生物特征識(shí)別技術(shù)在現(xiàn)實(shí)生活中具有許多重要應(yīng)用.在眾多生物識(shí)別技術(shù)中,人臉識(shí)別技術(shù)具有非強(qiáng)制性、非接觸性和安全性等優(yōu)點(diǎn),是人們最為普遍接受的一種生物識(shí)別方法,其在國(guó)家安全、社會(huì)經(jīng)濟(jì)等領(lǐng)域都發(fā)揮著非常重要的作用.人臉識(shí)別技術(shù)的關(guān)鍵在于特征提取,非負(fù)矩陣分解（NMF）是一種能夠提取人臉圖像非負(fù)特征的有效方法.但經(jīng)典的NMF方法只是一種線性特征提取方法,其對(duì)由于姿態(tài)和光照變化導(dǎo)致常呈非線性分布的人臉圖像數(shù)據(jù)的識(shí)別性能較差.基于核方法的NMF方法,比如使用多項(xiàng)式核的核非負(fù)矩陣分解算法（PNMF、PKNMF等）,能夠有效克服人臉識(shí)別非線性問(wèn)題,但它們依然存在如下問(wèn)題:（1）多項(xiàng)式核函數(shù)只能取正整數(shù)冪,這大大限制了最優(yōu)核參數(shù)的選取范圍;（2）這些算法的損失函數(shù)均是基于矩陣F范數(shù)得到的,但該范數(shù)對(duì)異常值比較敏感;（3）收斂速度較慢;（4）特征非稀疏等問(wèn)題.為解決這些問(wèn)題,本學(xué)位論文對(duì)基于非負(fù)矩陣分解（NMF）的人臉識(shí)別算法展開(kāi)了深入研究,取得了如下創(chuàng)新成果:針對(duì)多項(xiàng)式核函數(shù)的冪指數(shù)參數(shù)只能取正整數(shù)的問(wèn)題,本文第三章首先構(gòu)造了一種新的分?jǐn)?shù)次冪內(nèi)積函數(shù),并從理論上證明了其為一種新的Mercer核函數(shù).特別... 

【文章來(lái)源】：深圳大學(xué)廣東省

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 常用的數(shù)據(jù)庫(kù)
        1.3.1 ORL數(shù)據(jù)庫(kù)
        1.3.2 FERET數(shù)據(jù)庫(kù)
        1.3.3 Yale數(shù)據(jù)庫(kù)
        1.3.4 PE數(shù)據(jù)庫(kù)
        1.3.5 CMU PIE數(shù)據(jù)庫(kù)
        1.3.6 AR數(shù)據(jù)庫(kù)
    1.4 本文的研究?jī)?nèi)容和組織結(jié)構(gòu)
        1.4.1 本文的研究?jī)?nèi)容
        1.4.2 本文的組織結(jié)構(gòu)
第2章 非負(fù)矩陣分解算法的研究基礎(chǔ)
    2.1 引言
    2.2 非負(fù)矩陣分解
    2.3 核函數(shù)與核方法
        2.3.1 核函數(shù)
        2.3.2 核方法
    2.4 核非負(fù)矩陣分解
        2.4.1 核非負(fù)矩陣分解的原理
        2.4.2 基于多項(xiàng)式核的非負(fù)矩陣分解
第3章 自構(gòu)分?jǐn)?shù)次冪內(nèi)積核非負(fù)矩陣分解算法
    3.1 引言
    3.2 分?jǐn)?shù)次冪內(nèi)積核函數(shù)的構(gòu)建
    3.3 FKNMF算法的構(gòu)建
        3.3.1 對(duì)系數(shù)矩陣H的學(xué)習(xí)
        3.3.2 對(duì)基圖像矩陣W的學(xué)習(xí)
    3.4 特征抽取與識(shí)別
    3.5 實(shí)驗(yàn)結(jié)果
        3.5.1 收斂性的比較
        3.5.2 算法的人臉識(shí)別性能
    3.6 本章小結(jié)
第4章 指數(shù)梯度分?jǐn)?shù)次冪內(nèi)積核非負(fù)矩陣分解算法
    4.1 引言
    4.2 EFKNMF算法的構(gòu)建
        4.2.1 對(duì)基圖像矩陣W的學(xué)習(xí)
        4.2.2 收斂性證明
    4.3 實(shí)驗(yàn)結(jié)果
        4.3.1 收斂速度的比較
        4.3.2 基圖像的比較
        4.3.3 人臉識(shí)別的性能
    4.4 本章小結(jié)
第5章 稀疏分?jǐn)?shù)次冪內(nèi)積核非負(fù)矩陣分解算法
    5.1 引言
    5.2 LFKNMF算法的構(gòu)建
        5.2.1 目標(biāo)函數(shù)的構(gòu)建
        5.2.2 對(duì)系數(shù)矩陣H的學(xué)習(xí)
        5.2.3 對(duì)基圖像矩陣W的學(xué)習(xí)
        5.2.4 收斂性證明
    5.3 實(shí)驗(yàn)結(jié)果
        5.3.1 無(wú)噪音實(shí)驗(yàn)
        5.3.2 噪聲實(shí)驗(yàn)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于分塊非負(fù)矩陣分解人臉識(shí)別增量學(xué)習(xí)[J]. 潘彬彬,陳文勝,徐晨.  計(jì)算機(jī)應(yīng)用研究. 2009(01)



本文編號(hào)：3175208