1.一种应用于手机的侧脸解锁方法，其特征在于：包括以下步骤：
1）、当需要对手机进行解锁时，接收用户解锁操作指令，控制自动开启手机摄像头，通过手机摄像头获取人体头部的侧脸图像；
2）、利用侧脸识别技术对侧脸图像进行侧脸识别，并识别出当前侧脸；
3）、将识别出的当前侧脸与手机中预先储存的基准侧脸进行对比认证，判断是否相同；
4）、当判断出当前侧脸与预先储存的基准侧脸匹配时手机中的控制单元控制屏幕解锁；当判断出当前侧脸与预先储存的基准侧脸不匹配时自动返回步骤1）。
2.根据权利要求1所述的应用于收集的侧脸解锁方法，其特征在于，上述步骤2）中的侧脸识别保护如下步骤：
A、读取侧脸图像，并获取侧脸图像中的关键像素点，所述关键像素点包括眼角像素点、鼻尖上的像素点、嘴角的像素点、下颚的像素点以及颧骨上的像素点；
B、对于步骤A中的关键像素点，利用SIFT方法进行特征描述，提取侧脸图像的特征并获得SIFT侧脸特征向量；
C、将步骤B中得到的特征向量映射到intra-personal子空间中；为了削弱噪声的影响，首先需要将步骤B中得到的特征向量利用PCA方法进行降维，形成特征脸；其协方差矩阵表达式如下：
C=Σi=1n(xi-m)(xi-m)T]]>
其中，n为侧脸样本数量，xi表示侧脸向量，m为n个侧脸向量的均值；由于协方差矩阵描述了向量之间的相关性，因此上述协方差矩阵的特征向量形成映射矩阵，根据映射矩阵对侧脸图像数据进行映射，即可形成特征脸；然后，为了保证同一个人不同的侧脸图像之间的类内不变性，将特征脸映射到intra-personal子空间中，其协方差矩阵表达式如下：
CS=Σ(i,j)∈S(xi-xj)(xi-xj)T]]>
其中，S表示同一个人的侧脸图像集合，xi和xj表示同一个人的侧脸图像集合中不同的两张侧脸图像的侧脸向量；∧＝{λ1,…,λk}和V＝(v1,…,vk)分别表示上式协方差矩阵的前k个特征值和特征向量；同样地，前k个特征向量形成映射矩阵，将上述特征脸数据通过该映射矩阵进行映射，从而保证同一个人的侧脸图像之间的类内不变性；如果Cs是可逆的，那么，特征脸映射到intra-personal子空间用下式来表达：
LS=Vdiag(λ11/2,...,λk1/2)]]>
x~=LS-1x]]>
其中，V是由上述k个特征向量形成的映射矩阵，是由上述k个特征值所组成的对角矩阵，即最终形成的特征矩阵；
D、利用双线性相似度函数和马氏距离来计算侧脸特征向量之间的相似度得分值；
E、利用KELM分类器判断两张图片是否来自于同一个人；将步骤D中得到的相似度分值作为KELM分类器的输入，所得到的输出若为1，则表明侧脸图像与预先储存的基准侧脸来自于同一个人，若为0，则表明侧脸图像与预先储存的基准侧脸来自于不同的人。
3.根据权利要求2所述的应用于收集的侧脸解锁方法，其特征在于，上述步骤B中的利用SIFT方法进行特征描述，提取侧脸图像的特征并获得SIFT侧脸特征向量具体为：
取每个关键像素点领域内的一些像素点，计算每个像素点的梯度模值和方向；定义某个像素点的坐标为P(x,y)：
m(x,y)=(P(x+1,y)-P(x-1,y))2+(P(x,y+1)-P(x,y-1))2]]>
θ(x,y)＝tan-1((P(x,y+1)-P(x,y-1))/(P(x+1,y)-P(x-1,y)))
其中，m(x,y)为该像素点的梯度模值，θ(x,y)为该像素点的梯度方向；
根据上式的计算结果，利用直方图统计领域内像素点的梯度方向；为减少突变影响，需要用高斯函数对直方图进行平滑；那么，直方图的峰值代表了关键像素点领域像素点的梯度主方向，也即关键像素点的方向；
为了保持旋转不变性，将坐标轴旋转为关键像素点的方向，然后以关键点为中心，取16×16大小的领域窗口，在每4×4大小的格子中计算8个梯度方向的直方图，最终形成4×4×8＝128维的SIFT人脸特征向量。
4.根据权利要求3所述的应用于收集的侧脸解锁方法，其特征在于，上述步骤4中利用双线性相似度函数和马氏距离来计算两个人脸特征向量之间的相似度得分值，其表达式如下：
f(M,G)(x~i,x~j)=SG(x~i,x~j)-dM(x~i,x~j)]]>
SG(x~i,x~j)=xiTGxj]]>
dM(x~i,x~j)=(xi-xj)TM(xi-xj)]]>
其中，表示和特征矩阵之间的双线性相似度函数，表示和特征矩阵之间的马氏距离；G和M均为k×k大小的矩阵，需要训练合适的M和G来尽量保证类内不变性的同时保证类间的最大可辨别性；因此，将intra-personal子空间相似度量学习的表达式定义成如下形式：
minM,G∈SdΣt∈Pξt+γ2(||M-I||F2+||G-I||F2)]]>
s.t.yij[f(M,G)(x~i,x~j)]≥1-ξij]]>
ξt≥0,∀t=(i,j)∈P=S∪D]]>
其中，S和D分别表示相似人脸对(即同一个人的两张人脸图片)和不相似人脸对(即不同人的两张人脸图片)的标签；||·||F是矩阵的F范数，即矩阵元素绝对值的平方和再开方；其作用类似于向量的2范数，因此，表达式在保证类内不变性的同时有效地防止过拟合现象；ξt是经验判别的损失函数，最小化该参数可以增强类间的可辨别性；由此可见，ξt保证了类间的最大可辨别性，而保证了类内不变性，而正数γ用来协调这两个表达式所带来的影响；对于上述表达式中的不等式，当一对人脸图片来自于同一个人时，yij＝1，而ξij的值较小，于是的值会尽可能大；而当一对人脸图片来自于不同的人时，yij＝-1，而ξij的值较小，于是的值会尽可能小；因此，当值较大时，则表明侧脸图像与预先储存的基准侧脸来自于同一人，反之，则表明表明侧脸图像与预先储存的基准侧脸来自于不同的人。
5.根据权利要求4所述的应用于收集的侧脸解锁方法，其特征在于，上述步骤E中的KELM分类器的输出函数如下：
fL(xi)=K(xi,x1)...K(xi,xn)T(IC+K)-1Y]]>
Y＝[y1；...；yn]∈Rn×c
其中，C是一个回归系数。
6.根据权利要求1-5任一所述的应用于收集的侧脸解锁方法，其特征在于，上述步骤1）中，通过手机摄像头获取人体头部的侧脸图像的时候，手机摄像头在获取人体头部的侧脸图像的时候根据环境光进行关照补偿。