1.一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，其特征在于，所述方法包括步骤：对非全面多视角人脸图像数据集提取每个视角中的存在样本；

从存在样本中学习视角限定标志点，以表示包括非全面样本在内的所有样本的分布，采用直接交替采样方法选择标志点，构建视角限定的标志点图；

对每个视角的标志点图进行正交非负矩阵分解，得到视角限定的软指示矩阵；

将各视角的软指示矩阵堆叠成张量，通过最小化张量Schattenp-范数来捕捉视角间的高阶相关性和互补信息；

通过统一的二分图框架和张量低秩约束，有效处理视角间的非全面性，再将每个视角的软指示矩阵进行融合得到最终的共识指示矩阵；

对所得的共识指示矩阵进行奇异值分解，并选取左奇异向量的前c个分量进行K均值聚类(c是类簇个数)，得到最终聚类结果，最后对最终聚类结果计算其聚类准确率。

2.根据权利要求1所述的一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，其特征在于，对非全面多视角人脸图像数据集提取每个视角的存在样本：其中，X表示所有视角的存在样本特征矩阵，X

3.根据权利要求1所述的一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，其特征在于，使用直接交替采样方法为每个视角选择标志点，构建视角限定的标志点图，所述交替采样选取标志点方法定义如下：其中，

4.根据权利要求1所述的一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，其特征在于，对每个视角的标志点图进行正交非负矩阵分解，得到视角限定的软指示矩阵，其中视正交非负矩阵分解的表达公式如下：其中，

5.根据权利要求1所述的一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，其特征在于，将各视角的软指示矩阵堆叠成张量，通过最小化张量Schattenp-范数来捕捉视角间的高阶相关性和互补信息，最小化张量Schattenp-范数的定义如下：其中，

6.根据权利要求1所述的一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，其特征在于，通过统一的二分图框架和张量低秩约束，有效处理视角间的不全面性，最后将每个视角的软指示矩阵进行融合得到最终的共识指示矩阵，统一二分图框架结合张量低秩约束和共识矩阵定义如下：其中，B

7.根据权利要求1所述的一种基于标志点与张量多维图学习的非全面多视角人脸图像聚类方法，其特征在于，根据所得聚类结果，计算所述非全面多视角人脸图像数据集上的聚类准确率。