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技术

本发明专利技术公开一种基于局部保持非负矩阵分解(LPNMF)的增量学习人脸识别方法，其涉及模式识别技术领域，本质是一种基于在线学习的人脸识别方法，实现步骤如下：a)人脸图像的预处理；b)初始样本训练；c)增量学习；d)人脸识别。该方法不仅可以适用于线性和非线性的人脸识别系统，而且保持了人脸图像原空间的局部结构，大大提高了识别率，可在线实际应用。

【技术实现步骤摘要】
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
本专利技术涉及一种模式识别
，具体涉及一种基于局部保持非负矩阵分解(LPNMF)的增量学习人脸识别方法。
技术介绍
近二十年来，人脸识别技术作为一种高效的生物特征识别技术，日益受到学术界以及工业界的重视。人脸识别研究的关键是特征提取，有基于全局特征的提取，也有基于局部特征的提取。特征脸方法也称为主元分析法(PCA)，是一种基于全局特征提取的人脸识别方法。PCA将主成分提取出来，减少了样本间的冗余信息，达到了降维的目的。然而，特征脸方法有几个缺点：a)如何选取主元仍然是个问题；b)当训练样本线性不可分时，特征脸方法的识别率很低；c)基于全局特征的PCA无法提取到局部特征。非负矩阵分解(NMF)是在矩阵元素均为非负数的约束条件下的一种矩阵分解方法。NMF是一种局部特征提取方法，其将人脸表示成基图像的线性组合，而基图像代表了眼、鼻子、嘴等人脸的局部特征，符合人类思维局部构成整体的概念。这种方法最早由Lee等人提出并成功应用于基于物体局部特征的识别，之后研究人员对NMF方法进行了更深入的研究。研究者们提出了几种改进算法如局部非负矩阵分本文档来自技高网...

【技术保护点】
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。FDA00003526086800011.jpg,FDA00003526086800012.jpg

【技术特征摘要】
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：

【专利技术属性】
技术研发人员：郑建炜，陈宇，邱虹，蒋一波，王万良，金亦挺，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：