[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

本發明公開了一種基于改進增量式非負矩陣分解的人臉識別方法，其采用了基于Fisher判別分析的增量式非負矩陣解算法。該算法利用初始樣本訓練的先驗信息，通過索引矩陣將新增系數的列向量賦值為對應類別的均向量，提高了算法的收斂速度；此外，將INMF算法改進為批量式的增量學習算法，利用索引矩陣進行初始化賦值，并對目標函數施加類間散度最大和內度最小的約束，從而獲得最佳的子空間投影。本方案具有較高的識別率和較快的識別速度，適用于人臉識別等場合。

技術領域

本發明涉及一種計算機人臉識別領域，尤其是涉及一種基于改進增量式非負矩陣分解的人臉識別方法。

背景技術

基近二十年來，人臉識別技術作為一種高效的生物特征識別技術，日益受到學術界以及工業界的重視。人臉識別研究的關鍵是特征提取，有基于全局特征的提取，也有基于局部特征的提取。

非負矩陣分解(NMF)是在矩陣元素均為非負數的約束條件下的一種矩陣分解方法。NMF是一種局部特征提取方法，其將人臉表示成基圖像的線性組合，而基圖像代表了眼、鼻子、嘴等人臉的局部特征，符合人類思維局部構成整體的概念。這種方法最早由Lee等人提出并成功應用于基于物體局部特征的識別。

傳統的NMF算法是一種批量式學習算法，每當有新增訓練樣本加入時，該算法需將新、舊訓練樣本整合后重新進行訓練，無法繼承或利用之前訓練所得到的因子矩陣。這樣不僅會導致大量存儲和運算資源的浪費，并且也無法滿足訓練模型在線更新的需求。針對該問題，Serhat等人提出了基于NMF的增量式算法INMF。該算法將上一次分解得到的基矩陣近似為當前參與訓練的基矩陣，避免了大規模的重復運算。

Serhat等人提出的INMF算法雖然在一定程度上解決了非負矩陣分解的在線學習問題，但仍然存在以下幾個問題：

1)INMF算法的新增訓練樣本是逐個增加的，因此當一次性新增多個訓練樣本時，其新增樣本順序的不同將導致訓練結果的差異化，且訓練所需時間也與新增樣本的數量呈正比。此外，當一次性新增訓練樣本達到一定規模時，其訓練所需時間甚至超過NMF算法。

2)INMF算法是一種無監督算法，未能有效利用訓練樣本的類別信息，導致降維后獲得的子空間具有較高的類間混淆度，不利于數據的判別分類。

3)INMF算法每次新增樣本時，其系數矩陣H的初始化是隨機賦值的，這樣不利于后續迭代求解過程中目標函數梯度的快速下降，收斂速度較慢。

發明內容

本發明主要是解決現有技術所存在的訓練時間長、訓練樣本的類別信息使用率低、收斂速度慢等的技術問題，提供一種訓練時間短、有效利用了訓練樣本的類別信息、具有較快收斂速度的基于改進增量式非負矩陣分解的人臉識別方法。

本發明針對上述技術問題主要是通過下述技術方案得以解決的：一種基于改進增量式非負矩陣分解的人臉識別方法，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；

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；