[发明专利]基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统

权利要求书

1.一种基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法，其特征在于，包括如下步骤：

A.将c个类预设的非负训练样本图像表示为非负列向量，然后组合成非负小矩阵X_i；

B.对每一个小矩阵X_i执行KNMF，来得到非负原像子矩阵W_i，然后组合成非负原像矩阵W＝[W₁,W₂,...,W_c]；

C.对于一个非负的测试样本y，通过更新法则(6)来获得y的稀疏表示特征s；

D.将s表示成其中s_i是一个列向量，它表示s中只与φ(W_i)有关的部分；

E.计算每一个d_i＝||s_i||₁；

F.比较所有的d_i，如果d_k是最大，那么将y归到第k类。

2.根据权利要求1所述的人脸识别方法，其特征在于，该人脸识别方法包括利用分块策略构造一个有监督的基于核非负矩阵分解的稀疏学习字典。

3.根据权利要求2所述的人脸识别方法，其特征在于，构造基于核非负矩阵分解的字典包括：利用类标信息，对每一类的非负训练样本矩阵X_i执行KNMF，(i＝1,2,...,c)，即

φ(X_i)≈φ(W_i)H_i,

其中W_i和H_i都是非负矩阵，通过合并所有类别的分解，我们得到总得分解：

即

φ(X)≈φ(W)H,

其中φ(X)＝[φ(X₁),φ(X₂),...,φ(X_c)],W＝[W₁,W₂,...,W_c]，φ(W)≈[φ(W₁),φ(W₂),...,φ(W_c)]，H＝diag{H₁,H₂,...,H_c}；

φ(W)是有监督的基于核非负矩阵分解的稀疏表示字典。

4.根据权利要求3所述的人脸识别方法，其特征在于，根据稀疏表示字典来学习样本的非负稀疏表示特征，其通过解决一个带有l₁范数正则项的平方最小化问题来得到。