[發(fā)明專利]一種基于增量式受限非負矩陣分解的人臉識別方法

有效

• 申請?zhí)枺?/td>: 201910249451.1
• 申請日: 2019-03-29
• 公開（公告）號: CN109993111B
• 公開（公告）日: 2021-02-05
• 發(fā)明（設計）人: 蔡競
• 申請（專利權(quán)）人: 浙江警察學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 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(fā)明公開了一種基于增量式受限非負矩陣分解的人臉識別方法，其包括以下步驟：對初始訓練樣本和新增訓練樣本進行預處理；初始化基矩陣；如果新增訓練樣本攜帶標簽信息，則將矩陣V_k、Z_k及A_k分塊，否則直接進入下一步；更新或z_new和W_k+1，直至滿足收斂條件；重新組合矩陣，得到新增訓練樣本后的輔助矩陣Z_k+1和受限矩陣A_k+1；更新系數(shù)矩陣以后利用W_k+1對待識別人臉圖像數(shù)據(jù)集進行特征提取及識別。本方案對攜帶或不攜帶標簽信息的新增樣本都可以進行準確的增量訓練。

技術領域

本發(fā)明涉及計算機人臉識別領域，尤其是涉及一種基于增量式受限非負矩陣分解的人臉識別方法。

背景技術

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(yè)界的重視。非負矩陣分解(NMF)是在矩陣元素均為非負數(shù)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(gòu)成整體的概念。

傳統(tǒng)的非負矩陣分解算法在訓練過程中沒有利用標簽信息。現(xiàn)實應用中，初始樣本和增量樣本未必都是沒有攜帶標簽信息的，即未被標記。當有少量或是部分標簽信息時，利用該類別信息能夠有效地對原始數(shù)據(jù)的子空間降維過程進行指導，使得降維后的特征子空間具有更好的聚類效果。

發(fā)明內(nèi)容

本發(fā)明主要是解決現(xiàn)有技術所存在的不能有效區(qū)別應對新增訓練樣本是否攜帶標簽信息的技術問題，提供一種樣本攜帶或不攜帶標簽信息都能準確進行增量訓練的基于增量式受限非負矩陣分解的人臉識別方法。

本發(fā)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：一種基于增量式受限非負矩陣分解的人臉識別方法，包括以下步驟：

A、對初始訓練樣本和新增訓練樣本進行預處理，初始訓練樣本矩陣為V_k，初始輔助矩陣為Z_k，初始受限矩陣為A_k，初始基矩陣為W_k，k為初始訓練樣本個數(shù)；

B、初始化基矩陣W_k+1←W_k，判斷新增訓練樣本是否攜帶標簽信息，如果帶標簽信息，則跳轉(zhuǎn)到步驟C；如果不帶標簽信息則跳轉(zhuǎn)到步驟F；

C、新增訓練樣本為帶有第x類標簽，新增輔助向量為將矩陣V_k、Z_k及A_k按下述規(guī)則分塊：

V_k＝[V_P,V^x,V_Q]；Z_k＝[Z_P,z^x,Z_Q]；

V^x為V_k中所有被標記為第x類的訓練樣本，V_P為V^x之前的訓練樣本(即類別數(shù)小于x的所有訓練樣本)，V_Q為V^x之后的訓練樣本(即類別數(shù)大于x的所有訓練樣本)，Z_P為與V_P對應的輔助矩陣，z^x為V^x對應的輔助矩陣，Z_Q為V_Q對應的輔助矩陣，A_P為V_P對應的受限矩陣，A^x為V^x對應的受限矩陣，A_Q為V_Q對應的受限矩陣；

D、初始化新增輔助向量按以下規(guī)則更新和W_k+1，直至滿足收斂條件：