改进投影梯度非负矩阵分解的单训练样本特征提取研究

《改进投影梯度非负矩阵分解的单训练样本特征提取研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第32卷第5期电子与信息学报Vol.32No.52010年5月JournalofElectronics&InformationTechnologyMay2010改进投影梯度非负矩阵分解的单训练样本特征提取研究高涛何明一(西北工业大学电子信息学院西安710072)摘要：人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系，可用于单样本特征提取，但时间复杂度较高。投影梯度(ProjectedGradient，PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度

2、，但是单训练样本存在对本类信息量描述不足的缺点。为此，该文提出了一种基于改进的投影梯度非负矩阵分解(ImprovedProjectedGradientNon-negativeMatrixFactorization，IPGNMF)的单训练样本特征提取方法。在进行PGNMF算子之前，先将训练样本作Gabor分解，分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征，最后将各个Gabor子图像的PGNMF特征进行融合，作为最终的识别特征。在对人脸库ORL，YEL与FERET的识别实验中，与经典的特征提

3、取方法比较，证明了可以有效地解决单训练样本人脸识别的问题。关键词：人脸识别；非负矩阵分解；投影梯度非负矩阵分解；径向基网络中图分类号：TP391.41文献标识码：A文章编号：1009-5896(2010)05-1121-05DOI:10.3724/SP.J.1146.2009.00622UsingImprovedNon-negativeMatrixFactorizationwithProjectedGradientforSingle-TrialFeatureExtractionGaoTaoHeMing-y

4、i(ElectronicandInformationSchool,NorthwesternPolytechnicalUniversity,Xi’an710072,China)Abstract:Facerecognitionisanactiveresearchareaintheartificialintelligence.AfacerecognitionalgorithmusingimprovedNon-negativeMatrixFactorization(NMF)withProjectedGradien

5、t(PG)forsingle-trialfeatureextractionisproposedbasedonthisproblem.NMFisamatrixfactorizationmethod,whichcanreflecttheinherentpartialcontactandeffectivelyexpresssinglesampleinformation.However,NMFiterationtimecomplexityofthegradientprojectionoptimizationmet

6、hodsignificantlyreducestheNMFiterationtimecomplexityoftheproblem.Butthesingletrainingsampleinformationhasinadequatedescriptionofdisadvantage,forthisdisadvantage,beforetheNMFoperator,trainingsampleisfilteredbymulti-orientationGaborfilterswithmulti-scaletoe

7、xtracttheircorrespondinglocalGabormagnitudemap,thePGNMFfeatureofwhichwereconstructedtohigherdimensionalfeaturevectors.ExperimentalresultsontheORLfacedatabase,YALEfacedatabaseandFERETfacedatabaseshowthattheproposedmethodisfeasibleandhashigherrecognitionper

8、formancecomparedwithGREY,PCA,ICA,NMF,PGNMFandotheralgorithmswhereonlyonesampleimageperpersonisavailablefortraining.Keywords:Facerecognition;Non-negativeMatrixFactorization(NMF);ProjectedgradientNMF;RBFnetwork1引言Gabo