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。
2.根据权利要求1所述的人脸识别方法,其特征在于,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个样本所对应的的系数矩阵H,只更新新来样本 所对应的的 更新迭代规则如下:其中 和gt是第一个非负整数满足如下公式: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:
上式中得 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。
3.根据权利要求2所述的人脸识别方法,其特征在于,在所述步骤a4、a5中 和 相互迭代规则为: