基于局部非负矩阵分解的特征提取方法及人脸识别开题报告

全文总字数：1525字

1. 研究目的与意义

人脸识别是当前人工智能和模式识别领域的研究热点，在金融"管理和公安等领域有着广泛的应用前景。长期以来，如何利用计算机对人脸图像进行自动检测与识别，一直是图像处理与模式识别的研究热点与难点。人脸识别最常用的是基于代数特征的自动人脸识别方法，即子空间分析法，其本质是一种特征提取和选择的方法，主要思想是在原空间 ( 样本空间) 中寻找合适的子空间 ( 特征空间) 通过将高维样本投影到低维子空间上，在子空间上进行分类，现提出将局部非负矩阵分解(LocalNon-negative Matrix Factiorization,LNMF) 用于提取人脸子空间特征( 特征脸) ，进行人脸识别,将人脸图像在特征脸空间上投影，得到的投影系数作为识别人脸的特征向量，采用最近邻分类器进行人脸识别.

2. 国内外研究现状分析

国外研究

2001 年,由 welling 和 weber 提出的正张量分解就是非负矩阵分解在张量空间的一个推广。同年，由 stan.li 等提出了局部非负矩阵分解（lnmf）.其基本思想是给分解后的基矩阵和系数增加进一步的约束，比如希望各基向量之间尽可能的逼近正交特性。他们将该方法用在人脸识别和检测中，取得了不错的效果。

赫尔辛基大学hoye教授改进了nmf模型,特点是带稀疏限制的非负矩阵分解模型(non-negative matrixfaetorization with sparseness constraints,nmf-sc)其最大优势在于可以很方便地控制基矢量的稀疏程度

3. 研究的基本内容与计划

stanz.li在经典nmf算法的基础上增加了三个限制条件,以增强特征矩阵u的主要成分局部化特性。假设两个r*r的矩阵b和c,则有 ,c={ }=v .

1，让权矩阵h有最大化的稀疏性,也就是让v矩阵中包含尽可能多的零元素。

2，让基图像u有最大化的代表性,正如第一点中指出的,v的稀疏性和w的代表性是紧密相关的。

4. 研究创新点

本文使用yale和ORL人脸数据库,对LNMF算法进行多方面性能分析,并与NMF算法相比较。

实验结果表明LNMF算法能够有效解决非线性可分问题,不仅在很大程度上提高了识别率,而且避免了过度迭代次数。