1.一种用于人脸识别的自适应图正则化非负矩阵分解方法，其特征在于：包括以下步骤：S1.将C组人脸照片均进行向量化处理，得到数据矩阵X；

S2.将数据矩阵X分解成基矩阵和系数矩阵的乘积，并对基矩阵和系数矩阵中的每个元素加上非负约束，通过数据矩阵X与基矩阵和系数矩阵乘积之差的欧氏距离值的平方逼近数据矩阵X；

S3.设置相似矩阵，对数据矩阵X分解后的S2步骤的系数矩阵进行约束，得到处理后的相似矩阵S；其中数据矩阵X分解后的系数矩阵中两个数据点Vi和Vj间的相似度为Sij；

S4.利用对角矩阵与拉普拉斯矩阵对相似矩阵S进行处理，使相似矩阵S中的任何数据点都有C个连通分量；

S5.引入权重约束项λ，利用Ky Fan’s Theorem，得到带有权重约束项λ的相似矩阵S，得到自适应图；

S6.对S5步骤得到的自适应图作为正则化约束项引入到数据矩阵X的非负矩阵分解目标函数中，最终迭代求解得到的系数矩阵对人脸照片进行识别。

2.权利要求1所述的一种用于人脸识别的自适应图正则化非负矩阵分解方法，其特征m×n在于：数据矩阵X＝[X1,X2,...,Xn]∈R ,其中Xi(i＝1,2,...n)代表第i个数据点，每个数据点都是一个m维向量，共有n个数据样本；

T 2 T m×k

其中，S2步骤中的数据矩阵X的整体结构为：O＝||X‑UV || ；其中，X≈UV ；U∈R 是基n×k矩阵，V∈R 是系数矩阵；将k为聚类数。

3.权利要求1所述的一种用于人脸识别的自适应图正则化非负矩阵分解方法，其特征在于：S3步骤中的相似矩阵S的表达式为：

4.权利要求1所述的一种用于人脸识别的自适应图正则化非负矩阵分解方法，其特征在于：S4步骤中，利用度矩阵与拉普拉斯矩阵对相似矩阵S进行处理过程是：为了使相似矩阵S中的任何数据点都有C个连通分量，引入以下等式：n×c 1×c

其中F∈R 是数据矩阵X所对应的标签矩阵，fi∈R 和

1×c

fj∈R 分别表示F第i行和第j行,Ls是拉普拉斯矩阵， 第i项为根据rank(Ls)＝n‑c，得到：

其中， 为对角矩阵；设σi(Ls)是Ls的第i个最小特征值，其中σi(Ls)≥0，根据Ky Fan’s Theorem，得到：最后，S6步骤中的非负矩阵分解目标函数为：