1.以关键点局部邻域的高频分析为核心的模糊人脸判别方法，包括下列步骤：方法训练阶段：

(1)搭建由清晰人脸和模糊人脸图像组成的训练样本集合；

(2)标定各人脸图像上处在核心位置的关键点的坐标，并进行关键点提取模型的训练；

(3)依据位于眼部区域的所有关键点的坐标，计算眼部区域的重心位置；

(4)根据连接两眼重心的向量对各人脸图像进行标准化；

(5)取每个关键点周围邻接的方形局部区域，以其为特征提取的对象区域；

(6)提取各关键点局部邻接区域的高频图像特征；

(7)根据训练样本集，为每一人脸关键点对应的局部邻接区域分别训练一个基于高频图像特征的模糊判别分类器，用于对当前关键点特征区域是否模糊的区分判断；

(8)将所有关键点局部邻域的模糊判别分类器集成整合为一个统一的人脸模糊判断分类器；

在线使用阶段：

(9)提取待判定图像上的人脸关键点坐标，并对图像进行标准化处理；

(10)提取待判定图像上每一关键点对应局部邻域的高频图像特征；

(11)将关键点局部领域的高频图像特征输入已训练构建的集成分类器，判定整幅人脸图像是否模糊。

2.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(1)中，训练图像的大小均为128*128，训练样本集合中包含清晰人脸图像

100幅和模糊人脸图像100幅。

3.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(2)中，人脸上的关键点共49个，分别位于：眼睛(12个)、眉毛(10个)、鼻子(9个)、嘴巴(18个)。

4.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(2)中，面部关键点的位置由人工进行直接标定，并在标定完成之后，将所有训练样本及其对应关键点位置用于对受限局部模型(CLM)进行学习训练，该模型将用于进行人脸关键点的自动提取。

5.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(3)中，眼部区域重心的计算方法为：其中，xlec和xrec分别表示左眼和右眼的重心； 为位于左眼部区域所有关键点的坐标，Nle表示左眼关键点数目； 为位于右眼部区域所有关键点的坐标，Nre表示右眼关键点数目。

6.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(4)中，连接两眼重心的向量为l＝xlec-xrec。

7.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(4)中，人脸图像的标准化由方向和尺度的标准化两部分构成：方向标准化指将整幅人脸图像以向量l的中点为中心进行旋转，直到该向量方向完全水平；尺度标准化指对整幅图像进行等比放缩，使得l的长度达到预设常数大小C，本发明方法中C＝80；其中，图像旋转和尺度变换均采用图像仿射变换的形式实现。

8.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(5)中，特征提取对象区域(即关键点局部邻接区域)的大小为11*11，关键点处在该区域的中心位置。

9.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(6)中，采用离散余弦变换提取关键点局部邻接区域内图像的频域信息，并取其中90％的高频信息作为特征用于模糊判别。

10.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(7)中，采用随机森林分类器进行关键点局部邻接区域的模糊判别。

11.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(8)中，对于关键点分类器的集成，采用基于AdaBoost算法的弱分类器集成策略。

12.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(9)中，对待判定图像面部关键点的获取采用受限局部模型算法自动进行；对图像的标准化处理包括方向和尺度两方面的标准化，采用与处理训练图像相同的方法。

13.根据权利要求1所述的以关键点局部邻域的高频分析为核心的模糊人脸判别方法，其特征在于，步骤(10)中，对待判定图像的关键点局部邻域的高频特征提取采用与训练集图像相同的方法。