[发明专利]一种基于增量式受限非负矩阵分解的人脸识别方法

说明书

本发明公开了一种基于增量式受限非负矩阵分解的人脸识别方法，其包括以下步骤：对初始训练样本和新增训练样本进行预处理；初始化基矩阵；如果新增训练样本携带标签信息，则将矩阵V_k、Z_k及A_k分块，否则直接进入下一步；更新或z_new和W_k+1，直至满足收敛条件；重新组合矩阵，得到新增训练样本后的辅助矩阵Z_k+1和受限矩阵A_k+1；更新系数矩阵以后利用W_k+1对待识别人脸图像数据集进行特征提取及识别。本方案对携带或不携带标签信息的新增样本都可以进行准确的增量训练。

技术领域

本发明涉及计算机人脸识别领域，尤其是涉及一种基于增量式受限非负矩阵分解的人脸识别方法。

背景技术

近二十年来，人脸识别技术作为一种高效的生物特征识别技术，日益受到学术界以及工业界的重视。非负矩阵分解(NMF)是在矩阵元素均为非负数的约束条件下的一种矩阵分解方法。NMF是一种局部特征提取方法，其将人脸表示成基图像的线性组合，而基图像代表了眼、鼻子、嘴等人脸的局部特征，符合人类思维局部构成整体的概念。

传统的非负矩阵分解算法在训练过程中没有利用标签信息。现实应用中，初始样本和增量样本未必都是没有携带标签信息的，即未被标记。当有少量或是部分标签信息时，利用该类别信息能够有效地对原始数据的子空间降维过程进行指导，使得降维后的特征子空间具有更好的聚类效果。

发明内容

本发明主要是解决现有技术所存在的不能有效区别应对新增训练样本是否携带标签信息的技术问题，提供一种样本携带或不携带标签信息都能准确进行增量训练的基于增量式受限非负矩阵分解的人脸识别方法。

本发明针对上述技术问题主要是通过下述技术方案得以解决的：一种基于增量式受限非负矩阵分解的人脸识别方法，包括以下步骤：

A、对初始训练样本和新增训练样本进行预处理，初始训练样本矩阵为V_k，初始辅助矩阵为Z_k，初始受限矩阵为A_k，初始基矩阵为W_k，k为初始训练样本个数；

B、初始化基矩阵W_k+1←W_k，判断新增训练样本是否携带标签信息，如果带标签信息，则跳转到步骤C；如果不带标签信息则跳转到步骤F；

C、新增训练样本为带有第x类标签，新增辅助向量为将矩阵V_k、Z_k及A_k按下述规则分块：

V_k＝[V_P,V^x,V_Q]；Z_k＝[Z_P,z^x,Z_Q]；

V^x为V_k中所有被标记为第x类的训练样本，V_P为V^x之前的训练样本(即类别数小于x的所有训练样本)，V_Q为V^x之后的训练样本(即类别数大于x的所有训练样本)，Z_P为与V_P对应的辅助矩阵，z^x为V^x对应的辅助矩阵，Z_Q为V_Q对应的辅助矩阵，A_P为V_P对应的受限矩阵，A^x为V^x对应的受限矩阵，A_Q为V_Q对应的受限矩阵；

D、初始化新增辅助向量按以下规则更新和W_k+1，直至满足收敛条件：