[发明专利]一种基于核机器学习的非负矩阵分解人脸识别方法及系统

摘要

本发明提供了一种基于核机器学习的非负矩阵分解人脸识别方法及系统，该方法包括A、B、C、D、E五个步骤。本发明的有益效果是：本发明通过直接对两个核矩阵进行学习，从而避免了对原像矩阵的学习，通过改变学习的对象，使迭代公式中避免出现核函数求导的过程，从而实现了核函数的选取没有限制的效果，得到一种对任意的核函数都通用的算法。

主权项

1.一种基于核机器学习的非负矩阵分解人脸识别方法，其特征在于，包括如下步骤：A.将每个预设的训练样本图像表示为列向量；B.通过已知的核函数以及训练样本向量，构造一个对称半正定的核矩阵K_xx；C.分别建立三个目标函数，通过交叉迭代的方法实现极小化目标函数，并得到训练样本在核空间上的新特征和两个与被非线性映射后的样本相关的核矩阵；D.通过学习阶段得到的两个核矩阵，将测试样本投影到核空间得到测试样本在核空间上的新特征；E.根据最近邻法将测试样本的新特征与预设的每一类训练样本新特征的中心进行比较，进而实现对测试样本的分类及识别；在所述步骤C中，交叉迭代的公式：通过交叉迭代的方式能够得出最终的特征矩阵H和两个核矩阵K_wx和K_ww；在所述步骤C中，交叉迭代的过程包括如下步骤：(1).输入核矩阵K_xx；(2).初始化矩阵H,K_xw,K_ww；(3).固定K_xw,K_ww且更新H；(4).固定H,K_ww且更新K_xw；(5).固定H,K_xw且更新K_ww；(6).判断验证是否满足停止条件，若是，那么执行步骤(7)，否则执行步骤(3)；(7).得到H,K_xw,K_ww的近似解；在所述步骤D中，对于求出测试样本的新特征H_Y，由以下三种方法得到：方式一：直接借助迭代出的K_xw的广义逆矩阵的方式，有：则矩阵H_Y的每一列就代表着一个待分类的图像的新特征；方式二：通过非负矩阵分解法，保持K_xy＝K_xwH_Y中的K_xy和K_xw不变，由非负矩阵分解法的公式就可以迭代出非负的H_Y：方式三：通过非负稀疏表示法，将K_xy由K_xw稀疏表示出来，H_Y为稀疏系数矩阵，则可以通过迭代公式求出H_Y：其中，λ为一控制参数，1_r×d为大小为r×d的全1矩阵。