改進(jìn)的鑒別性非負(fù)矩陣分解方法研究.pdf

1、海量數(shù)據(jù)處理是目前科學(xué)研究亟待解決的關(guān)鍵技術(shù)問(wèn)題，如何將高維數(shù)據(jù)約減為低維數(shù)據(jù)并且使數(shù)據(jù)的某種潛在結(jié)構(gòu)變得清晰是研究的熱點(diǎn)和難點(diǎn)。非負(fù)矩陣分解(Non-negative Matrix Factorization, NMF)是一種非負(fù)限制下的矩陣分解方法，能夠極大地降低表達(dá)數(shù)據(jù)的維數(shù)，分解特性符合人類感知事物的直觀體驗(yàn)，分解結(jié)果可解釋性強(qiáng)，并具有算法簡(jiǎn)單、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，目前已在維數(shù)約減、特征提取和模式識(shí)別等多領(lǐng)域獲得了廣泛應(yīng)用。本文在對(duì)

2、現(xiàn)有NMF方法進(jìn)行深入分析和研究的基礎(chǔ)上，提出了以下兩種改進(jìn)的非負(fù)矩陣分解方法。
　?。ㄒ唬┮环N改進(jìn)的加權(quán)鑒別非負(fù)矩陣分解（WeightedDiscriminant Non-negative Matrix Factorization, WDNMF）方法。為克服目標(biāo)對(duì)象中的大面積連續(xù)遮擋引起的局部信息缺失從而降低識(shí)別準(zhǔn)確率的問(wèn)題，本文首先根據(jù)目標(biāo)對(duì)象中的遮擋區(qū)域構(gòu)造出一個(gè)權(quán)矩陣，并利用該矩陣對(duì)廣義KL散度（GKLD）進(jìn)行擴(kuò)展，形成了

3、加權(quán)廣義KL散度（Weighted GKLD, WGKLD）目標(biāo)函數(shù)，以弱化甚至忽略遮擋區(qū)域?qū)μ卣魈崛〉挠绊?，著重?xùn)練未遮擋區(qū)域的數(shù)據(jù)；同時(shí)，為了得到更加局部化的特征，在包含WGKLD以及對(duì)系數(shù)矩陣施加的鑒別約束項(xiàng)的目標(biāo)函數(shù)中添加對(duì)基矩陣施加的稀疏約束正則項(xiàng)；最后使用了簡(jiǎn)單有效的乘性迭代算法對(duì)基矩陣和系數(shù)矩陣的迭代規(guī)則進(jìn)行了推導(dǎo)。將本方法應(yīng)用于人臉識(shí)別，實(shí)驗(yàn)結(jié)果表明，相比同類其它方法，本方法對(duì)大面積連續(xù)遮擋具有較強(qiáng)魯棒性，能夠更有效、更

4、準(zhǔn)確地提取到人臉局部特征信息，分類準(zhǔn)確性得到了很好的改善。
　　（二）一種改進(jìn)的分塊鑒別非負(fù)矩陣分解（Blocked Discriminant Non-negative Matrix Factorization, BDNMF）方法。為了更加有效地利用數(shù)據(jù)的類別信息，降低特征提取時(shí)不同局部特征之間的干擾，以更準(zhǔn)確地提取人臉局部特征，提升方法對(duì)遮擋的魯棒性和適應(yīng)性，本文首先通過(guò)構(gòu)造樣本的類間相異度權(quán)矩陣提出了一種優(yōu)化的類間散度約束項(xiàng)，

5、力圖更大限度地利用數(shù)據(jù)類別信息，并將該約束項(xiàng)引入基本的鑒別非負(fù)矩陣分解（Discriminant NMF, DNMF）模型中，且結(jié)合圖像分塊預(yù)處理，實(shí)現(xiàn)了一種改進(jìn)的分塊鑒別NMF（BDNMF）方法。然后利用BDNMF方法提取人臉若干不重疊子模塊的基空間，以達(dá)到降低特征提取時(shí)不同局部特征之間干擾的目的。最后根據(jù)特征融合規(guī)則，充分利用了各子模塊的信息，并采用最近鄰分類器進(jìn)行了人臉識(shí)別。實(shí)驗(yàn)結(jié)果表明，相比同類其它方法，本方法對(duì)大面積連續(xù)遮擋具