一种基于增量式受限非负矩阵分解的人脸识别方法技术

本发明专利技术公开了一种基于增量式受限非负矩阵分解的人脸识别方法，其包括以下步骤：对初始训练样本和新增训练样本进行预处理；初始化基矩阵；如果新增训练样本携带标签信息，则将矩阵Vk、Zk及Ak分块，否则直接进入下一步；更新

A Face Recognition Method Based on Incremental Constrained Nonnegative Matrix Decomposition

【技术实现步骤摘要】
一种基于增量式受限非负矩阵分解的人脸识别方法
本专利技术涉及计算机人脸识别领域，尤其是涉及一种基于增量式受限非负矩阵分解的人脸识别方法。
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。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。传统的非负矩阵分解算法在训练过程中没有利用标签信息。现实应用中，初始样本和增量样本未必都是没有携带标签信息的，即未被标记。当有少量或是部分标签信息时，利用该类别信息能够有效地对原始数据的子空间降维过程进行指导，使得降维后的特征子空间具有更好的聚类效果。
技术实现思路
本专利技术主要是解决现有技术所存在的不能有效区别应对新增训练样本是否携带标签信息的技术问题，提供一种样本携带或不携带标签信息都能准确进行增量训练的基于增量式受限非负矩阵分解的人脸识别方法。本专利技术针对上述技术问题主要是通过下述技术方案得以解决的：一种基于增量式受限非负矩阵分解的人脸识别方法，包括以下步骤：A、对初始训练样本和新增训练样本进行预处理，初始训练样本矩阵为Vk，初始辅助矩阵为Zk，初始受限矩阵为Ak，初始基矩阵为Wk，k为初始训练样本个数；B、初始化基矩阵Wk+1←Wk，判断新增训练样本是否携带标签信息，如果带标签信息，则跳转到步骤C；如果不带标签信息则跳转到步骤F；C、新增训练样本为带有第x类标签，新增辅助向量为将矩阵Vk、Zk及Ak按下述规则分块：Vk＝[VP,Vx,VQ]；Zk＝[ZP,zx,ZQ]；Vx为Vk中所有被标记为第x类的训练样本，VP为Vx之前的训练样本(即类别数小于x的所有训练样本)，VQ为Vx之后的训练样本(即类别数大于x的所有训练样本)，ZP为与VP对应的辅助矩阵，zx为Vx对应的辅助矩阵，ZQ为VQ对应的辅助矩阵，AP为VP对应的受限矩阵，Ax为Vx对应的受限矩阵，AQ为VQ对应的受限矩阵；D、初始化新增辅助向量按以下规则更新和Wk+1，直至满足收敛条件：为所有被标记为第x类的训练样本连同一起组成的矩阵，为对应的辅助矩阵，为对应的受限矩阵；其中i＝1,2,…n,，j＝1,2,…,r；n为样本初始维数，r为降维后样本维数。E、将矩阵重新组合，得到新增训练样本后的辅助矩阵Zk+1和受限矩阵Ak+1：然后跳转到步骤H；F、新增训练样本为vnew，其对应的新增辅助向量为znew，随机初始化znew，按以下规则更新znew和Wk+1，直至满足收敛条件其中i＝1,2,…,n，j＝1,2,…,r，n为样本初始维数，r为降维后样本维数。G、将矩阵重新组合，得到新增训练样本后的辅助矩阵Zk+1和受限矩阵Ak+1：Zk+1＝[Zk,znew]；进入步骤H；H、更新系数矩阵Hk+1＝Zk+1Ak+1；I、利用Wk+1对待识别人脸图像数据集VD进行特征提取，即HD＝Wk+1-1VD，并采用最近邻分类器计算HD与Hk+1中各样本间的欧式距离实现对VD的人脸识别。作为优选，所述预处理为将人脸图像规范化至相同分辨率。作为优选，所述基矩阵、辅助矩阵和受限矩阵通过受限非负矩阵分解算法得到。本专利技术带来的实质性效果是，当样本携带或不携带标签信息都能准确处理，不仅实现了受限非负矩阵分解的增量学习模型，同时还使样本分解后得到特征子空间具有较高的聚类准确度和归一化互信息值。附图说明图1是本专利技术的一种流程图。具体实施方式下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。实施例：1、受限非负矩阵分解传统的非负矩阵分解算法在训练过程中没有利用标签信息，是一种无监督的子空间降维算法。2012年，浙江大学刘海风博士提出了一种基于强约束条件的半监督非负矩阵分解算法，称为受限非负矩阵分解算法(CNMF)。该算法认为相同类别的样本数据在子空间投影下应具有相同的系数向量。因此，通过指示矩阵的引入使得带有相同标签信息的训练样本经过非负分解后，其对应的系数向量完全相同。该算法具体步骤如下：假设训练样本集合共有c类样本，其中m代表训练样本向量的总个数。集合V的前l个样本带有标签信息，而剩余的m-l个样本则未被标记。定义指示矩阵如下：则具有标签信息约束的受限矩阵表达如下：其中Im-l表示规模为(m-l)×(m-l)大小的单位矩阵。举例来说，假设m个训练样本中包含6个标记样本，其中v1属于第一类，v2和v3属于第二类，v4、v5和v6属于第三类，其余m-6个训练样本未被标记，则受限矩阵A表达如下：此外，定义辅助矩阵其前c列为被标记训练样本的每一类所对应的唯一系数向量，后k-l列为每一个未标记样本所对应的系数向量，其中r为降维后的子空间维数。和基矩阵W一样，辅助矩阵Z的初始值也是随机赋值的。通过受限矩阵A对辅助矩阵Z施加部分类别信息的约束，确保了同类别原训练样本数据在降维子空间中投影向量的一致，而辅助矩阵Z与受限矩阵A的乘积则对应传统NMF算法矩阵分解后的系数矩阵H。因此CNMF算法的目标函数为：由于目标函数单独对于基矩阵W或辅助矩阵Z均为凸函数，因此采用乘性迭代的梯度下降法进行求解，得到因子矩阵的更新公式如式(1-5)所示。2、增量式受限非负矩阵分解CNMF算法通过受限矩阵的引入，使得了原始训练数据中有标签信息的训练样本在降维前后的类别归属保持一致，实现了一种基于半监督学习的非负矩阵分解算法。但是，该算法同NMF算法一样，属于批量式学习算法，即当新增训练样本加入时，需放弃之前的训练结果，重新计算分解因子矩阵。而这样将会导致大量存储和运算资源的浪费，并且随着数据规模的不断增加，系统的学习速度最终将赶不上数据的更新速度，无法满足在线学习的要求。此外，在传统的增量式非负矩阵分解算法(INMF)中，新加入训练样本不含标签信息。而在实际应用场景中，无论初始还是新增的训练样本中均有可能存在部分样本被标记的情况。因此，将增量学习的思想引入到受限非负矩阵分解算法中，能够有效地实现一种基于半监督学习的增量式非负矩阵分解方法。2.1、模型描述假设初始训练样本矩阵为其中n代表初始训练样本维数，k代表初始训练样本个数。通过CNMF算法分解得到的基矩阵、辅助矩阵和受限矩阵分别为和其中r代表降维后子空间维数，c代表初始训练样本集中被标记的样本类别数，l代表被标记的初始训练样本个数。当新增训练样本vnew加入时，需要考虑其携带标签和未携带标签两种情况。因此，将V≈WZA通过分块矩阵思想可做如下表达：根据INMF算法思想，单个新增训练样本的加入对于基矩阵W的影响可以忽略不计。因此，当该新增训练样本携带标签信息时，不含标签信息的训练样本集Vunlabeled、与之数量一一对应的子空间投影向量集Zunlabeled以及单位矩阵Ik-l无需更新。而当新增训练样本未携带标签信息时，则携带标签信息的训练样本集Vlabeled、与训练样本每一类对应的子空间投影向量集Zlabeled以及指示矩阵Cc×l无需更新。下面分别介绍上述两种情况下的增量式受限非负矩阵分解算法模型。1)新增训练样本携带标签信息假设被标记为第x类的新增训练样本为则根据新增训练样本所属类别，将本文档来自技高网...

【技术保护点】
1.一种基于增量式受限非负矩阵分解的人脸识别方法，其特征在于，包括以下步骤：A、对初始训练样本和新增训练样本进行预处理，初始训练样本矩阵为Vk，初始辅助矩阵为Zk，初始受限矩阵为Ak，初始基矩阵为Wk，k为初始训练样本个数；B、初始化基矩阵Wk+1←Wk，判断新增训练样本是否携带标签信息，如果带标签信息，则跳转到步骤C；如果不带标签信息则跳转到步骤F；C、新增训练样本为

【技术特征摘要】
1.一种基于增量式受限非负矩阵分解的人脸识别方法，其特征在于，包括以下步骤：A、对初始训练样本和新增训练样本进行预处理，初始训练样本矩阵为Vk，初始辅助矩阵为Zk，初始受限矩阵为Ak，初始基矩阵为Wk，k为初始训练样本个数；B、初始化基矩阵Wk+1←Wk，判断新增训练样本是否携带标签信息，如果带标签信息，则跳转到步骤C；如果不带标签信息则跳转到步骤F；C、新增训练样本为带有第x类标签，新增辅助向量为将矩阵Vk、Zk及Ak按下述规则分块：Vk＝[VP,Vx,VQ]；Zk＝[ZP,zx,ZQ]；Vx为Vk中所有被标记为第x类的训练样本，VP为Vx之前的训练样本，VQ为Vx之后的训练样本，ZP为与VP对应的辅助矩阵，zx为Vx对应的辅助矩阵，ZQ为VQ对应的辅助矩阵，AP为VP对应的受限矩阵，Ax为Vx对应的受限矩阵，AQ为VQ对应的受限矩阵；D、初始化新增辅助向量按以下规则更新和Wk+1，直至满足收敛条件：为所有被标记为第x类的训练样本连同一起组成的矩阵，为对应的辅助矩阵，为对应的受限矩阵；其中i＝1,2,…，n，j＝1,2,…,...

【专利技术属性】
技术研发人员：蔡竞，
申请(专利权)人：蔡竞，
类型：发明
国别省市：浙江,33