非负矩阵分解与RBF网络的人脸识别方法.ppt

非负矩阵分解与RBF网络的人脸识别方法.ppt

ID:52404225

大小:1.14 MB

页数:32页

时间:2020-04-05

非负矩阵分解与RBF网络的人脸识别方法.ppt_第1页
非负矩阵分解与RBF网络的人脸识别方法.ppt_第2页
非负矩阵分解与RBF网络的人脸识别方法.ppt_第3页
非负矩阵分解与RBF网络的人脸识别方法.ppt_第4页
非负矩阵分解与RBF网络的人脸识别方法.ppt_第5页
资源描述:

《非负矩阵分解与RBF网络的人脸识别方法.ppt》由会员上传分享,免费在线阅读,更多相关内容在PPT专区-天天文库

1、非负矩阵分解与RBF网络的人脸识别方法导师:贾云得答辩人:王缘大纲课题的意义人脸识别方法总述基于FisherNMF的人脸识别方法基于KernelRBF网络的人脸识别方法总结1.课题意义应用前景人机交互安全防范视频监控理论价值人脸识别涉及了模式识别、图象处理、认知科学、生理学、心理学等多门学科的知识,具有很高的研究价值。2.人脸识别方法总述2.1难点人脸的旋转人脸表情的变化不同的光照条件人的发型、饰物(如眼镜等)不同的背景等2.2前人贡献子空间的人脸识别方法主元分析(PCA)独立元分析(ICA)Fisher线性判别(FLDA)非负矩阵分解(NMF)局部非负矩阵分解(L

2、NMF)基于Kernel空间的方法KernelPCAKernelFDA支持向量机(SVM)基于神经网络的方法BP网络径向基函数网络(RBFNN)3.基于FisherNMF的人脸识别方法3.1矩阵分解当有m张人脸图片(每一张n个像素),则这m张人脸图片可以表示为nm的矩阵V,这样我们可以得到下面的矩阵分解:W是基矩阵,H是系数矩阵,这样人脸向量可以表示为基向量的线性累加。3.2非负矩阵分解(NMF)Lee和Seung在1999年提出NMF对W和H加了非负的约束.这样可以直观地将基图像累加成为一个完整的人脸NMF使用V与其近似Y的divergence。目标函数定义为3

3、.3局部非负矩阵分解(LNMF)LNMF通过对NMF加如三个约束,能够得到更加局部的特征。(1)减少基图像的组成。(2)减小不同基之间的冗余。(3)在基图像中保留最重要的一些信息。与NMF相比,LNMF可以得到更加局部的特征。3.4Fisher非负矩阵分解(FNMF)NMF与LNMF保证在将基图像累加为人脸图像的过程为非减的。FNMF对NMF加入了Fisher线性判别(FLDA)的约束。FLDA最小化类内距最大化类间距.3.5FNMF算法系数矩阵H的列与矩阵V的列是一一对应的,我们试图最大化系数矩阵的类间距,最小化系数矩阵的类内距。FNMF的目标函数定义为:Fish

4、erFNMF的目标函数:>0,为常数;SW,系数矩阵的类内距:SB,系数矩阵的类间距:H中类i的平均值。迭代算法3.6实验ORL人脸库样本FNMF得到的基图像3.6实验NMF得到的基图像LNMF得到的基图像FNMF,LNMF和NMF在ORL人脸库的识别比较.FERET人脸库样本FNMF,LNMF和NMF在FERET数据集上的识别比较3.7总结FNMF是一种学习局部特征的子空间人脸识别方法。.在人脸识别方面,FNMF好于LNMF和NMF.FNMF不但具有NMF和LNMF的性质,还能最大化类间距,最小化类内距。.4.KernelRBF网络的人脸识别方法4.1目的一个线

5、性的系统不能描述人脸图像的非线性因素。Kernel特征空间可以反映人脸的非线性特信息。KernelRBF网络在Kernel空间中提取特征。4.2RBF网络结构输出层输出结果隐层:每一个节点是一个RBF函数(如高斯函数)。函数的参数由聚类样本求出。输入层:输入人脸数据聚类4.3KernelRBF网络与RBF网络的联系KRBF网络与RBF网络的网络结构相同。它们的不同主要在于训练过程。4.4KernelRBF网络的训练1.利用kernelk-means算法将输入数据在Kernel特征空间内聚类。(RBF网络则是利用k-means算法将输入数据局类).2.根据训练数据的每

6、一类训练RBF函数的参数(中间节点的参数)3.训练隐层与输出层的权值。KernelK-means聚类算法如何从k-means聚类算法得到kernelk-means聚类算法?关键是如何计算kernel空间中两点间的距离4.5人脸识别1.核函数的选取:多项式核函数2.特征提取KRBFNN的隐层是一些聚类,输入层输入的数据在Kernel空间中,到这些聚类中心的距离就是KRBFNN提取的特征。3.分类器最近邻分类器(NN);4.6实验ORL人脸库样本ORL库试验ORL库试验ORL库人脸识别FERET人脸库样本FERET库试验FERET库试验FERET数据集人脸识别4.7总结

7、KRBFNN和RBFNN一样,具有计算简单、网络结构简洁、完善的数学理论等特点。另外,KRBFNN在kernel特征空间中提取人脸图像的非线性特征。最后,识别结果好于RBF网络。5.总结本文提出了两种人脸识别算法FisherNMF,提取有直观意义的特征,得到较高的识别率。KernelRBF网络,利用RBF网络在Kernel特征空间提取人脸的非线性信息,有较好的识别效果。谢谢!Thanks

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。