基于核非负矩阵分解的人脸识别方法、系统及存储介质技术方案

本发明专利技术公开一种基于核非负矩阵分解的人脸识别方法、系统及存储介质，其方法包括：构造分数阶内积核函数，所述分数阶内积核函数对幂指数参数无限制；通过分数阶内积核函数和核非负矩阵分解的组合，得到分数阶内积核非负矩阵分解算法；通过分数阶内积核非负矩阵分解算法进行人脸识别。本发明专利技术克服了多项式核函数的幂参数只能为整数的问题，使幂参数的选取更加灵活；有效克服了人脸识别中姿势和光照的变化；而且算法具有很快的收敛速度和优越的识别性能。

Face recognition method, system and storage medium based on kernel nonnegative matrix decomposition

The invention discloses a method of face recognition, kernel non negative matrix factorization based on system and storage medium, the method includes: constructing the fractional kernel function, the fractional order kernel function has no limit to the exponential parameter; by fractional kernel function and kernel non negative matrix factorization, fractional the kernel non negative matrix factorization algorithm; the fractional kernel non negative matrix factorization algorithm for face recognition. The invention overcomes the problem that the power parameter of polynomial kernel function can only be integers, makes the selection of power parameters more flexible, effectively overcomes the change of posture and illumination in face recognition, and the algorithm has fast convergence speed and superior recognition performance.

【技术实现步骤摘要】
基于核非负矩阵分解的人脸识别方法、系统及存储介质
本专利技术属于人脸识别
，涉及一种基于核非负矩阵分解的人脸识别方法、系统及存储介质。
技术介绍
随着社会信息化和网络化的快速发展，人脸识别已经成为模式识别与图像处理领域最热门的研究主题之一，也是图像分析与机器视觉的最成功的应用之一。人脸识别技术具有便捷性、可靠性和安全性，是人们比较普遍接受的生物识别方法，且在国家安全、社会经济、家庭娱乐等领域都发挥着非常重要的作用。在人脸识别技术的快速发展中，有许多人脸识别算法被相继提出，具有代表性的有主成分分析(PCA)、线性判别分析(LDA)、局部保持投影(LPP)、非负矩阵分解(NMF)等。这几种算法都是线性方法，其中NMF算法与其他算法的根本区别是它能保证矩阵元素的非负性。NMF算法的目的是将一个高维的非负矩阵X近似分解为两个低秩的非负矩阵W和H，即X≈WH，其中矩阵W被称为基图像矩阵，矩阵H被称为系数(特征)矩阵。矩阵X的每一列向量都可以看作为对矩阵W中的所有列向量(称为基图像)的加权和，加权系数为矩阵H中对应列向量的元素。如果矩阵X的每一列代表一张人脸图像，那么基图像是人脸的一些局部本文档来自技高网...

【技术保护点】
一种基于核非负矩阵分解的人脸识别方法，其特征在于，包括以下步骤：构造分数阶内积核函数，所述分数阶内积核函数对幂指数参数无限制；通过所述分数阶内积核函数和核非负矩阵分解的组合，得到分数阶内积核非负矩阵分解算法；通过所述分数阶内积核非负矩阵分解算法进行人脸识别。

【技术特征摘要】
1.一种基于核非负矩阵分解的人脸识别方法，其特征在于，包括以下步骤：构造分数阶内积核函数，所述分数阶内积核函数对幂指数参数无限制；通过所述分数阶内积核函数和核非负矩阵分解的组合，得到分数阶内积核非负矩阵分解算法；通过所述分数阶内积核非负矩阵分解算法进行人脸识别。2.根据权利要求1所述的基于核非负矩阵分解的人脸识别方法，其特征在于，所述基于核非负矩阵分解的人脸识别方法还包括：构造目标函数的辅助函数；利用所述辅助函数从理论上证明了所述分数阶内积核非负矩阵分解算法的收敛性。3.根据权利要求1所述的基于核非负矩阵分解的人脸识别方法，其特征在于，所述分数阶内积核函数为分数次幂内积核函数。4.根据权利要求3所述的基于核非负矩阵分解的人脸识别方法，其特征在于，在训练阶段，所述通过所述分数阶内积核非负矩阵分解算法进行人脸识别的步骤包括：步骤1：将样本图像表示为非负列向量，并将训练样本向量组合成矩阵X；步骤2：给出特征数r、最大迭代次数Imax、误差阈值ε、初始矩阵W和H；步骤3：利用更新迭代准则，通过交叉迭代的方法更新矩阵W和H；步骤4：如果损失函数F(...

【专利技术属性】
技术研发人员：陈文胜，刘敬敏，王倩，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44