本文選題：人臉識別 + 非負矩陣分解　； 參考：《深圳大學》2017年碩士論文

【摘要】：人臉識別技術在人們的生活當中扮演著重要的角色,它的關鍵在于特征提取.非負矩陣分解(NMF)是一種有效的人臉識別算法,它能夠提取人臉模式的非負特征.然而,NMF是一種線性的無監(jiān)督方法.由于人臉圖像受光照、姿勢和遮擋等因素的影響,它的數(shù)據(jù)呈現(xiàn)出復雜的非線性分布,此時,NMF的識別性能會降低.同時,NMF沒有用到樣本的類別信息,即它是無監(jiān)督的方法,因此,它的分類效果將會受到影響.另外,NMF的收斂速度和特征稀疏度可以進一步被提高.最后,NMF不能進行增量學習,即當有新的訓練樣本或類別加入訓練時,NMF需要對原來訓練樣本做重復的學習,這是非常耗時的.針對以上NMF算法的問題,本學位論文展開了深入的研究.本學位論文總共分為五章,第一章介紹了人臉識別背景和典型的算法,第二至四章討論了本論文研究的主要工作,最后一章對研究工作進行了總結和展望.為了進一步提高NMF的收斂速度和識別性能,基于兩種不同的誤差測度,即歐氏距離和Kullback-Leibler散度(KL散度),在第二章,我們研究了兩種快速非負矩陣分解算法(FNMF).在非負性約束下,FNMF在梯度下降法中選取了比NMF更大的迭代步長,這加快了NMF算法的收斂速度,并提取了更精確的特征.我們還可以證明,NMF是FNMF的一種特殊情況.為了進一步提高非負特征的判別力度,我們利用分塊技巧到FNMF中,提出了兩種分塊的快速非負矩陣分解算法(BFNMF).BFNMF是一種線性的有監(jiān)督算法,它具有一些良好的性質(zhì),例如它的特征是高度稀疏的且來自不同類別的特征是正交的.實驗表明FNMF比NMF具有更快的收斂速度.同時,在ORL、FERET、pain expression(PE)和CMU PIE數(shù)據(jù)庫上人臉識別實驗還表明BFNMF取得了優(yōu)越的識別性能,且FNMF比NMF取得了更好的識別效果.在第三章,我們研究出了一種分塊的核非負矩陣分解算法(BKNMF),它是一種非線性的有監(jiān)督方法.首先,通過利用每類的判別信息,我們構造了一個新的目標函數(shù),它的目的是減小類內(nèi)的距離.然后,基于核理論,通過求解目標函數(shù)的最小值,我們得到了BKNMF的迭代公式.最后,我利用分塊技巧得到了BKNMF算法,并將它成功地應用于人臉識別.在理論上,我們證明了BKNMF算法的收斂性.BKNMF不但提升了NMF非負特征的判別力度,而且有效地提取人臉模式的非線性特征.在ORL、PE和Yale數(shù)據(jù)庫上實驗表明BKNMF取得了令人滿意的識別效果.在第四章,我們研究出了一種基于分塊的稀疏核非負矩陣分解(BSKNMF)的增量學習算法.在BSKNMF中,我們引入稀疏項和判別信息來構造了一個新的目標函數(shù).基于該目標函數(shù)和核理論,我們利用分塊技巧得到了BSKNMF.最后,基于BSKNMF,我們設計了增量學習算法,并將它成功地運用到人臉識別中.BSKNMF提取了比BKNMF更加稀疏和更有判別力度的特征,且來自不同類的特征也是正交的.在理論上,我們分析了BSKNMF的收斂性.當有新的訓練樣本或者類別加入訓練時,我們的算法不需要對原來的訓練樣本做重復的學習,這極大地提高了時間效率.在ORL和Yale數(shù)據(jù)庫上實驗驗證了我們算法的優(yōu)越識別性能.
[Abstract]:Face recognition technology plays an important role in people's life, and its key lies in feature extraction. Non negative matrix decomposition (NMF) is an effective face recognition algorithm, which can extract non negative features of face pattern. However, NMF is a linear unsupervised method. Due to the illumination, posture and occlusion of the face image, the face image is unsupervised. At the same time, the recognition performance of NMF will be reduced. At the same time, NMF does not use the category information of the sample, that is, it is an unsupervised method, so its classification effect will be affected. In addition, the convergence speed and the characteristic sparsity of the NMF can be further improved. Finally, the NMF can not be carried out. Incremental learning, that is, when a new training sample or category is added to the training, NMF needs to repeat the original training sample, which is very time-consuming. In view of the problem of the above NMF algorithm, this dissertation has been studied in depth. This dissertation is divided into five chapters. Chapter 1 introduces the background of face recognition and typical algorithms, The two to four chapters discuss the main work of this paper. In order to further improve the convergence rate and recognition performance of NMF, based on two different error measures, namely, Euclidean distance and Kullback-Leibler divergence (KL divergence), in the second chapter, we study the two kinds of fast nonnegative matrix points. The solution algorithm (FNMF). Under the non negative constraints, FNMF selects the larger iteration step than NMF in the gradient descent method. This accelerates the convergence speed of the NMF algorithm and extracts more accurate features. We can also prove that NMF is a special case of FNMF. In order to further improve the discrimination of non negative features, we use the block technique to F. In NMF, two blocks of fast non negative matrix decomposition algorithm (BFNMF).BFNMF is a linear and supervised algorithm. It has some good properties, for example, its characteristics are highly sparse and the features from different categories are orthogonal. The experiment shows that FNMF has faster convergence rate than NMF. At the same time, ORL, FERET, pain expres The face recognition experiments on sion (PE) and CMU PIE database also show that BFNMF achieves superior recognition performance, and FNMF has better recognition results than NMF. In the third chapter, we have studied a block kernel non negative matrix decomposition algorithm (BKNMF), which is a nonlinear and supervised method. First, by using the discriminant information of each class, We construct a new objective function which aims to reduce the distance within the class. Then, based on the kernel theory, we get the iterative formula of BKNMF by solving the minimum value of the objective function. Finally, I use the block technique to get the BKNMF algorithm and successfully apply it to face recognition. In theory, we prove the BKNMF calculation. The convergence of the method.BKNMF not only improves the discrimination dynamics of the non negative features of NMF, but also effectively extracts the nonlinear characteristics of the face pattern. The experimental results on the ORL, PE and Yale database show that BKNMF has achieved a satisfactory recognition effect. In the fourth chapter, we have studied the increment of a block based sparse kernel nonnegative matrix decomposition (BSKNMF). In BSKNMF, we introduce sparsity and discriminant information to construct a new objective function. Based on the target function and kernel theory, we get BSKNMF. finally by block technique. Based on BSKNMF, we designed an incremental learning algorithm and successfully applied it to face recognition to extract more.BSKNMF than BKNMF. In theory, we analyze the convergence of BSKNMF. When a new training sample or class is trained, our algorithm does not need to repeat the original training sample, which greatly improves the time efficiency. In ORL and Yale data Base on experiments verify the superior recognition performance of our algorithm.
【學位授予單位】：深圳大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 何光輝;張?zhí)?;保持拓撲性非負矩陣分解法在人臉識別的應用[J];計算機工程與應用;2010年14期

2 史加榮;焦李成;尚凡華;;不完全非負矩陣分解的加速算法[J];電子學報;2011年02期

3 王文俊;張軍英;;一種非負矩陣分解的快速方法[J];計算機工程與應用;2009年25期

4 張雷鳴;李秋丹;廖勝才;;非負矩陣分解在標簽語義分析中的應用[J];計算機科學;2010年04期

5 于彬;;基于局部非負矩陣分解的人臉識別[J];科學技術與工程;2010年33期

6 姜偉;楊炳儒;隋海峰;;局部敏感非負矩陣分解[J];計算機科學;2010年12期

7 宋金歌;楊景;陳平;佘玉梅;;一種非負矩陣分解的快速稀疏算法[J];云南民族大學學報(自然科學版);2011年04期

8 高燕燕;;非負矩陣分解及其應用探討[J];硅谷;2011年23期

9 郝紅;徐常青;張新平;;基于非負矩陣分解的航拍圖像信息提取[J];浙江農(nóng)林大學學報;2012年01期

10 吳榮玉;樊豐;舒建;;基于非負矩陣分解的魯棒哈希函數(shù)驗證性研究[J];電子技術應用;2012年01期

相關會議論文 前10條

1 孫江明;李通化;;非平滑三維非負矩陣分解[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負矩陣分解的自動多文摘方法[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負矩陣分解的圖像檢索[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號處理學術年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負矩陣分解和支持向量機的軸心軌跡圖識別[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負矩陣分解[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學術會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應用[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機語音通訊學術會議論文集（一）[C];2011年

相關博士學位論文 前10條

1 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術大學;2013年

2 葉軍;基于正則化方法的非負矩陣分解算法及其應用研究[D];南京理工大學;2014年

3 陸玉武;圖像分類中流形回歸與非負矩陣分解研究[D];哈爾濱工業(yè)大學;2015年

4 張恩德;在線社會網(wǎng)絡分析與挖掘若干關鍵問題研究[D];東北大學;2014年

5 胡俐蕊;非負矩陣分解方法及其在選票圖像識別中的應用[D];安徽大學;2013年

6 殷海青;圖像分析中的非負矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學;2011年

7 楊洪禮;非負矩陣與張量分解及其應用[D];山東科技大學;2011年

8 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

9 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

10 劉昱昊;基于非負矩陣分解算法的人臉識別技術的研究[D];吉林大學;2014年

相關碩士學位論文 前10條

1 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

2 王一;凸與半非負矩陣分解的近點梯度方法研究[D];東北師范大學;2015年

3 項磊;基于乳腺癌計算機輔助診斷的病理圖像分析[D];南京信息工程大學;2015年

4 王丹;基于非負矩陣分解的腦電信號特征提取算法研究[D];燕山大學;2015年

5 馬春霞;非負矩陣分解及在基因表達數(shù)據(jù)分析中的應用研究[D];曲阜師范大學;2015年

6 崔艷榮;基于非負矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應用[D];電子科技大學;2014年

7 賴淑珍;非負矩陣分解若干算法研究與應用[D];電子科技大學;2014年

8 趙龍;基于多流形正則化非負矩陣分解的多視圖聚類[D];大連理工大學;2015年

9 黃震;基于多視角非負矩陣分解的同名區(qū)分算法研究[D];大連理工大學;2015年

10 邵強;改進的非負矩陣分解算法及其在人臉識別中的應用[D];河北工業(yè)大學;2015年

，

本文編號：2024473