| 改进投影梯度非负矩阵分解的单训练样本特征提取研究 |
| |
| 引用本文： | 高涛,何明一.改进投影梯度非负矩阵分解的单训练样本特征提取研究[J].电子与信息学报,2010,32(5):1121-1125. |
| |
| 作者姓名： | 高涛 何明一 |
| |
| 作者单位： | 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(Projected Gradient，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，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 (Improved Projected Gradient Non-negative Matrix Factorization，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 |
| 收稿时间： | 2009-4-28 |
| 修稿时间： | 2009-11-5 |
Using Improved Non-negative Matrix Factorization with Projected Gradient for Single-Trial Feature Extraction |
| |
| Gao Tao,He Ming-yi.Using Improved Non-negative Matrix Factorization with Projected Gradient for Single-Trial Feature Extraction[J].Journal of Electronics & Information Technology,2010,32(5):1121-1125. |
| |
| Authors: | Gao Tao He Ming-yi |
| |
| Affiliation: | Electronic and Information School, Northwestern Polytechnical University, Xi’an 710072, China |
| |
| Abstract: | |
| |
| Keywords: | Face recognition Non-negative Matrix Factorization(NMF) Projected gradient NMF RBF network |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《电子与信息学报》浏览原始摘要信息 |
|
点击此处可从《电子与信息学报》下载全文 |
|
