[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

摘要

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Vk、Zk及Ak分块，否则直接进入下一步；更新或znew和Wk+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Zk+1和受限矩阵Ak+1；更新系数矩阵以后利用Wk+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。

主权项

1.一种基于增量式受限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，V_Q为V^x之后的训练样本，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：为所有被标记为第x类的训练样本连同一起组成的矩阵，为对应的辅助矩阵，为对应的受限矩阵；其中i＝1,2,…，n，j＝1,2,…,r；n为样本初始维数，r为降维后样本维数。E、将矩阵重新组合，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：然后跳转到步骤H；F、新增训练样本为v_new，其对应的新增辅助向量为z_new，随机初始化z_new，按以下规则更新z_new和W_k+1，直至满足收敛条件其中i＝1,2,…,n，j＝1,2,…,r，n为样本初始维数，r为降维后样本维数。G、将矩阵重新组合，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：Z_k+1＝[Z_k,z_new]；进入步骤H；H、更新系数矩阵H_k+1＝Z_k+1A_k+1；I、利用W_k+1对待识别人脸图像数据集V_D进行特征提取，即H_D＝W_k+1^‑1V_D，并采用最近邻分类器计算H_D与H_k+1中各样本间的欧式距离实现对V_D的人脸识别。