1.一种基于局部保持非负矩阵分解的增量学习人脸识别方法，其特征在于，包括以下步骤：a)人脸图像的预处理：将每张人脸图像规范化成一个同一规格的样本；

b)初始样本训练：运用LPNMF算法计算初始样本的基矩阵W和系数矩阵H；

c)增量学习：对新来样本运用增量的LPNMF算法更新基矩阵 和系数矩阵d)人脸识别：采用最近邻分类器进行识别检测；

在所述步骤c)中，对新来样本运用增量的LPNMF算法更新基矩阵 和系数矩阵 包括下述六个步骤：a1对于新来的样本 已给出初始样本训练矩阵V＝[v1,v2,…,vn]，确定更新样本矩阵为a2初始化基矩阵 和随机初始化系数矩阵a3设定最大迭代次数t，相互迭代更新 和 使得a4步骤a3中的 按如下迭代规则更新：其中α和β是权重系数，α代表初始样本的比重，β代表新来样本的比重，取β＝1-α；

a5步骤a3中的 不更新前n个样本所对应的系数矩阵H，只更新新来样本 所对应的更新迭代规则如下：其中 和gt是满足如下公式的第一个非负整数：其中0＜σ＜1和符号<.,.>代表两个矩阵的点积；

a6步骤a5中 计算如下：

上式中的 采用块优化策略计算，初始化 更新规则如下：其中i从1取到N；N代表样本分块的总数， 为第i块的拉普拉斯算子；Si定义为：

其中 代表第i块索引集。