线性投影非负矩阵分解方法及应用

针对线性投影结构非负矩阵分解迭代方法比较复杂的问题,提出了一种线性投影非负矩阵分解方法。从投影和线性变换角度出发,将Frobenius范数作为目标函数,利用泰勒展开式,严格导出基矩阵和线性变换矩阵的迭代算法,并证明了算法的收敛性。实验结果表明:该算法是收敛的;相对于非负矩阵分解等方法,该方法的基矩阵具有更好的正交性和稀疏性;人脸识别结果说明该方法具有较高的识别率。线性投影非负矩阵分解方法是有效的。

基于线性投影结构的非负矩阵分解

非负矩阵分解(Non-negative matrix factorization,NMF)是一个近年来非常流行的非负数据处理方法,它常用于维数约减、特征提取和数据挖掘等.NMF定义中采用的数学模型基于非线性投影结构构造,这决定了NMF降维需借助计算量很大的迭代操作来实现.此外,由此模型提取的NMF特征常不稀疏,这与NMF的设计期望相差甚远.为一并解决上述两个问题,本文提出了一个新的模型—基于线性投影结构的NMF(Linear projection-based NMF,LPBNMF),并构造了一个单调的LPBNMF算法.从数学的角度看,LPBNMF可理解为实现NMF的一种特殊方式.LPBNMF降维通过线性变换来完成,它所采用的数学模型的自身结构特点决定了由其得到的特征一定非常稀疏.大量的比较实验表明,LPBNMF的降维效率显著高于NMF,LPBNMF特征明显比NMF特征更稀疏和局部化.最后,基于AR人脸数据库的实验揭示,LPBNMF特征比NMF、LDA以及PCA等特征更适合于用最近邻分类法处理有遮挡人脸识别问题.

基于小波和非负稀疏矩阵分解的人脸识别方法

提出了利用小波变换(WT)、非负稀疏矩阵分解(NMFs)和Fisher线性判别(FLD)来进行人脸识别。用小波变换分解人脸图像,选择最低分辨率的子段,既能捕获到人脸的实质特征,又有效地降低了计算复杂性;非负稀疏矩阵分解能显示地控制分解稀疏度和发现人脸图像的局部化表征;Fisher线性判别能在低维子空间中形成良好的分类。实验结果表明,这种方法对光照变化、人脸表情和部分遮挡不敏感,具有良好的健壮性和较高的识别效率。