[发明专利]一种基于改进增量式非负矩阵分解的人脸识别方法

摘要

本发明公开了一种基于改进增量式非负矩阵分解的人脸识别方法，其采用了基于Fisher判别分析的增量式非负矩阵解算法。该算法利用初始样本训练的先验信息，通过索引矩阵将新增系数的列向量赋值为对应类别的均向量，提高了算法的收敛速度；此外，将INMF算法改进为批量式的增量学习算法，利用索引矩阵进行初始化赋值，并对目标函数施加类间散度最大和内度最小的约束，从而获得最佳的子空间投影。本方案具有较高的识别率和较快的识别速度，适用于人脸识别等场合。

主权项

1.一种基于改进增量式非负矩阵分解的人脸识别方法，其特征在于，包括以下步骤：A、对初始训练样本和增量训练样本进行预处理，并将每幅图像表示成带有类别标签的向量形式，初始训练样本矩阵为VP，新增训练样本矩阵为VQ，全部训练样本为VR＝{VP,VQ}，VP对应的系数矩阵为HP，VQ对应的系数矩阵为HQ,VR对应的系数矩阵为HR，所有样本的类别标签总数为C类；B、对初始样本VP采用非负矩阵分解算法进行训练，通过下式的迭代更新得到基矩阵WP：将基矩阵WP作为增量训练中基矩阵WR的初始值；C、将新增训练样本的系数矩阵HQ中的每个向量根据其对应的标签信息，初始化为已得到的原始系数矩阵HP中相同类别的均值向量，并引入索引矩阵A，满足：其中aij表示索引矩阵A第i行j列的元素值，hj表示HQ中第j列系数向量；D、初始化系数矩阵HQ为HQ_init，其中H_mean为均值系数矩阵，其列向量为顺序排列的H_P中第1类系数向量的均值向量，列向量为顺序排列的H_P中第2类系数向量的均值向量，以此类推；E、设定最大迭代次数maxiter；F、计算属于k类的新增训练样本对应系数矩阵的均值向量k的值为1至C，Qk表示HQ中属于第k类的系数向量总数；G、计算所有新增训练样本对应系数矩阵的均值向量H、迭代更新求解增量训练后的新基矩阵WR和新系数矩阵HQ直至迭代次数等于所设定的maxiter，迭代公式如下：上式中表示属于第k类中第ρ列系数向量的第d个元素，下标q与ρ的对应关系为η是Fisher判别项权重参数；下标nd表示该矩阵第n行第d列的元素值，下标d表示该向量第d个元素；I、将HQ置于HP右边，即得到HR＝[HP HQ]；J、利用WR对待识别人脸图像数据集VX进行特征提取，即HX＝WR‑1VX，并采用最近邻分类器计算HX与HR中各样本间的欧式距离实现对VX的人脸识别。