CN102521623B - 一种基于子空间的增量学习人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于子空间的增量学习人脸识别方法，包括以下步骤：步骤一：人脸图片的预处理；步骤二：生成一组以上训练样本子空间和一组测试图片子空间：步骤三：比较测试图片子空间与一组以上训练样本子空间之间的相似度；步骤四：增量学习：如果在步骤三中标识为第j^*类的测试图片与表示第j^*类人脸的样本图片之间的相似度大于设定阈值，则通过基底变换法对该组样本子空间进行调整，生成一组新的样本子空间。本发明优点是实现了增量学习，在识别过程中能够充分利用已接触的信息，对识别结果进行改进。

Description

一种基于子空间的增量学习人脸识别方法

技术领域

本发明涉及一种模式识别技术领域，具体涉及一种基于子空间的增量学习人脸识别方法。

背景技术

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。相对于其他技术，人脸识别技术具有自然性，高可接受性，识别进行时不易被人脸察觉等优势，因而其在视频监控、犯罪调查、娱乐、军事等领域具有巨大的应用潜力。

早期的研究者往往通过选择提取人脸图像的几何特征来进行人脸识别。然而，由于几何特征的提取十分困难，而且对于表情、光照以及拍摄角度的变化十分敏感，因而后来的研究者更倾向于采用基于灰度信息的特征提取方法。其中最为常见的方法是原始的高维数据映射到一个低维的特征空间，然后对低维数据进行比较，此类方法典型代表有PCA、LDA等。此外，比较常见的人脸识别方式还有基于模板的识别算法，利用神经网络的识别算法等。

经对现有技术文献的检索发现Jun Liu等在《Single Image Subspace for FaceRecognition》中首先提出了将单张人脸图片表示为一组子空间，通过比较子空间相似度来获取最终识别结果的方法。在多个数据库中进行的实验表明，无论是在多训练样本条件下，还是在单训练样本条件下，此方法的识别准确率均高于许多已有的经典算法。其不足之处在于对于每张人脸图片都必须单独地生成多个对应的子空间，这意味着即使是某人两张差别很小的照片，也必须要由两组的子空间来表示，即使这两组的子空间本身也十分相似。由于进行识别比较时，花费时间与样本子空间数目成正比，因此当在增量学习过程中，习得的样本数目增大很多时，识别耗时会也相应增加很多。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种能够提高现有人脸识别系统的准确性和速度的基于子空间的增量学习人脸识别方法。

为了解决上述技术问题，本发明公开了一种基于子空间的增量学习人脸识别方法，包括以下步骤：

步骤一：人脸图片的预处理：将所有训练样本图片和测试图片进行规范化，并对每张图片进行分块平移。

步骤二：生成一组以上训练样本子空间和一组测试图片子空间：对于训练样本图片中每个图片的分别用一组正交基底表示，将所有训练样本图片中属于同一人脸的图片归类，生成一组样本子空间表示该类的人脸，每一个样本子空间都采用一组正交基底来表示，从而生成一组以上训练样本子空间；在训练集中，需要将属于同一人脸的所有图片信息整合，生成惟一的一组样本子空间来代表这个类的人脸。对于一个测试图片生成一组用正交基底表示的子空间，即生成一组测试图片子空间。

步骤三：比较测试图片子空间与一组以上训练样本子空间之间的相似度：将测试图片子空间分别与表示第

类人脸的一组样本子空间进行比较，s为训练样本中人脸总数，找出与测试图片整体相似度分数最高的人脸的样本图片，记两者属于同一人脸，标识为j^*类。

步骤四：增量学习：如果在步骤三中标识为第j^*类的测试图片与表示第j^*类人脸的样本图片之间的相似度大于设定阈值，则通过基底变换法对该组样本子空间进行调整，生成一组新的样本子空间。

本发明步骤一人脸图片的预处理包括以下步骤：将所有图片裁剪成相同大小，保证所有图片中人脸的双眼位于图片中的同一位置；对所有图片进行直方图均衡化；将每张图片划分为多个相互重叠的大小相同的子块，令每个子块各自生成m×n张平移图片其中m、n为自然数。

本发明步骤二中正交基底表示图片包括：令图片各子块生成一个子空间：设A₁₁，A₁₂，...，A_mn为m×n张平移图片的灰度矩阵，令矩阵A_i′j′每列首尾相连，其中1≤i′≤m，1≤j′≤n，得到列向量a_i′j′，将每个子块由一个子空间S_a＝span(a₁₁，a₁₂，...，a_mn)表示，并计算子空间S_a的正交基底。用格拉姆-施密特正交化计算出子空间S_a的正交基底。

本发明中步骤二中，如果训练样本中两张以上图片属于同一人脸，则将该类所有图片的子空间整合，子空间整合方法如下：要将维数为k的子空间U和维数为k的子空间V整合，生成一个维数为k的子空间W，首先将子空间U和子空间V表示为如下形式：

分别表示子空间U和子空间V的标准正交基，1≤i≤k；子空间U中第i个基底

与子空间V中第i个基底

之间的夹角为两个子空间之间的第i个主角度，其中1≤i≤k；令参数

W＝span(w₁，w₂，w₃，...，w_k)即为同时代表子空间V与子空间U的空间，η_i为学习率参数，取值范围为[0，1]，η_i越大，则表示新加入的图片对原有子空间的影响越大。

本发明步骤三包括以下步骤：计算测试图片各子块与每个训练图片各子块的子空间相似度：

表示测试图片的第

个子块与第类人脸的第

个子块间的相似度，即为局部相似度分数

将各局部相似度分数

相加，得到测试图片与代表第

类人脸的那一组样本子空间的整体相似度分数

根据下式找出与测试图片整体相似度分数

最高的人脸的样本图片，记两者属于同一人脸，标识为j^*类： $j^{*}=\arg \underset{\stackrel{\‾}{j}}{\max }{\mathrm{Score}}_{\stackrel{\‾}{j}}.$

本发明步骤四包括以下步骤：步骤41，判断步骤三中标识为第j^*类的测试图片与表示第j^*类人脸的样本图片之间的整体相似度

是否大于整体相似度阈值T，如果是，则进行步骤42，如果否，则不进行增量学习；步骤42，判断步骤三中标识为第j*类的测试图片与表示第j^*类人脸的样本图片之间的局部相似度分数

是否大于局部相似度阈值

如果是，则通过式

对原训练样本子空间的基底进行调整。

有益效果：本发明具有以下优点：1、实现了增量学习，在识别过程中能够充分利用已接触的信息，对识别结果进行改进；2、在进行增量学习时能够充分利用原有的计算结果，避免了重复计算，节省了计算量；3、在进行增量学习，改进了原有数据样本的质量的前提下，没有增加需要存储的数据量，进而避免了随着学习的进行识别运算负担加重的问题；4、新的子空间相似度度量方式；5、较高的识别准确率。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本发明流程图。

具体实施方式

如图1所示，本发明流程包括以下各个部分。

一、预处理阶段

对所有图片进行归一化处理，包括人脸图像的大小归一化和灰度归一化：首先依据人脸图像双眼的中心位置裁剪出标准的M×N大小人脸图像，然后进行直方图均衡化操作减轻光照条件变化所带来的影响。

接着，将已归一化的M×N大小图像分割为c个R×C大小的子块。为了兼顾到识别的效率和鲁棒性，R和C一般分别设为M和N的1/3，并且相邻的两子块间，有一半的像素是重合的。通过对图像的分割，将有助于人脸图像局部特征的提取。利用局部特征进行比较，具有如下优势：减轻“维度灾难”问题；使得人脸之间局部比较相似性成为可能；增加了样本多样性；降低了存储和计算代价。

随后，对于每个R×C大小的子块，进行以下平移操作，生成m×n个l×r大小的新样本图片：

A_i′j′＝A(i′：(l+i′-1)，j′：(r+j′-1))

1≤i′≤m，1≤j′≤n。

其中A为该子块的灰度矩阵，A_i′j′为新生成的平移图像，有l＝M-m+1，r＝N-n+1，其中参数m和n设定为3。

二、样本子空间的生成阶段

利用由单个子块生成的一组平移图像，可建立一个子空间：S_A＝span(A₁₁，A₁₂，...，A_mn)。随后，其可等价表示为：S_a＝span(a₁₁，a₁₂，...，a_mn)。

其中，a_i′j′＝vec(A_i′j′)，表示a_i′j′为矩阵A_i′j′列首尾相连所得到的列向量。

接着，计算出子空间S_a一组正交基底。考虑到计算量的问题，此时计算正交基底可采用格拉姆-施密特正交化方法。

若训练样本中有多张图片属于同一人脸，则需要将它们的子空间信息整合在一起。子空间信息整合操作将在增量学习阶段详细介绍。

三、测试图片与样本子空间的比较

3.1子空间相似度度量

在Single Image Subspace for Face Recognition中，Liu提出了一则基于正交投影的子空间距离公式：

$\mathrm{dist}(S_1,S_2)={\left|\right|{\mathrm{PP}}^T-{\mathrm{QQ}}^T\left|\right|}_F=\sqrt{k_1+k_2-2\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\cos }^2\left({\mathrm{\θ}}_i\right)},$ 其中，S₁和S₂分别为k₁和k₂维的子空间，

为子空间S₁(S₂)的正交基底，k＝min(k₁，k₂)。

在这里，θ_i为第i个主角度。主角度的定义如下：令<·，·>表示内积，给定两个子空间U和V，有dim(U)＝k≤dim(V)＝l，于是{θ₁，θ₂，...，θ_k}k个角被称为这两个子空间之间的主角度，它们的定义为：

${\mathrm{\&theta;}}_1=\min \left\{\arccos \left(\frac{<u,v>}{\left|\right|u\left|\right|\&CenterDot;\left|\right|v\left|\right|}\right)\right|u\&Element;U,v\&Element;V\}=\&angle;(u_1,v_1),$

${\mathrm{\&theta;}}_i=\min \left\{\arccos \left(\frac{<u,v>}{\left|\right|u\left|\right|\&CenterDot;\left|\right|v\left|\right|}\right)\right|u\&Element;U,u\&perp;u_j,v\&Element;V,v\&perp;v_j,\&ForAll;j\&Element;\{\mathrm{1,2},...,i-1\}\},$

u^Tu＝v^Tv＝1，u^Tu_j＝v^Tv_j＝0

j＝1，2，...，i-1，

利用k个主角度，两个子空间之间的相似度可以表示出来。

Liu距离公式虽然充分利用了各个主角度所含的信息，但是在应用的时候由于需要将多组子空间的相似度分数整合起来得到一个整体的相似度分数，因此与需要一个额外的步骤来将已计算出dist(S₁，S₂)进行规范化。Liu采用的方法是把距离dist(S₁，S₂)转化成一个值域在区间[0，1]的相对相似度分数。然而，在增量学习的条件下，各种条件不断变化，根据相对值进行规范化操作往往无法取得预期的效果。

因此，本发明定义了一个新的子空间相似度度量公式：

$\mathrm{score}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\cos }^2{\mathrm{\&theta;}}_i/k,k=\min (k_1,k_2),$

值得注意的是到在具体的一次人脸识别应用中，生成的各子空间S₁，S₂，S₃....的维数是确定的，即k₁＝k₂＝k₃＝...＝k，即k是一个常数。

采用这样的相似度公式具有如下优势：

1、综合了所有的主角度角信息，提高了比较操作的强壮性。

2、计算比较方便。

3、求得的相似度分数的值域在区间[0，1]，无需额外的规范化操作。

3.2图片的识别

对于测试集中每一张未标识图片，进行如下操作：

1)对其进行分割，每张测试图片与训练图片一样，分割成c个子块，相邻子块相互重叠。每个分割后的子块生成对应子空间，并采用标准正交基底表示。子空间的生成方式即为阶段二中描述的方法。

2)分别计算其各子块与所有训练图片相应子块的相似度(通过比较子空间相似度)： ${\mathrm{score}}_{\stackrel{\&OverBar;}{i},\stackrel{\&OverBar;}{j}}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\cos }^2{\mathrm{\&theta;}}_i/k,k=\min (k_1,k_2).$

3)整合各子块的区域相似度分数，得到一个整体的相似度总分，有：

${\mathrm{Score}}_{\stackrel{\&OverBar;}{j}}=\underset{\stackrel{\&OverBar;}{i}=1}{\overset{c}{\mathrm{\&Sigma;}}}{\mathrm{score}}_{\stackrel{\&OverBar;}{i},\stackrel{\&OverBar;}{j}}.$

4)

即为所求得的测试图片标号，对其进行标识。

5)判断是否符合进行增量学习的条件。如符合，将此测试图片信息加入样本空间，否则，不加入。

四、增量学习阶段

4.1进行增量学习的条件

若训练样本中有多张图片属于同一人脸，则需要将它们的子空间信息整合在一起，用一组子空间来表示这个类。在这组子空间中，每个子空间分别表示属于同一人脸的所有样本图片某一特定位置子块的信息。因此，随着训练样本的增加，需要对于子空间进行调整。

而同样在进行识别阶段，一旦一张原先未标识的图片在识别过程中给出了标号j^*，要将它的信息加入代表第j^*个类的子空间组。

由于，对于某个类来说，并不是每个子空间所含的信息都可以很好地表示这个类。因此，在进行增量学习时，首先要决定一个阈值系统，以减轻由于所学子空间所含的信息质量不佳而引起的影响。

要对某子空间进行增量学习，需满足以下两个条件：

即两个空间组之间的整体相似度要大于一定值。

(2)

即相同位置子块之间的相似度要大于一定值，或是说两个特定子空间之间的相似度要大于一定值。

整体相似度的阈值T，可设定为T＝c/3，一组子空间中c为子空间的数目，同时也是整体相似度分数可取到的最大值。

对于局部相似度的阈值可由系统自适应产生，可取

(1≤j1≤s，1≤j2≤s，j1≠j2)表示第j1个训练样本子的空间组中第

个子空间与第j2个训练样本子空间组中第个子空间之间的相似度。

4.2子空间的合并

现在，假设要将子空间U的信息加入子空间V(U与V的维数都是k)，生成一个新的子空间W，使W可以同时包含子空间U和V的信息，即新生成的子空间W与原有子空间U和V都相似，用一个子空间W就可以代表原有的U和V两个子空间。

设有矩阵P和Q，它们的列向量分别为子空间U和V的正交基底，即：

$P={(p_1,p_2,...,p_{k_1})}^T;$ $Q={(q_1,q_2,...,q_{k_2})}^T$ 其中 $p_i^T{p}_j=\left\{\begin{array}{cc}1& i=j\\ 0& i\&NotEqual;j\end{array}\right.;$ $q_i^T{q}_j=\left\{\begin{array}{cc}1& i=j\\ 0& i\&NotEqual;j\end{array}\right.,$

要找出矩阵

与

令它们的列向量也分别为子空间U和V的正交基底，即：

$\tilde{P}={({\tilde{p}}_1,{\tilde{p}}_2,...,{\tilde{p}}_{k_1})}^T;$ $\tilde{Q}={({\tilde{q}}_1,{\tilde{q}}_2,...,{\tilde{q}}_{k_2})}^T,$ 其中 ${\tilde{p}}_i^T{\tilde{p}}_j=\left\{\begin{array}{cc}1& i=j\\ 0& i\&NotEqual;j\end{array}\right.;$ ${\tilde{q}}_i^T{\tilde{q}}_j=\left\{\begin{array}{cc}1& i=j\\ 0& i\&NotEqual;j\end{array}\right.,$

并且矩阵

与

中对应的列向量之间的夹角即为子空间U和V之间的主角度，即

${\tilde{p}}_i^T{\tilde{q}}_i=\cos {\mathrm{\&theta;}}_i,$ 1≤i≤k，

根据主角度的定义，有cosθ_i≥0。

设

x_ij和y_ij分别为转换矩阵X和Y第i行j列的元素。要求

与只需要先求出X与Y。

求

与

中的第1对基底和

使它们间的角度恰好为第1个主角度θ₁，即：

${\cos \mathrm{\&theta;}}_1=\max {\tilde{p}}_1^T{\tilde{q}}_1,$

$=\max {\left({\mathrm{Px}}_1\right)}^T\left({\mathrm{Qy}}_1\right),$

$=\max x_1^T{P}^T{\mathrm{Qy}}_1,$

对P^TQ做svd分解，有P^TQ＝UDV^T，于是：

${\cos \mathrm{\&theta;}}_1={\max x}_1^T{\mathrm{UDV}}^T{y}_1=\max {\left(U^T{x}_1\right)}^{T}D\left(V^T{y}_1\right),$

$=\max {\tilde{x}}_1^{T}D{\tilde{y}}_1,$

$=\max \left|\mathrm{\&Sigma;}{\mathrm{\&sigma;}}_i{\tilde{x}}_{1i}{\tilde{y}}_{1i}\right|,$

$\&le;\mathrm{\&Sigma;}\left|{\mathrm{\&sigma;}}_i\right|\frac{{\tilde{x}}_i^2+{\tilde{y}}_i^2}{2}\&le;\left|{\mathrm{\&sigma;}}_1\right|,$

由此可知，当令

时，

可以取到最大值cosθ₁。

于是有 $x_1^{T}U={\tilde{x}}_1^T\&DoubleRightArrow;\left\{\begin{array}{c}{x}_1^{T}u=1\\ x_1^T{u}_2=0\\ .\\ .\\ .\\ x_1^T{u}_{k_1}=0\end{array}\right.,$ 令x₁＝u₁时等式显然成立，

同理y₁＝v₁时，

成立。

依照上述步骤重复计算可得，令x_i＝u_i，y_i＝v_i时，基底

和

间的角度恰好为θ_i。

于是，可令X＝U，Y＝V。于是得到

与令：

${\tilde{w}}_i={\tilde{p}}_i+{\mathrm{\&eta;}}_i{\tilde{q}}_i$

$w_i=\frac{{\tilde{w}}_i}{{\left|\right|{\tilde{w}}_i\left|\right|}_2},$

于是得到一个新的子空间W＝span(w₁，w₂，...，w_k)。因为 ${\tilde{p}}_i^T{\tilde{p}}_j=\left\{\begin{array}{cc}1& i=j\\ 0& i\&NotEqual;j\end{array}\right.;$ ${\tilde{q}}_i^T{\tilde{q}}_j=\left\{\begin{array}{cc}1& i=j\\ 0& i\&NotEqual;j\end{array}\right.$ 且 ${\tilde{p}}_i{\tilde{q}}_j=\left\{\begin{array}{cc}\left|{\mathrm{\&sigma;}}_i\right|& i=j\\ 0& i\&NotEqual;j\end{array}\right.,$ 所以易证 $w_i{w}_j=\left\{\begin{array}{cc}1& i=j\\ 0& i\&NotEqual;j\end{array}\right..$ η_i为学习率参数。

4.3增量学习的具体过程

1)判断两个子空间组之间的相似度是否满足如下条件：

${\mathrm{Score}}_{j^{*}}>T$

${\mathrm{score}}_{\stackrel{\&OverBar;}{i},j^{*}}>t_{\stackrel{\&OverBar;}{i}},$

满足则进行步骤2，否则不进行增量学习。

2)子空间的合并，该步骤的具体过程如4.2所示。其中学习率参数

N为某子空间已进行增量学习的次数。

实施例

表1和表2分别给出了本发明在两个著名的人脸数据库EYale和AR上的实验结果。

EYALE数据库共38个类，每类64张正面头像，主要涉及光照变化。AR含100个类，每个类26张正面人脸图片，主要涉及光照、表情变化，以及脸部遮挡。

对EYALE数据库进行实验时的参数设置如下：M＝60；N＝60；R＝20：C＝20；m＝3；n＝3；l＝18；r＝18；c＝25；T＝c/3。

对AR数据库进行实验时的参数设置如下：M＝66；N＝48；R＝18：C＝16；m＝3；n＝3；l＝16；r＝14；c＝30；T＝c/3。(图片规范化后的大小为M×N，一张图片分为c个子块，每个子块大小为R×C。对每个子块进行平移，垂直和水平方向分别平移m和n次，平移生成的每个图片大小为l×r。整体相似度阈值设定为T＝c/3，局部相似度阈值以4.1节中所述方式由系统自动给出)。

在本实施例中，对于每个类，仅取第一张图片作为训练样本，其他所有图片作为测试集，进行识别时，测试图片顺序输入。黑色加粗的即为本发明可以达到的最高识别率。可以看出，在两个光照，表情变化比较大的数据库中，即使在单样本条件下，本实施例有着很高的识别准确率。

表1EYale数据库实验结果

	识别准确率
		PCA	57.1％
SIS	98.2％
		PP+LTP/DT	99.0％
本算法	99.6％

表2AR数据库实验结果

	识别准确率
		PCA	42,7％
SIS(nondiv)	76.3％
		SIS	94.2％
本算法	96.7％

本发明提供了一种基于子空间的增量学习人脸识别方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (3)

1.一种基于子空间的增量学习人脸识别方法，其特征在于，包括以下步骤：

步骤一：人脸图片的预处理：将所有训练样本图片和测试图片进行规范化，并对每张图片进行分块平移；

步骤二：生成一组以上训练样本子空间和一组测试图片子空间：

对于训练样本图片中每个图片分别用一组正交基底表示，将所有训练样本图片中属于同一人脸的图片归类，生成一组样本子空间表示该类的人脸，每一个样本子空间都采用一组正交基底来表示，从而生成一组以上训练样本子空间；

对于一个测试图片生成一组用正交基底表示的子空间，即生成一组测试图片子空间；

步骤三：比较测试图片子空间与一组以上训练样本子空间之间的相似度：

将测试图片子空间分别与表示第类人脸的一组样本子空间进行比较，

s为训练样本中人脸总数，找出与测试图片整体相似度分数最高的人脸的样本图片，记两者属于同一人脸，标识为j^*类；

步骤四：增量学习：如果在步骤三中标识为第j^*类的测试图片与表示第j^*类人脸的样本图片之间的相似度大于设定阈值，则通过基底变换法对该组样本子空间进行调整，生成一组新的样本子空间；

步骤三包括以下步骤：

计算测试图片各子块与每个训练图片各子块的子空间相似度：

表示测试图片的第

个子块与第

类人脸的第

个子块间的相似度，即为局部相似度分数

将各局部相似度分数相加，得到测试图片与代表第

类人脸的那一组样本子空间的整体相似度分数

根据下式找出与测试图片整体相似度分数

最高的人脸的样本图片，记两者属于同一人脸，标识为j^*类：

其中整体相似度分数

采用如下公式计算：

$\mathrm{Sco}r{e}_{\stackrel{\&OverBar;}{j}}=\underset{\stackrel{\&OverBar;}{i}=1}{\overset{c}{\mathrm{\&Sigma;}}}{\mathrm{scor}}_{\stackrel{\&OverBar;}{i},\stackrel{\&OverBar;}{j}},$

其中，i表示从1开始的参数，c表示字块数量，

表示各子块与所有训练图片相应子块的相似度，计算公式为：

$\begin{array}{cc}{\mathrm{score}}_{\stackrel{\&OverBar;}{i},\stackrel{\&OverBar;}{j}}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\cos }^2{\mathrm{\&theta;}}_i/k& k=\min (k_1,k_2),\end{array}$

其中，k为常数取参数k₁,k₂之间的小值，k₁,k₂表示子空间S₁,S₂的维数，i表示从1开始的参数，θ_i表示子空间U中第i个基底

与子空间V中第i个基底

之间的夹角为两个子空间之间的第i个主角度，其中1≤i≤k；

令

W=span(w₁,w₂,w₃,...,w_k)即为同时代表子空间V与子空间U的空间，η_i为学习率参数，取值范围为[0,1]，

步骤四包括以下步骤：

步骤41，判断步骤三中标识为第j^*类的测试图片与表示第j^*类人脸的样本图片之间的整体相似度

是否大于整体相似度阈值T，如果是，则进行步骤42，如果否，则不进行增量学习；

步骤42，判断步骤三中标识为第j^*类的测试图片与表示第j^*类人脸的样本图片之间的局部相似度分数

是否大于局部相似度阈值

如果是，则通过式

对原训练样本子空间的基底进行调整，w_i表示调整后的子空间的基底。

2.根据权利要求1所述的一种基于子空间的增量学习人脸识别方法，其特征在于，步骤一人脸图片的预处理包括以下步骤：

将所有图片裁剪成相同大小，保证所有图片中人脸的双眼位于图片中的同一位置；

对所有图片进行直方图均衡化；

将每张图片划分为多个相互重叠的大小相同的子块，令每个子块各自生成m×n张平移图片其中m、n为自然数。

3.根据权利要求2所述的一种基于子空间的增量学习人脸识别方法，其特征在于，步骤二中正交基底表示图片包括：

令图片各子块生成一个子空间：设A₁₁,A₁₂,...,A_mn为m×n张平移图片的灰度矩阵，令矩阵A_i'j'每列首尾相连，其中1≤i'≤m,1≤j'≤n，得到列向量a_i'j'，将每个子块由一个子空间S_a=span(a₁₁,a₁₂,...,a_mn)表示，并计算子空间S_a的正交基底。