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：