發(fā)布時(shí)間：2018-06-16 01:01

  本文選題：人臉識(shí)別 + 非負(fù)矩陣分解��； 參考：《深圳大學(xué)》2017年碩士論文

【摘要】：人臉識(shí)別技術(shù)在人們的生活當(dāng)中扮演著重要的角色,它的關(guān)鍵在于特征提取.非負(fù)矩陣分解(NMF)是一種有效的人臉識(shí)別算法,它能夠提取人臉模式的非負(fù)特征.然而,NMF是一種線性的無(wú)監(jiān)督方法.由于人臉圖像受光照、姿勢(shì)和遮擋等因素的影響,它的數(shù)據(jù)呈現(xiàn)出復(fù)雜的非線性分布,此時(shí),NMF的識(shí)別性能會(huì)降低.同時(shí),NMF沒(méi)有用到樣本的類別信息,即它是無(wú)監(jiān)督的方法,因此,它的分類效果將會(huì)受到影響.另外,NMF的收斂速度和特征稀疏度可以進(jìn)一步被提高.最后,NMF不能進(jìn)行增量學(xué)習(xí),即當(dāng)有新的訓(xùn)練樣本或類別加入訓(xùn)練時(shí),NMF需要對(duì)原來(lái)訓(xùn)練樣本做重復(fù)的學(xué)習(xí),這是非常耗時(shí)的.針對(duì)以上NMF算法的問(wèn)題,本學(xué)位論文展開(kāi)了深入的研究.本學(xué)位論文總共分為五章,第一章介紹了人臉識(shí)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(duì)研究工作進(jìn)行了總結(jié)和展望.為了進(jìn)一步提高NMF的收斂速度和識(shí)別性能,基于兩種不同的誤差測(cè)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(fù)矩陣分解算法(FNMF).在非負(fù)性約束下,FNMF在梯度下降法中選取了比NMF更大的迭代步長(zhǎng),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(jìn)一步提高非負(fù)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(fù)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(lái)自不同類別的特征是正交的.實(shí)驗(yàn)表明FNMF比NMF具有更快的收斂速度.同時(shí),在ORL、FERET、pain expression(PE)和CMU PIE數(shù)據(jù)庫(kù)上人臉識(shí)別實(shí)驗(yàn)還表明BFNMF取得了優(yōu)越的識(shí)別性能,且FNMF比NMF取得了更好的識(shí)別效果.在第三章,我們研究出了一種分塊的核非負(fù)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(guò)利用每類的判別信息,我們構(gòu)造了一個(gè)新的目標(biāo)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(guò)求解目標(biāo)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(yīng)用于人臉識(shí)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(fù)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(kù)上實(shí)驗(yàn)表明BKNMF取得了令人滿意的識(shí)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(fù)矩陣分解(BSKNMF)的增量學(xué)習(xí)算法.在BSKNMF中,我們引入稀疏項(xiàng)和判別信息來(lái)構(gòu)造了一個(gè)新的目標(biāo)函數(shù).基于該目標(biāo)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?cè)O(shè)計(jì)了增量學(xué)習(xí)算法,并將它成功地運(yùn)用到人臉識(shí)別中.BSKNMF提取了比BKNMF更加稀疏和更有判別力度的特征,且來(lái)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(dāng)有新的訓(xùn)練樣本或者類別加入訓(xùn)練時(shí),我們的算法不需要對(duì)原來(lái)的訓(xùn)練樣本做重復(fù)的學(xué)習(xí),這極大地提高了時(shí)間效率.在ORL和Yale數(shù)據(jù)庫(kù)上實(shí)驗(yàn)驗(yàn)證了我們算法的優(yōu)越識(shí)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(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何光輝;張?zhí)?;保持拓?fù)湫苑秦?fù)矩陣分解法在人臉識(shí)別的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2010年14期

2 史加榮;焦李成;尚凡華;;不完全非負(fù)矩陣分解的加速算法[J];電子學(xué)報(bào);2011年02期

3 王文俊;張軍英;;一種非負(fù)矩陣分解的快速方法[J];計(jì)算機(jī)工程與應(yīng)用;2009年25期

4 張雷鳴;李秋丹;廖勝才;;非負(fù)矩陣分解在標(biāo)簽語(yǔ)義分析中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2010年04期

5 于彬;;基于局部非負(fù)矩陣分解的人臉識(shí)別[J];科學(xué)技術(shù)與工程;2010年33期

6 姜偉;楊炳儒;隋海峰;;局部敏感非負(fù)矩陣分解[J];計(jì)算機(jī)科學(xué);2010年12期

7 宋金歌;楊景;陳平;佘玉梅;;一種非負(fù)矩陣分解的快速稀疏算法[J];云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

8 高燕燕;;非負(fù)矩陣分解及其應(yīng)用探討[J];硅谷;2011年23期

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

10 吳榮玉;樊豐;舒建;;基于非負(fù)矩陣分解的魯棒哈希函數(shù)驗(yàn)證性研究[J];電子技術(shù)應(yīng)用;2012年01期

相關(guān)會(huì)議論文 前10條

1 孫江明;李通化;;非平滑三維非負(fù)矩陣分解[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動(dòng)多文摘方法[A];中國(guó)計(jì)算機(jī)語(yǔ)言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)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(fù)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(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識(shí)別[A];2008年全國(guó)振動(dòng)工程及應(yīng)用學(xué)術(shù)會(huì)議暨第十一屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

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

8 錢樂(lè)樂(lè);高雋;徐小紅;;非負(fù)性約束的圖像稀疏編碼[A];第七屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

9 朱昊;黃源水;付夢(mèng)印;;基于NMF的道路識(shí)別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測(cè)度的語(yǔ)音與音樂(lè)分離算法[A];第十一屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集（一）[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

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

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

4 張恩德;在線社會(huì)網(wǎng)絡(luò)分析與挖掘若干關(guān)鍵問(wèn)題研究[D];東北大學(xué);2014年

5 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識(shí)別中的應(yīng)用[D];安徽大學(xué);2013年

6 殷海青;圖像分析中的非負(fù)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(xué);2011年

7 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

8 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

9 方蔚濤;人臉識(shí)別特征抽取算法的研究[D];重慶大學(xué);2012年

10 劉昱昊;基于非負(fù)矩陣分解算法的人臉識(shí)別技術(shù)的研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

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

3 項(xiàng)磊;基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

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

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

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

7 賴淑珍;非負(fù)矩陣分解若干算法研究與應(yīng)用[D];電子科技大學(xué);2014年

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

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

10 邵強(qiáng);改進(jìn)的非負(fù)矩陣分解算法及其在人臉識(shí)別中的應(yīng)用[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：2024473