[发明专利]基于深度学习多层非负矩阵分解的人脸识别方法

权利要求书

1.基于深度学习多层非负矩阵分解的人脸识别方法，包括：

(1)将训练样本的每个通道数据输入到VGG-Face深度卷积神经网络中，得到训练样本每个通道数据的特征数据X(k)，其中，k＝1,2,...,K，K为训练样本的通道数；

(2)对步骤(1)得到的特征数据X(k)分别进行归一化、非线性变换和矩阵分解的特征提取过程，得到系数矩阵H(k)；

(3)将步骤(2)中的特征提取过程重复L次，得到低秩鲁棒特征h_j(k)，其中，j＝1,2,...,n，n为训练样本总数；具体实现步骤如下：

(3a)根据步骤(2)对训练样本的各个通道的特征数据X(k)进行处理，得到第1层基矩阵Z¹(k)和第1层系数矩阵H¹(k)，其中，k＝1,2,...,K；

(3b)根据步骤(2)对步骤(3a)得到的第1层系数矩阵H¹(k)进行处理，得到第2层基矩阵Z²(k)和第2层系数矩阵H²(k)；

(3c)根据步骤(3a)和(3b)继续重复相同步骤，根据第l-1层系数矩阵H^l-1(k)，得到第l层基矩阵Z^l(k)和第l层系数矩阵H^l(k)，直到重复次数l＝L，得到第L层基矩阵Z^L(k)和第L层系数矩阵H^L(k)，其中，l＝2,...,L，L为多层非负矩阵分解的层数；

(3d)根据步骤(3c)得到的第L层系数矩阵H^L(k)，得到训练样本各个通道的低秩鲁棒特征h_j(k)，其中，j＝1,2,...,n；

(4)根据步骤(3)得到的低秩鲁棒特征h_j(k)，构造K个最近邻分类器；

(5)将测试样本的每个通道数据输入到VGG-Face深度卷积神经网络中，得到测试样本每个通道数据的特征数据Y(k)；

(6)根据步骤(5)得到的特征数据Y(k)进行投影过程，得到投影系数向量

(7)将步骤(6)得到的投影系数向量输入到K个最近邻分类器中，得到测试样本每个通道的分类结果，其中，i＝1,2,...,e，e为测试样本总数；

(8)综合步骤(7)得到的测试样本每个通道的分类结果，得到测试样本的分类结果。

2.根据权利要求1所述的方法，其中所述步骤(2)的实现步骤如下：

(2a)使用L2范数对特征数据X(k)进行归一化处理；

(2b)使用sigmoid函数对步骤(2a)归一化处理后的结果进行非线性变换，得到变换后的结果B(k)；

(2c)使用软约束非负矩阵分解对步骤(2b)中非线性变换后的结果B(k)进行矩阵分解，得到B(k)≈Z(k)A(k)F(k)，其中，B(k)为m×n阶矩阵，Z(k)为m×φ阶的基矩阵，A(k)为φ×c阶的辅助矩阵，F(k)为c×n阶的预测标签矩阵，m为原始特征维数，φ为分解维数，c为类别数，n为训练样本总数；

(2d)根据步骤(2c)中软约束非负矩阵分解后得到的辅助矩阵A(k)和预测标签矩阵F(k)，得到系数矩阵：H(k)＝A(k)F(k)。