1.一种基于正交性约束增量非负矩阵分解的有监督图像识别方法，其特征在于，该方法包括：步骤S100，获取初始样本集的矩阵表示Vc；

步骤S200，采用ONMF算法对Vc分解得到基矩阵Wc和系数矩阵Hc；

步骤S300，获取新增样本集的矩阵表示Vp，构建所有样本构成的数据矩阵Vz＝[Vc,Vp]，并对Wc、Hc采用增加正交性约束的INMF算法获取基矩阵Wz；

步骤S400，利用基矩阵Wz的Moore-Penrose逆作为投影变换矩阵，分别对Vz、Vtest进行投影变换对应得到低维投影矩阵Htrain、Htest；其中，Vtest为输入的待识别图像集的矩阵表示；

步骤S500，利用Htrain及其对应样本分类标签对分类器进行训练优化，并利用优化后的分类器对Htest进行识别分类。

2.根据权利要求1所述的基于正交性约束增量非负矩阵分解的有监督图像识别方法，其特征在于，步骤S300中“对Wc、Hc采用增加正交性约束的INMF算法获取基矩阵Wz”，其方法为：初始化正矩阵Wz＝Wc，随机初始化正矩阵Hp；

按照以下规则进行迭代，直至达到预设的终止条件；

将得到的最终的Wz、Hp分别作为Vz的基矩阵、Vp的系数矩阵Hp。

3.根据权利要求1所述的基于正交性约束增量非负矩阵分解的有监督图像识别方法，其特征在于，步骤S400中“利用基矩阵Wz的Moore-Penrose逆作为投影变换矩阵，分别对Vz、Vtest进行投影变换对应得到低维投影矩阵Htrain、Htest”，其方法为：其中，Htrain表示所有训练样本的低维投影矩阵，Htest表示待识别图像集的低维投影矩阵， 为投影矩阵。

4.根据权利要求1-3任一项所述的基于正交性约束增量非负矩阵分解的有监督图像识别方法，其特征在于，初始样本集、新增样本集、待识别图像集的图像尺寸统一化为p×q大小，其中p、q分别为预设值。

5.根据权利要求4所述的基于正交性约束增量非负矩阵分解的有监督图像识别方法，其特征在于，所述初始样本集的矩阵表示Vc，其大小为m×c，其中m＝p×q，c为所述初始样本集中样本图像的数量。

6.根据权利要求1-3任一项所述的基于正交性约束增量非负矩阵分解的有监督图像识别方法，其特征在于，所述分类器为最近邻分类器。

7.一种基于正交性约束增量非负矩阵分解的有监督图像识别系统，其特征在于，该系统包括第一矩阵获取模块、第二矩阵获取模块、第三矩阵获取模块、低维投影矩阵获取模块、分类模块；

所述第一矩阵获取模块，配置为获取初始样本集的矩阵表示Vc；

所述第二矩阵获取模块，配置为采用ONMF算法对Vc分解得到基矩阵Wc和系数矩阵Hc；

所述第三矩阵获取模块，配置为获取新增样本集的矩阵表示Vp，构建所有样本构成的数据矩阵Vz＝[Vc,Vp]，并基于Wc、Hc采用增加正交性约束的INMF算法获取基矩阵Wz；

所述低维投影矩阵获取模块，配置为利用基矩阵Wz的Moore-Penrose逆作为投影变换矩阵，分别对Vz、Vtest进行投影变换对应得到低维投影矩阵Htrain、Htest；其中，Vtest为输入的待识别图像集的矩阵表示；

所述分类模块，配置为利用Htrain及其对应样本分类标签对分类器进行训练优化，并利用优化后的分类器对Htest进行识别分类。

8.根据权利要求7所述的基于正交性约束增量非负矩阵分解的有监督图像识别系统，其特征在于，所述第三矩阵获取模块中“基于Wc、Hc采用增加正交性约束的INMF算法获取基矩阵Wz”，其方法为：初始化正矩阵Wz＝Wc，随机初始化正矩阵Hp；

按照以下规则进行迭代，直至达到预设的终止条件；

将得到的最终的Wz、Hp分别作为Vz的基矩阵、Vp的系数矩阵Hp。

9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-6任一项所述的基于正交性约束增量非负矩阵分解的有监督图像识别方法。

10.一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-6任一项所述的基于正交性约束增量非负矩阵分解的有监督图像识别方法。