导　　师： 陈文胜

授予学位： 硕士

作　　者： (）;

机构地区： 深圳大学

摘　　要： 人脸识别技术在人们的生活当中扮演着重要的角色,它的关键在于特征提取.非负矩阵分解(NMF)是一种有效的人脸识别算法,它能够提取人脸模式的非负特征.然而,NMF是一种线性的无监督方法.由于人脸图像受光照、姿势和遮挡等因素的影响,它的数据呈现出复杂的非线性分布,此时,NMF的识别性能会降低.同时,NMF没有用到样本的类别信息,即它是无监督的方法,因此,它的分类效果将会受到影响.另外,NMF的收敛速度和特征稀疏度可以进一步被提高.最后,NMF不能进行增量学习,即当有新的训练样本或类别加入训练时,NMF需要对原来训练样本做重复的学习,这是非常耗时的.针对以上NMF算法的问题,本学位论文展开了深入的研究.本学位论文总共分为五章,第一章介绍了人脸识别背景和典型的算法,第二至四章讨论了本论文研究的主要工作,最后一章对研究工作进行了总结和展望.为了进一步提高NMF的收敛速度和识别性能,基于两种不同的误差测度,即欧氏距离和Kullback-Leibler散度(KL散度),在第二章,我们研究了两种快速非负矩阵分解算法(FNMF).在非负性约束下,FNMF在梯度下降法中选取了比NMF更大的迭代步长,这加快了NMF算法的收敛速度,并提取了更精确的特征.我们还可以证明,NMF是FNMF的一种特殊情况.为了进一步提高非负特征的判别力度,我们利用分块技巧到FNMF中,提出了两种分块的快速非负矩阵分解算法(BFNMF).BFNMF是一种线性的有监督算法,它具有一些良好的性质,例如它的特征是高度稀疏的且来自不同类别的特征是正交的.实验表明FNMF比NMF具有更快的收敛速度.同时,在ORL、FERET、pain expression(PE)和CMU PIE数据库上人脸识别实验还表明BFNMF取得了优越的识别性能,且FNMF比NMF取得了更好的识别效果.在第三章,我们研究出了一种分块的核非负矩阵分解算法(BKNMF),它是一种非线性的有监督�

关 键 词： 人脸识别 非负矩阵分解 核方法 增量学习

领　　域： []