[發明專利]一種基于改進增量式非負矩陣分解的人臉識別方法

有效

• 申請號: 201810605837.7
• 申請日: 2018-06-13
• 公開（公告）號: CN108846357B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 蔡競
• 申請（專利權）人: 浙江警察學院
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774
• 代理公司: 杭州知見專利代理有限公司 33295
• 代理人: 盧金元

1.一種基于改進增量式非負矩陣分解的人臉識別方法，其特征在于，包括以下步驟：

A、對初始訓練樣本和增量訓練樣本進行預處理，并將每幅圖像表示成帶有類別標簽的向量形式，初始訓練樣本矩陣為V_P，新增訓練樣本矩陣為V_Q，全部訓練樣本為V_R＝{V_P,V_Q}，V_P對應的系數矩陣為H_P，V_Q對應的系數矩陣為H_Q,V_R對應的系數矩陣為H_R，所有樣本的類別標簽總數為C類，C表示初始訓練樣本的類別總數；

B、對初始樣本V_P采用非負矩陣分解算法進行訓練，通過下式的迭代更新得到基矩陣W_P：

將基矩陣W_P作為增量訓練中基矩陣W_R的初始值；

C、將新增訓練樣本的系數矩陣H_Q中的每個向量根據其對應的標簽信息，初始化為已得到的原始系數矩陣H_P中相同類別的均值向量，并引入索引矩陣A，滿足：

其中a_ij表示索引矩陣A第i行j列的元素值，h_j表示H_Q中第j列系數向量；

D、初始化系數矩陣H_Q為H_{Q_init}，

其中H_mean為均值系數矩陣，其列向量為順序排列的H_P中第1類系數向量的均值向量，列向量為順序排列的H_P中第2類系數向量的均值向量，以此類推；

E、設定最大迭代次數maxiter；

F、計算屬于k類的新增訓練樣本對應系數矩陣的均值向量

k的值為1至C，Q_k表示H_Q中屬于第k類的系數向量總數；

G、計算所有新增訓練樣本對應系數矩陣的均值向量

H、迭代更新求解增量訓練后的新基矩陣W_R和新系數矩陣H_Q直至迭代次數等于所設定的maxiter，迭代公式如下：

上式中表示屬于第k類中第ρ列系數向量的第d個元素，下標q與ρ的對應關系為η是Fisher判別項權重參數；下標nd表示該矩陣第n行第d列的元素值，下標d表示該向量第d個元素；表示第k類訓練樣本中第ρ個樣本向量；表示第k類的訓練樣本對應系數矩陣的均值向量；表示第k類訓練樣本中第ρ列系數向量；表示所有新增訓練樣本對應系數矩陣的均值向量；Q_i表示H_Q中屬于第i類的系數向量總數；

I、將H_Q置于H_P右邊，即得到H_R＝[H_P H_Q]；

J、利用W_R對待識別人臉圖像數據集V_X進行特征提取，即并采用最近鄰分類器計算H_X與H_R中各樣本間的歐式距離實現對V_X的人臉識別。

2.根據權利要求1所述的一種基于改進增量式非負矩陣分解的人臉識別方法，其特征在于，所述步驟A中，預處理過程為將初始訓練樣本和增量訓練樣本的人臉圖像規范化為相同分辨率。

3.根據權利要求1或2所述的一種基于改進增量式非負矩陣分解的人臉識別方法，其特征在于，所述初始訓練樣本表示為：

C表示初始訓練樣本的類別總數，初始訓練樣本的類別總數和增量訓練樣本的總數相同；P₁表示初始訓練樣本中屬于第1類的樣本個數，P₂表示初始訓練樣本中屬于第1類的樣本個數，以此類推，滿足P＝P₁+P₁+…+P_C；表示第1類初始訓練樣本中的第1個樣本向量，表示第1類初始訓練樣本中的第2個樣本向量，以此類推，表示第C類初始訓練樣本中的第P_C個樣本向量；

增量訓練樣本表示為：

Q₁表示增量訓練樣本中屬于第1類的樣本個數，Q₂表示增量訓練樣本中屬于第1類的樣本個數，以此類推，滿足Q＝Q₁+Q₁+…+Q_C；表示第1類增量訓練樣本中的第1個樣本向量，表示第1類增量訓練樣本中的第2個樣本向量，以此類推，表示第C類增量訓練樣本中的第Q_C個樣本向量。