心點(diǎn)的距離；
更新每個(gè)子類的中心點(diǎn)，及再次計(jì)算每個(gè)降維后的特征向量到更新后所在的子類中心點(diǎn)的距離，直至距離收斂以完成聚類。
6.根據(jù)權(quán)利要求1所述聚類再分類的人臉識(shí)別方法，其特征在于：所述方法中提取獲得相似度最大的子類和該子類中特征向量所對(duì)應(yīng)的目標(biāo)人臉圖像。