本發(fā)明涉及生物識別領域，特別涉及一種人臉識別方法和裝置。
背景技術：
：人臉識別是一種新興的生物識別技術，由于在應用方面具有非接觸性、友好、使用方便、直觀等優(yōu)點，使其在罪犯識別、證件驗證及醫(yī)學等領域有著廣泛的應用前景和巨大的市場潛力。目前常見的人臉識別技術可分為幾類：基于幾何特征的識別技術、基于數(shù)學模型的識別技術、基于子空間分析的識別技術等?；谧涌臻g分析的識別技術是當前人臉識別中的主流方法之一，它的基本思想是通過一個映射將高維空間中的人臉圖像投影到一個低維子空間中，在這個低維子空間中對特征系數(shù)進行分類識別。傳統(tǒng)的子空間分析法一般采用主成分分析(principalcomponentsanalysis，pca)、稀疏非負矩陣分解(sparsenon-negativematrixfactorization，snmf)、凸非負矩陣分解(convexnmf，cnmf)等特征降維方法。非負矩陣分解是在矩陣的所有元素均非負的條件下實現(xiàn)矩陣的分解。圖像灰度值的非負性使得非負矩陣分解較無限制的主成分分析更具有可解釋性。直接用非負矩陣分解(nmf)方法進行人臉特征提取，由于基矩陣的系數(shù)矩陣沒有被優(yōu)化和稀疏，導致人臉識別率不高；cnmf是nmf的推廣，可使得數(shù)據(jù)更有解釋性，可一定程度上提高人臉識別率。cnmf是由半非負矩陣分解(semi-nmf)衍變而來，在semi-nmf中，x＝fgt，f和x是沒有約束的，只要求g非負，ding等人把矩陣f替換成原始矩陣x的非負凸組合，即f＝xw，進而得到一種新的分解形式x＝xwgt，其中f和g被約束成非負矩陣，x沒有約束，進而提出了cnmf數(shù)學模型。很明顯這種分解形式拓展了nmf的應用范圍，使數(shù)據(jù)更有解釋性。在cnmf，g是系數(shù)矩陣，f是基矩陣，因為f＝xw，所以w是基矩陣f的系數(shù)矩陣。在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術至少存在以下問題：現(xiàn)有cnmf分解方法均采用的是傳統(tǒng)的乘性迭代規(guī)則，導致基矩陣的系數(shù)矩陣不夠優(yōu)化，識別率不高；同時，現(xiàn)有cnmf沒有對基矩陣的系數(shù)矩陣進行閾值稀疏化，使得特征系數(shù)過于分散，導致識別率不高，且未采用閾值稀疏化的基矩陣的系數(shù)矩陣的計算較為復雜，運算量過大，速度過慢，且隨著k的增加，cnmf方法識別率反而是降低的，不利于后期人臉圖像的重建。技術實現(xiàn)要素：為了解決現(xiàn)有技術中cnmf的人臉識別率不高、運算量大、不利于圖像重建等問題，本發(fā)明實施例提供了一種人臉識別方法和裝置。所述技術方案如下：第一方面，本發(fā)明實施例提供了一種人臉識別方法，所述方法包括：對待識別樣本集進行預處理，得到待識別樣本集矩陣；采用新迭代稀疏凸非負矩陣分解法對所述待識別樣本集矩陣進行處理，求出所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用如下迭代公式迭代產(chǎn)生：其中，s為所述待識別樣本集矩陣，大小為j×i，j、i均為正整數(shù)，j為所述待識別樣本集中每個樣本的低頻特征維度，i為所述待識別樣本集的樣本數(shù)量，st為s的轉置矩陣；u為第n次迭代得到的基矩陣的系數(shù)矩陣，q為第n次迭代得到的系數(shù)矩陣，u'為第n-1次迭代得到的基矩陣的系數(shù)矩陣，q'為第n-1次迭代得到的系數(shù)矩陣，u、q、u'和q'大小均為i×k，k表示s的特征維度，k為正整數(shù)且k≤j，n為大于1的正整數(shù)；u't為u'的轉置矩陣，q't為q'的轉置矩陣，qt為q的轉置矩陣；uik為u的第i行第k列的元素，qik為q的第i行第k列的元素，i、k均為正整數(shù)，且i≤i，k≤k；u'ik為u'的第i行第k列的元素，q'ik為q'的第i行第k列的元素；當j(v)的值最小時，u為最優(yōu)基矩陣的系數(shù)矩陣，q為最優(yōu)系數(shù)矩陣，j(v)＝tr(-2vtf+-vte-vd)，其中f+＝(sts)+q，e-＝(sts)-，d＝qtq,v＝u，vt為v的轉置矩陣；采用訓練好的分類器對所述待識別樣本集的最優(yōu)系數(shù)矩陣進行分類，完成人臉識別。在本發(fā)明實施例的一種實現(xiàn)方式中，所述采用新迭代稀疏凸非負矩陣分解法對所述待識別樣本集矩陣進行處理，求出所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，包括：在設定范圍內確定k的值；對于確定出的k的值，采用新迭代稀疏凸非負矩陣分解法對所述待識別樣本集矩陣進行分解，求出k對應的所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在本發(fā)明實施例的另一種實現(xiàn)方式中，所述對于確定出的k的值，采用新迭代稀疏凸非負矩陣分解法對所述待識別樣本集矩陣進行分解，求出k對應的所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，包括：根據(jù)k確定初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣；根據(jù)所述初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣以及所述迭代公式進行迭代計算；將每一步迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣代入目標函數(shù)：j(v)＝tr(-2vtf+-vte-vd)，其中f+＝(sts)+q，e-＝(sts)-，d＝qtq,v＝u；當所述目標函數(shù)的值達到穩(wěn)定狀態(tài)，結束迭代計算，并將最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，其中，所述穩(wěn)定狀態(tài)是指所述目標函數(shù)的值保持不變或者變動幅度小于預定幅度；或者，當?shù)螖?shù)達到迭代次數(shù)閾值時，選取最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在本發(fā)明實施例的另一種實現(xiàn)方式中，所述對于確定出的k的值，采用新迭代稀疏凸非負矩陣分解法對所述待識別樣本集矩陣進行分解，求出k對應的所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，還包括：確定稀疏化閾值；在每一步迭代計算后，判斷迭代計算出的基矩陣的系數(shù)矩陣中的每個數(shù)值與稀疏化閾值的大??；將迭代計算出的基矩陣的系數(shù)矩陣中大于稀疏化閾值的數(shù)值設置為1，將迭代計算出的基矩陣的系數(shù)矩陣中小于或等于稀疏化閾值的數(shù)值設置為0。在本發(fā)明實施例的另一種實現(xiàn)方式中，所述方法還包括：對訓練樣本集進行預處理，得到訓練樣本集矩陣；采用新迭代稀疏凸非負矩陣分解法對所述訓練樣本集矩陣進行處理，求出所述訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，所述最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用與所述待識別樣本集處理時相同的迭代公式迭代產(chǎn)生；采用所述訓練樣本集的最優(yōu)系數(shù)矩陣訓練分類器。第二方面，本發(fā)明實施例還提供了一種人臉識別裝置，所述裝置包括：預處理單元，用于對待識別樣本集進行預處理，得到待識別樣本集矩陣；分解單元，用于采用新迭代稀疏凸非負矩陣分解法對所述待識別樣本集矩陣進行處理，求出所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用如下迭代公式迭代產(chǎn)生：其中，s為所述待識別樣本集矩陣，大小為j×i，j、i均為正整數(shù)，j為所述待識別樣本集中每個樣本的低頻特征維度，i為所述待識別樣本集的樣本數(shù)量，st為s的轉置矩陣；u為第n次迭代得到的基矩陣的系數(shù)矩陣，q為第n次迭代得到的系數(shù)矩陣，u'為第n-1次迭代得到的基矩陣的系數(shù)矩陣，q'為第n-1次迭代得到的系數(shù)矩陣，u、q、u'和q'大小均為i×k，k表示s的特征維度，k為正整數(shù)且k≤j，n為大于1的正整數(shù)；u't為u'的轉置矩陣，q't為q'的轉置矩陣，qt為q的轉置矩陣；uik為u的第i行第k列的元素，qik為q的第i行第k列的元素，i、k均為正整數(shù)，且i≤i，k≤k；u'ik為u'的第i行第k列的元素，q'ik為q'的第i行第k列的元素；當j(v)的值最小時，u為最優(yōu)基矩陣的系數(shù)矩陣，q為最優(yōu)系數(shù)矩陣，j(v)＝tr(-2vtf+-vte-vd)，其中f+＝(sts)+q，e-＝(sts)-，d＝qtq,v＝u，vt為v的轉置矩陣；分類單元，用于采用訓練好的分類器對所述待識別樣本集的最優(yōu)系數(shù)矩陣進行分類，完成人臉識別。在本發(fā)明實施例的一種實現(xiàn)方式中，所述分解單元，用于在設定范圍內確定k的值；對于確定出的k的值，采用新迭代稀疏凸非負矩陣分解法對所述待識別樣本集矩陣進行分解，求出k對應的所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在本發(fā)明實施例的另一種實現(xiàn)方式中，所述分解單元，用于根據(jù)k確定初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣；根據(jù)所述初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣以及所述迭代公式進行迭代計算；將每一步迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣代入目標函數(shù)：j(v)＝tr(-2vtf+-vte-vd)，其中f+＝(sts)+q，e-＝(sts)-，d＝qtq,v＝u；當所述目標函數(shù)的值達到穩(wěn)定狀態(tài)，結束迭代計算，并將最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，其中，所述穩(wěn)定狀態(tài)是指所述目標函數(shù)的值保持不變或者變動幅度小于預定幅度(該預定幅度可以根據(jù)實際需要設定)；或者，當?shù)螖?shù)達到迭代次數(shù)閾值時，選取最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在本發(fā)明實施例的另一種實現(xiàn)方式中，所述分解單元，還用于確定稀疏化閾值；在每一步迭代計算后，判斷迭代計算出的基矩陣的系數(shù)矩陣中的每個數(shù)值與稀疏化閾值的大??；將迭代計算出的基矩陣的系數(shù)矩陣中大于稀疏化閾值的數(shù)值設置為1，將迭代計算出的基矩陣的系數(shù)矩陣中小于或等于稀疏化閾值的數(shù)值設置為0。在本發(fā)明實施例的另一種實現(xiàn)方式中，所述裝置還包括訓練單元；所述預處理單元，還用于對訓練樣本集進行預處理，得到訓練樣本集矩陣；所述分解單元，還用于采用新迭代稀疏凸非負矩陣分解法對所述訓練樣本集矩陣進行處理，求出所述訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，所述最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用與所述待識別樣本集處理時相同的迭代公式迭代產(chǎn)生；所述訓練單元，用于采用所述訓練樣本集的最優(yōu)系數(shù)矩陣訓練分類器。第三方面，本發(fā)明實施例提供了一種人臉識別裝置，所述裝置包括：存儲器、與存儲器連接的處理器，所述存儲器用于存儲軟件程序以及模塊，當所述處理器用于運行或執(zhí)行存儲在所述存儲器內的軟件程序以及模塊時，可以執(zhí)行第一方面所述的方法。第四方面，本發(fā)明實施例還提供了一種計算機可讀介質，用于存儲供人臉識別裝置執(zhí)行的程序代碼，所述程序代碼包括執(zhí)行第一方面所述的方法的指令。本發(fā)明實施例提供的技術方案帶來的有益效果是：本發(fā)明采用新迭代規(guī)則進行迭代優(yōu)化求解最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，并在迭代過程中對基矩陣的系數(shù)矩陣進行了稀疏化，新迭代規(guī)則及稀疏化處理比傳統(tǒng)的乘性迭代規(guī)則更優(yōu)，得到的最優(yōu)基矩陣的系數(shù)矩陣的特征數(shù)據(jù)更為集中，從而使得最優(yōu)系數(shù)矩陣的權重分布更集中、更易于分類，有效提高了人臉識別率，并減少了運算量，最終使得該人臉識別方法具有較高的識別率和較短的運行時間，識別率高達100％。而且本發(fā)明方法隨著k的增加，識別率逐漸增高，有利于后期人臉圖像的重建。附圖說明為了更清楚地說明本發(fā)明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本發(fā)明實施例提供的人臉識別方法流程圖；圖2a-圖2d是pca及各種nmf方法得到的基矩陣圖像；圖3是pca及各種nmf方法的人臉識別率隨k的變化示意圖圖4是pca及各種nmf方法的運行時間隨k的變化示意圖圖5是本發(fā)明實施例提供的人臉識別裝置結構示意圖。具體實施方式為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合附圖對本發(fā)明實施方式作進一步地詳細描述。圖1是本發(fā)明實施例提供的一種人臉識別方法的流程圖，參見圖1，該方法包括：步驟s11：獲取訓練樣本集，并表示為初始矩陣。在本發(fā)明實施例中，獲取訓練樣本集包括但不限于從已有的網(wǎng)絡圖庫中獲取訓練樣本集，或者根據(jù)圖像制得訓練樣本集，這里的圖像可以事先拍攝獲得。例如，可以采用劍橋大學提供的orl(olivettiresearchlaboratory)圖庫中的人臉作為訓練樣本集。orl圖庫中共收集了40個人的不同表情的人臉圖像，每人各10張圖像共400張，每張圖像有256個灰度級，大小為112×92。其中每個人的臉部表情和臉部細節(jié)都有著不同程度的變化，如笑與不笑、眼睛睜與閉、戴與不戴眼鏡等；人臉姿態(tài)也有相當程度的變化，深度旋轉和平面旋轉最大可達20度；人臉的尺度也有多達10％的變化。對每個人隨機選取5張圖像組成訓練樣本集。這樣訓練樣本集中有200張人臉圖像。當然，這里的訓練樣本集的獲取僅為舉例，實際中還可以通過其他數(shù)據(jù)庫或者用戶自身準備的圖像實現(xiàn)。訓練樣本集通常包括多張樣本圖像，這多張圖像構成一個矩陣。以上述訓練樣本集為例，200張樣本圖像，每個樣本圖像包括10304(112×92)個像素，則這個訓練樣本集構成的初始矩陣x'的大小為10304×200。步驟s12：對訓練樣本集進行預處理，得到訓練樣本集矩陣，該訓練樣本集矩陣為包含訓練樣本集中每張圖像的低頻特征信息的矩陣。由于步驟s11已將訓練樣本集表示為初始矩陣，所以步驟s12實際是以初始矩陣為對象進行的預處理。由于在人臉識別時，光照條件、攝像設備等外部環(huán)境的影響，以及表情、姿態(tài)變化、年齡、遮蓋等人臉自身變化，都使獲得圖像往往存在有噪聲、對比度不夠等缺陷，數(shù)據(jù)與現(xiàn)實相差很大，對算法的識別率影響很大。為了保證提取的特征對人臉變化具有較好的魯棒性，需要對人臉圖像進行預處理。通過對人臉圖像進行預處理，能夠去除一定的噪聲和光照的影響，降低高頻信息對識別率的干擾。在本發(fā)明實施例中，對人臉圖像進行預處理可以包括以下步驟：第一步，對人臉圖像進行灰度歸一化。灰度歸一化用來對原始圖像的光照不均進行補償，從而克服光照變化對識別帶來的影響，具有一定的魯棒性。主要過程如下：給定圖像的灰度均值和方差，用線性的方法將給定值賦予灰度均值和方差，這樣可以統(tǒng)一圖像的亮度和對比度，使得所有人臉圖像都遵循相同或相似的灰度分布。通過對圖像進行灰度歸一化，可以克服光照變化對識別效果的影響。第二步，采用小波變換提取人臉圖像低頻信息。小波變換是時間和頻率的局部變換，能更加有效地從信號中提取信息和分析局部信號，在時域、頻域都有很強的表征信號局部特征的能力。用小波提取人臉圖像的特征，主要使用小波提取人臉圖像的低頻信息，減少作為噪聲的圖像高頻信息在識別分類時的干擾。輸入的人臉圖像經(jīng)過二維離散小波變換(一層小波分解)后會產(chǎn)生4個子圖像(ll，lh，hl，hh)。其中，ll是低頻成分(含有人臉圖像的低頻信息)，包含了原始圖像的大部分信息，可以作為原始圖像的近似，同時大大壓制了隨機噪聲等高頻信息。繼續(xù)對ll低頻子圖像進行二維離散小波變換后得到包含樣本大量低頻信息的矩陣x。通過上述預處理最終得到包含低頻信息(低頻特征)的訓練樣本集矩陣x，該矩陣的大小為j×i，j為訓練樣本集中每個樣本的低頻特征維度，i為訓練樣本集中的樣本數(shù)量，j、i均為正整數(shù)。以前文大小為10304×200的初始矩陣x'為例，該矩陣x'經(jīng)過上述預處理后得到的訓練樣本集矩陣x的大小為2784×200。在本發(fā)明實施例這，預處理方法不限于上述步驟s12所包括的第一步至第二步，還可以采用其他方式實現(xiàn)，如均值濾波、中值濾波等。本發(fā)明對此不做限制。步驟s13：采用新迭代稀疏凸非負矩陣分解法對訓練樣本集矩陣進行處理，求出訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用如下迭代公式迭代產(chǎn)生：其中，x為所述訓練樣本集矩陣，大小為j×i，j、i均為正整數(shù)，j為所述訓練樣本集中每個樣本的低頻特征維度，i為所述訓練樣本集的樣本數(shù)量，xt為x的轉置矩陣；w為第n次迭代得到的基矩陣的系數(shù)矩陣，g為第n次迭代得到的系數(shù)矩陣，w'為第n-1次迭代得到的基矩陣的系數(shù)矩陣，g'為第n-1次迭代得到的系數(shù)矩陣，w、g、w'和g'大小均為i×k，k表示x的特征維度，k為正整數(shù)且k≤j，n為大于1的正整數(shù)；w't為w'的轉置矩陣，g't為g'的轉置矩陣，gt為g的轉置矩陣；wik為w的第i行第k列的元素，gik為g的第i行第k列的元素，i、k均為正整數(shù)，且i≤i，k≤k；w'ik為w'的第i行第k列的元素，g'ik為g'的第i行第k列的元素；當j(h)的值最小時，w為最優(yōu)基矩陣的系數(shù)矩陣，g為最優(yōu)系數(shù)矩陣，j(h)＝tr(-2htb+-hta-hc)，其中b+＝(xtx)+g，a-＝(xtx)-，c＝gtg,h＝w，ht為h的轉置矩陣。其中，訓練樣本集矩陣也即前文訓練樣本集預處理后得到的矩陣，w具體為第n次迭代得到的訓練樣本集矩陣的基矩陣的系數(shù)矩陣，g為第n次迭代得到的訓練樣本集矩陣的系數(shù)矩陣。采用上述公式可以對基矩陣的系數(shù)矩陣和系數(shù)矩陣中的每個元素進行迭代，這些元素構成基矩陣的系數(shù)矩陣和系數(shù)矩陣，所以通過矩陣中元素的迭代，即完成了對基矩陣的系數(shù)矩陣和系數(shù)矩陣的迭代運算。在上述公式中，[(xtx)+g']ik表示矩陣(xtx)+乘以g'所得到的矩陣的第i行第k列的元素；其他括號運算與之類似，這里不再贅述。即(xtx)+表示矩陣(xtx)的元素取絕對值再和矩陣(xtx)的對應元素相加所得到的矩陣；即(xtx)-表示矩陣(xtx)的元素取絕對值再減去矩陣(xtx)的對應元素所得到的矩陣。例如，x的大小為2784×200，當k＝30時，即特征維度被降至30，w的大小為200×30，g的大小為200×30；或者，當k＝25時，此時特征維度被降至25，w的大小為200×25，g的大小為200×25。在步驟s13中，迭代公式是根據(jù)新迭代稀疏凸非負矩陣分解法確定得到的，其原理如下：首先，基本cnmf的目標函數(shù)為：j′(h)＝tr(-2htb+-hta-hc+2htb-+hta+hc)；在此發(fā)明一個新的目標函數(shù)j(h)如式(1)所示，新的j(h)比傳統(tǒng)的j′(h)表達更簡單易于計算，能夠有效提高收斂速度，且對w、g的優(yōu)化效果更好，人臉識別率更高。j(h)＝tr(-2htb+-hta-hc)(1)(1)式中，b+＝(xtx)+g,a-＝(xtx)-,c＝gtg,h＝w，且其中，|(xtx)ik|表示對矩陣xtx中的每個元素取絕對值。定義一個關于h和h'的二元輔助函數(shù)z(h,h′)，要求其滿足式(2)。z(h,h′)≥j(h)，z(h,h)＝j(h)(2)定義hmin為對于給定h'時二元函數(shù)z(h,h')取最小值時h的值，如式(3)所示：可知：j(h′)＝z(h′,h′)≥z(hmin,h′)≥j(hmin)因此，只要找到符合條件(2)的z(h,h′)，可保證目標函數(shù)j(h)是個不增函數(shù)，即目標函數(shù)收斂。由式(1)得到等價的如式(4)所示的目標函數(shù)。j(h)＝tr(-2htb--hta+hc-2htb++2htb-+hta+hc-hta-hc)(4)其中：得到：其中，hik和hil分別表示矩陣h第i行第k列和第l列的元素，k和l可以相等也可以不相等，h'jk表示矩陣h'第j行第k列的元素，j和i可以相等也可以不相等。因此，符合條件(2)的z(h,h′)由公式(5)定義。為滿足式(3)，需求出z(h,h′)取最小值時的h，則可令z(h,h′)的導數(shù)為0，得到式(6)。z(h,h′)的最小值由公式(6)計算得到，即可得到使z取最小值時的h值(即式(3)中的hmin)，如式(7)所示。代入式(8)到公式(7)中，b+＝(xtx)+g,b-＝(xtx)-g,a＝xtx,c＝gtg,h＝w(8)可得到w的迭代規(guī)則如式(9)所示。同理可得到g的迭代公式如式(10)所示：因此，由公式(9)、(10)所定義的迭代規(guī)則可保證j(h′)＝z(h′,h′)≥z(h,h′)≥j(h)，使得目標函數(shù)j(h)是個不增函數(shù)，即公式(9)、(10)可保證目標函數(shù)穩(wěn)定收斂。在上述公式中，最優(yōu)基矩陣的系數(shù)矩陣w和最優(yōu)系數(shù)矩陣g能夠滿足目標函數(shù)值j(h)最小，使得目標函數(shù)穩(wěn)定收斂。在本發(fā)明實施例中，步驟s13可以包括：在設定范圍內確定k的值；對于確定出的k的值，采用新迭代稀疏凸非負矩陣分解法對矩陣進行分解，求出k對應的訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在本發(fā)明實施例中，設定范圍優(yōu)選為180≥k≥20。k取值過小時，維度降至過低導致特征丟失嚴重，而隨著k的增加，人臉輪廓各部分主要器官會逐漸顯露，細節(jié)部分越來越清晰，即k的值越大，重建圖像的效果就越好，所以k的取值不宜過小，當k小于20時，基矩陣的系數(shù)矩陣的維度過低，則特征過多丟失，會導致后期圖像重建失真嚴重；當k接近j時，重建的人臉圖像與原始圖像一樣的清晰，沒有視覺上的任何差異。但是k過大會導致計算時間過長，且識別率已經(jīng)到達上限，不會隨著k的增大而無限增大，所以k的取值不宜過大，當k超過180時，運行時間過長且識別率保持100％不變。因此本發(fā)明實施例中，設定k范圍為180≥k≥20。具體地，對于確定的k的值，采用新迭代稀疏凸非負矩陣分解法對訓練樣本集的非負矩陣進行分解，包括：第一步，根據(jù)k確定初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣。在本發(fā)明實施例中，第一步采用如下方式完成：按照初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣的維度分別產(chǎn)生隨機矩陣。即產(chǎn)生維度為i×k的隨機矩陣w和i×k的隨機矩陣g，且隨機數(shù)值在0-1之間。第二步，根據(jù)初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣以及迭代公式進行迭代計算。第三步，將每一步迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣代入目標函數(shù)：j(h)＝tr(-2htb+-hta-hc)，其中b+＝(xtx)+g，a-＝(xtx)-，c＝gtg,h＝w；當目標函數(shù)的值達到穩(wěn)定狀態(tài)，結束迭代計算，并將最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣；或者，當?shù)螖?shù)達到迭代次數(shù)閾值時，選取最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。利用公式(9)、(10)進行迭代計算，每次迭代出新的wik和gik，將分別由wik和gik構成的矩陣w和g代入公式(1)計算j(h)的取值；隨著迭代次數(shù)增多，j(h)值不斷減小，當j(h)的取值達到穩(wěn)定狀態(tài)時，結束迭代，且將最后一次迭代得到的wik和gik所構成的w和g矩陣作為最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。這里穩(wěn)定狀態(tài)是指，j(h)的取值保持不變或者變動幅度小于預定幅度，例如j(h)的取值變化小于千分之一時，認為j(h)的取值達到穩(wěn)定狀態(tài)。另外，由于公式(9)、(10)可使目標函數(shù)j(h)不增且趨于收斂穩(wěn)定，所以穩(wěn)定后直接選取最后一次的迭代結果作為最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣?；蛘?，當?shù)螖?shù)達到預定的迭代次數(shù)時，選取最后一次迭代得到的w和g作為最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。例如，預定的迭代次數(shù)為500次，且在500次迭代結束時，j(h)的取值仍未保持不變，選取最后一次迭代得到的w和g作為最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在進行迭代的同時需要對基矩陣的系數(shù)矩陣進行稀疏化。稀疏化基矩陣的系數(shù)矩陣的過程包括：確定稀疏化閾值；在每一步迭代計算后，判斷迭代計算出的基矩陣的系數(shù)矩陣中的每個數(shù)值與稀疏化閾值的大小；將迭代計算出的基矩陣的系數(shù)矩陣中大于稀疏化閾值的數(shù)值設置為1，將迭代計算出的基矩陣的系數(shù)矩陣中小于或等于稀疏化閾值的數(shù)值設置為0。下一步迭代時，采用該稀疏化后的基矩陣的系數(shù)矩陣。該稀疏化閾值為一個預設置，可以根據(jù)實際需要提前給定。在迭代中利用閾值化方法將基矩陣的系數(shù)矩陣稀疏化為0、1矩陣，可使得圖像基矩陣的系數(shù)矩陣中的特征系數(shù)數(shù)據(jù)更集中、更稀疏、更加突出人臉特征，能夠有效提取出能突出表現(xiàn)人臉特征的特征系數(shù)，并使得對應的系數(shù)矩陣g中的權重系數(shù)更集中，更易于分類，從而提高識別率；同時，處理后的矩陣稀疏化，降低了矩陣運算量，加快了本發(fā)明的計算速度。在本發(fā)明實施例中，w'、g'的初始值都是0-1之間的隨機數(shù)矩陣，因此，稀疏化閾值的選定范圍在0-1之間。優(yōu)選地，該稀疏化閾值可以設置為0.05。步驟s14：采用訓練樣本集的最優(yōu)系數(shù)矩陣訓練分類器。在本發(fā)明實施例中，分類器為支持向量機(supportvectormachine，svm)分類器。svm實質上是一個二類分類器，而將多個類別的人臉進行訓練分類是一個典型的多分類問題。svm處理多分類問題可采用“一對一”和“一對多”兩種策略，而“一對一”策略的分類的結果更為精確。因此，本發(fā)明采用的是“一對一”的策略，將樣本的n類進行兩兩分類，構造n(n-1)/2個分類器。例如，人臉樣本的類別總數(shù)n為40時，采用“一對一”方法構造780個分類器。不同的k的值對應訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣的維度不同，維度越大，特征系數(shù)數(shù)據(jù)保留越多，分類識別率越高。在步驟s14，優(yōu)選地，采用k＝180的訓練樣本集的最優(yōu)系數(shù)矩陣來訓練分類器，保證較高的識別率。將訓練樣本集的最優(yōu)系數(shù)矩陣g和類別標簽矩陣y作為上述svm分類器的輸入訓練集，用該訓練集訓練分類器。類別標簽矩陣是在做二分類時使用的用于標記樣本類別的矩陣，其數(shù)據(jù)只有兩個值如0、1，每個值分別代表了人臉樣本所屬的類別，如1代表一類，0代表另一類(二分類)。具體訓練過程為：分解得到的訓練樣本集的最優(yōu)系數(shù)矩陣g的大小為200×k。因為40類人中每類人的人臉訓練樣本是5張圖像，所以要區(qū)分第p類(39≥p≥1)和第q類(40≥q≥p+1)樣本(二分類)時，g中屬于第p類的共有5個樣本，屬于第q類的共有5個樣本。第p類樣本構成大小為5×k(180≥k≥20)的矩陣v1，其類別標簽矩陣為5×1的全1列向量y1，第q類樣本構成大小為5×k(180≥k≥20)的矩陣v2，其類別標簽矩陣為全0的列向量y2。將矩陣v1和v2組合成大小為10×k的樣本矩陣v，y1和y2組合成10×1的類別標簽矩陣y，將v、y矩陣作為svm分類器的輸入訓練集，通過svm算法算出能正確劃分第p類和第q類樣本的二分類器參數(shù)信息。p從1連續(xù)取值到39，同時q從p+1連續(xù)取值到40，即共需40(40-1)/2次svm計算，將每次算出的正確的二分類的參數(shù)連續(xù)存儲在一個文件里，即可得到多分類器參數(shù)文件，分類時調用該文件，獲取多分類器的參數(shù)信息。步驟s15：對待識別樣本集進行預處理，得到待識別樣本集矩陣。在本發(fā)明實施例中，待識別樣本集既可以是實際需要進行分類的人臉圖像的集合，也可以是用來進行測試的人臉圖像的集合，本發(fā)明對其獲取的方式不做限制。待識別樣本集也是由多張人臉圖像構成，例如，由多類人(如40類人)的多張人臉圖像構成200張樣本圖像，每個樣本圖像包括10304(112×92)個像素，則這個待識別樣本集構成的初始矩陣s'的大小為10304×200。在步驟s15中對待識別樣本集的初始矩陣進行預處理的過程與步驟s12中對訓練樣本集的初始矩陣進行預處理的過程相同，這里不再贅述。通過s12預處理過程，最終得到包含低頻信息的待識別樣本集矩陣s，該矩陣的大小為j×i，j為待識別樣本集中每個樣本的低頻特征維度，i為待識別樣本集中的樣本數(shù)量，j、i均為正整數(shù)。以前文大小為10304×200的初始矩陣s'為例，經(jīng)過預處理后得到的待識別樣本集矩陣s的大小為2784×200。步驟s16：采用新迭代稀疏凸非負矩陣分解法對待識別樣本集矩陣進行處理，求出待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用如下迭代公式迭代產(chǎn)生：其中，s為所述待識別樣本集矩陣，大小為j×i，j、i均為正整數(shù)，j為所述待識別樣本集中每個樣本的低頻特征維度，i為所述待識別樣本集的樣本數(shù)量，st為s的轉置矩陣；u為第n次迭代得到的基矩陣的系數(shù)矩陣，q為第n次迭代得到的系數(shù)矩陣，u'為第n-1次迭代得到的基矩陣的系數(shù)矩陣，q'為第n-1次迭代得到的系數(shù)矩陣，u、q、u'和q'大小均為i×k，k表示s的特征維度，k為正整數(shù)且k≤j，n為大于1的正整數(shù)；u't為u'的轉置矩陣，q't為q'的轉置矩陣，qt為q的轉置矩陣；uik為u的第i行第k列的元素，qik為q的第i行第k列的元素，i、k均為正整數(shù)，且i≤i，k≤k；u'ik為u'的第i行第k列的元素，q'ik為q'的第i行第k列的元素；當j(v)的值最小時，u為最優(yōu)基矩陣的系數(shù)矩陣，q為最優(yōu)系數(shù)矩陣，j(v)＝tr(-2vtf+-vte-vd)，其中f+＝(sts)+q，e-＝(sts)-，d＝qtq,v＝u，vt為v的轉置矩陣。其中，待識別樣本集矩陣也即前文待識別樣本集預處理后得到的矩陣，u為第n次迭代得到的待識別樣本集矩陣的基矩陣的系數(shù)矩陣，q為第n次迭代得到的待識別樣本集矩陣的系數(shù)矩陣。在步驟s16對采用新迭代稀疏凸非負矩陣分解法對待識別樣本集矩陣進行處理的過程，與在步驟s13中采用新迭代稀疏凸非負矩陣分解法對訓練樣本集矩陣進行處理的過程相同，這里不再贅述。不同k的值對應不同的分解維度，分解維度越大，特征丟失越少，分類識別越準確。在步驟s16中，優(yōu)選地，采用k＝180對待識別樣本集矩陣進行分解，從而保證較高的識別率。步驟s17：采用訓練好的分類器對待識別樣本集的最優(yōu)系數(shù)矩陣進行分類，完成人臉識別。對待識別樣本集的最優(yōu)系數(shù)矩陣進行分類，比直接用待識別樣本集矩陣進行分類，特征更集中，運算量更小。在本發(fā)明實施例中，采用分類器對待識別樣本集的最優(yōu)系數(shù)矩陣進行分類可以包括：對待識別樣本集的最優(yōu)系數(shù)矩陣采用分類器進行分類。分類識別過程為：將大小為200×k的最優(yōu)系數(shù)矩陣q輸入至svm分類器進行分類，并定義一個類別投票矩陣用于對每個樣本所屬類別進行投票，類別投票矩陣大小為m×s，其中m為樣本總個數(shù)200，s為類別總數(shù)40。調用s14中訓練得到的多分類器參數(shù)文件，對200個樣本中每一個樣本依次進行二分類判斷，判斷其是屬于第p類還是第q類，p從1連續(xù)取值到39，同時q從p+1連續(xù)取值到40。如果該樣本被判斷為屬于第p類，那么類別投票矩陣的第p列加1，即對第p列投1票；反之，如果該樣本被分類器判斷為第q類，則類別投票矩陣的第q列加1，即對第q列投1票。統(tǒng)計類別投票矩陣的所有列中得票最多的那一列的列編號就是該樣本的類別編號。統(tǒng)計200個樣本的分類情況，可以得到大小為200×1的類別編號矩陣。類別編號矩陣的行值對應樣本個數(shù)，列值對應的樣本所屬類別編號。實驗表明，采用svm“一對一”分類器能夠正確分類識別不同表情屬于同一張人臉。如果需要進行分類識別的圖像數(shù)量超過這個數(shù)量時，可以同時擴大訓練樣本集的初始矩陣和待識別樣本集的初始矩陣的維數(shù)即可。如80個人的1600張人臉，每人20張人臉，若每個人隨機選取10張圖像組成訓練樣本集，剩下的每個人的10張圖像組成待識別樣本集，則訓練樣本集和待識別樣本集中各有800張人臉圖像，若每張圖像大小為130×100，則擴大訓練樣本集初始矩陣x'和待識別樣本集初始矩陣s'的維數(shù)均為j'×i'，其中j'＝13000，i'＝800，依次采用步驟s12-s17，即可完成分類識別。如果需要進行分類識別的圖像數(shù)量小于這個數(shù)量時，可以縮小訓練樣本集的初始矩陣和待識別樣本集初始矩陣的維數(shù)即可。如20個人，每個人10張人臉圖像，共計200張圖像，若每人隨機選取5張作為訓練樣本集，剩下5張作為待識別樣本集，則訓練樣本集和待識別樣本集中各有100張人臉圖像。若每張圖像大小為90×60，則指定訓練樣本集初始矩陣x'和待識別樣本集初始矩陣s'的維數(shù)均為j'×i'：j'＝5400，i'＝100，執(zhí)行步驟s12-s17，即可完成分類識別。當進行分類識別時，如果待識別圖像在訓練集中不存在，此時可以將該待識別圖像加入到訓練集中，采用新迭代稀疏凸非負矩陣分解法重新計算得到新的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣；并用新的最優(yōu)系數(shù)矩陣作為輸入，重新訓練分類器。下面通過對比測試，對本發(fā)明實施例提供的人臉識別方法的效果進行說明：對比測試中采用的三種對比方法分別為：a、pca方法；b、snmf方法；c、基本cnmf方法。本發(fā)明實施例提供的方法為：d、新迭代稀疏cnmf方法。取orl圖庫中每人各10張圖像共400張，每張圖像有256個灰度級，大小為112×92。其中每個人的臉部表情和臉部細節(jié)都有著不同程度的變化，如笑與不笑、眼睛睜與閉、戴與不戴眼鏡等；人臉姿態(tài)也有相當程度的變化，深度旋轉和平面旋轉最大可達20度；人臉的尺度也有多達10％的變化。對每個人隨機選取前5張圖像作為訓練圖像，構成訓練樣本集，剩下的5張作為待識別圖像，構成待識別樣本集。這樣訓練樣本集和待識別樣本集中各有200張。圖2a-圖2d分別是本發(fā)明實施例提供的a-d四種方法從訓練樣本集中得到的最優(yōu)基矩陣圖像，其中圖d是從訓練樣本集中訓練得到的最優(yōu)基矩陣的系數(shù)矩陣通過f＝xw公式進行還原后的最優(yōu)基矩陣圖像。由圖2可看出，d方法得到的最優(yōu)基矩陣圖像能夠準確反映人臉眼睛、鼻子的位置特征信息，使得人臉特征數(shù)據(jù)更加集中、稀疏；而a、b、c方法得到的最優(yōu)基矩陣圖像如圖2a、2b、2c所示，特征信息過于分散模糊，不夠集中。因此，相對于a、b、c方法，本發(fā)明提出的新迭代稀疏cnmf方法，算出的最優(yōu)基矩陣所包含的特征數(shù)據(jù)更稀疏，特征信息更準確集中，對應的人臉特征的最優(yōu)系數(shù)矩陣的分類會更準確。在k取不同值時的人臉識別率、算法所耗費時間方面，四種方法的對比結果如下表1、表2所示，k連續(xù)取值時的四種方法的效果對比曲線，如圖3、圖4所示。表1-k取不同值各種方法的人臉識別率對比k20355575180220方法a21％16.5％18.5％15.5％13.5％12.5％方法b85％88％89％87％75％70％方法c67％54％22％16％3％2.5％方法d98.5％99％99％99％100％100％表2-k取不同值各種方法的運行時間對比(單位：秒)k20355575180220方法a13.817.320.933.751.357.7方法b12.514.516.220.335.138.2方法c20.021.524.125.837.340.3方法d18.518.819.220.324.825.3由表1及圖3可知，采用本發(fā)明提出的新迭代稀疏cnmf方法，可大幅度提高人臉識別率，識別率要明顯高于a-c三種方法；這是由于本發(fā)明的技術方案中發(fā)明的新迭代規(guī)則比傳統(tǒng)的乘性迭代規(guī)則更優(yōu)，所得到的最優(yōu)系數(shù)矩陣數(shù)據(jù)更集中更稀疏、集中。由圖3可知，本發(fā)明提出的新迭代稀疏cnmf方法隨著k的增加，識別率不斷增大，當k＝180時，識別率高達100％，k繼續(xù)增大時，識別率保持100％不變；而方法b提供的snmf方法，當k增至55時，識別率最高，僅為89％，且k繼續(xù)增大，識別率反而降低；方法a和方法c的識別率較低，且隨著k增大識別率不斷降低。而k越大，圖像重建越準確，因此由圖3可知，只有本發(fā)明所提出的新迭代cnmf方法能夠保證在較高的識別率下，也能取得較高的k的值，從而保證能更好地重建圖像。由表2和圖4中給出的各種方法所需要的運算時間，可知當k不斷增大時，本發(fā)明提供的新迭代cnmf方法的識別速度明顯較其他三種方法更快。這是因為本發(fā)明的技術方案中發(fā)明的新迭代規(guī)則并結合閾值稀疏方法可得到最優(yōu)的、稀疏化的基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，減少了計算量。由圖3和圖4可知，已有的a、b、c三種方法，隨著k的增加，其識別率不斷降低，所耗費時間卻不斷增加；隨著k的增加，本發(fā)明的技術方案運行時間增加緩慢且識別率不斷增高；本發(fā)明提供的方法在識別率最高為100％時k取值為180，而其他方法的識別率最高時的k取值均比較小，而k越大，后期圖像重建越準確。因此，綜合考慮算法時間、識別率的總體性能及后期圖像重建的準確率，本發(fā)明所提方法d要明顯優(yōu)于已有的相關的a、b、c三種方法。基于本發(fā)明實施例提供的新迭代稀疏cnmf方法，綜合考慮識別率、運算時間，后期圖像重建等因素，選擇k＝180，編寫了基于matlab的人臉識別軟件，從200張人臉中以100％的概率隨機挑出不同人的待識別人臉圖像，在不同表情、眼睛睜與閉、是否戴眼鏡的情況下，軟件均分類識別正確。軟件能在以100％的概率下挑出一個人進行正確識別并輸出標識此人身份的正面臉，同時在軟件界面文本框中能正確給出該人臉所屬類別及待識別樣本集的識別率。綜上所述，本發(fā)明提供的基于新迭代稀疏cnmf方法的人臉識別技術，有較高的理論價值；同時本發(fā)明的技術方案能取得極高的人臉識別率，且計算時間短，并能夠保證后期人臉重建較高的準確率，且此技術已通過軟件實現(xiàn)，工程應用價值大。圖5是本發(fā)明實施例提供了一種人臉識別裝置的結構示意圖，參見圖5，該裝置包括：預處理單元201，用于對待識別樣本集進行預處理，得到待識別樣本集矩陣；分解單元202，用于采用新迭代稀疏凸非負矩陣分解法對待識別樣本集矩陣進行處理，求出待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用如下迭代公式迭代產(chǎn)生：其中，s為所述待識別樣本集矩陣，大小為j×i，j、i均為正整數(shù)，j為所述待識別樣本集中每個樣本的低頻特征維度，i為所述待識別樣本集的樣本數(shù)量，st為s的轉置矩陣；u為第n次迭代得到的基矩陣的系數(shù)矩陣，q為第n次迭代得到的系數(shù)矩陣，u'為第n-1次迭代得到的基矩陣的系數(shù)矩陣，q'為第n-1次迭代得到的系數(shù)矩陣，u、q、u'和q'大小均為i×k，k表示s的特征維度，k為正整數(shù)且k≤j，n為大于1的正整數(shù)；u't為u'的轉置矩陣，q't為q'的轉置矩陣，qt為q的轉置矩陣；uik為u的第i行第k列的元素，qik為q的第i行第k列的元素，i、k均為正整數(shù)，且i≤i，k≤k；u'ik為u'的第i行第k列的元素，q'ik為q'的第i行第k列的元素；當j(v)的值最小時，u為最優(yōu)基矩陣的系數(shù)矩陣，q為最優(yōu)系數(shù)矩陣，j(v)＝tr(-2vtf+-vte-vd)，其中f+＝(sts)+q，e-＝(sts)-，d＝qtq,v＝u，vt為v的轉置矩陣；分類單元203，用于采用訓練好的分類器對待識別樣本集的最優(yōu)系數(shù)矩陣進行分類，完成人臉識別。在本發(fā)明實施例中，分解單元202，用于在設定范圍內確定k的值；對于確定出的k的值，采用新迭代稀疏凸非負矩陣分解法對待識別樣本集矩陣進行分解，求出k對應的所述待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在本發(fā)明實施例中，設定范圍優(yōu)選可以為180≥k≥20。在本發(fā)明實施例中，分解單元202，用于根據(jù)k確定初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣；根據(jù)初始基矩陣的系數(shù)矩陣和初始系數(shù)矩陣以及迭代公式進行迭代計算；將每一步迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣代入目標函數(shù)：j(v)＝tr(-2vtf+-vte-vd)，其中f+＝(sts)+q，e-＝(sts)-，d＝qtq,v＝u；當目標函數(shù)的值達到穩(wěn)定狀態(tài)，結束迭代計算，并將最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，其中，穩(wěn)定狀態(tài)是指目標函數(shù)的值保持不變或者變動幅度小于預定幅度；或者，當?shù)螖?shù)達到迭代次數(shù)閾值時，選取最后一次迭代計算出的基矩陣的系數(shù)矩陣和系數(shù)矩陣作為待識別樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣。在本發(fā)明實施例中，分解單元202，還用于確定稀疏化閾值；在每一步迭代計算后，判斷迭代計算出的基矩陣的系數(shù)矩陣中的每個數(shù)值與稀疏化閾值的大??；將迭代計算出的基矩陣的系數(shù)矩陣中大于稀疏化閾值的數(shù)值設置為1，將迭代計算出的基矩陣的系數(shù)矩陣中小于或等于稀疏化閾值的數(shù)值設置為0。進一步地，該裝置還包括訓練單元204；預處理單元201，還用于對訓練樣本集進行預處理，得到訓練樣本集矩陣；分解單元202，還用于采用新迭代稀疏凸非負矩陣分解法對訓練樣本集矩陣進行處理，求出訓練樣本集的最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣，最優(yōu)基矩陣的系數(shù)矩陣和最優(yōu)系數(shù)矩陣采用與待識別樣本集處理時相同的迭代公式迭代產(chǎn)生；訓練單元204，用于采用所述訓練樣本集的最優(yōu)系數(shù)矩陣訓練分類器。需要說明的是：上述實施例提供的人臉識別裝置在人臉識別時，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將設備的內部結構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。另外，上述實施例提供的人臉識別裝置與人臉識別方法實施例屬于同一構思，其具體實現(xiàn)過程詳見方法實施例，這里不再贅述。上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。本領域普通技術人員可以理解實現(xiàn)上述實施例的全部或部分步驟可以通過硬件來完成，也可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質中，上述提到的存儲介質可以是只讀存儲器，磁盤或光盤等。以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。當前第1頁12