论文部分内容阅读
人脸识别技术是当前模式识别领域的热点问题，属于生物体生物特征识别技术的一种，已成功应用于政府、海关、公安系统，并逐渐向银行金融业等高风险领域渗透。鉴于算法性能对人脸识别效果的重要影响，20世纪90年代以来各个领域内专家学者对人脸识别算法进行深入研究。目前主流算法包括基于特征脸的算法(Principal Component Analysis，PCA)，神经网络的人脸识别算法，支持向量机算法(Support Vector Machine，SVM)，非负矩阵分解算法(Nonnegative Matrix Factorization，NMF)等，每个方法都有着不同的特性和优势来解决不同问题。对比其它主流人脸识别算法，非负矩阵分解算法具备如下两点优势：第一，由于非负矩阵分解算法的非负性约束，算法结果具有模拟人类感知习惯----“整体由部分构成”的特征；第二，非负矩阵分解算法能够在分解过程中自然稀疏掉部分噪声影响，如光照、翻转、遮挡物等，具有很强的实用性。然而，非负矩阵分解算法仍存在较大的相对误差、较不明显的局部特征以及较慢的收敛速度等缺点，使得该算法处理人脸识别问题的分解效果并不完美。 本文首先提出了一种基于迭代支撑探测(Iterative Support Dectection，ISD)算法的稀疏非负矩阵分解算法(SNMF/ISD)。ISD算法较同样处理压缩感知问题的基追踪(BP)算法具有迭代次数少，重构效果好，重构信号稀疏性更强等几种优势,因此本文将ISD思想由向量问题推广到矩阵问题上，提出基于ISD思想的非负矩阵分解算法。该算法具有较其余几类非负矩阵分解算法更强的稀疏性，以及更优的重构效果，除此之外对新算法的收敛性证明也会在算法介绍部分给出。SNMF/ANLS算法的提出者仅针对该算法的分支算法之一SNMF/R（加稀疏约束在权值矩阵上）进行介绍并给出了生物医学工程相关数值实验。我们不仅对该算法处理人脸识别的另一分支算法SNMF/L（加稀疏约束在特征矩阵上）进行改进，且将新算法成功应用在多个人脸数据库中，与三种主流非负矩阵分解算法进行数值实验结果的对比并给出直观的图表数据，通过实验结果证实了新算法重构误差更小、稀疏性更强的优势；除此之外，我们还利用最近邻分类器对训练数据和测试数据做识别分类，并给出不同测试算法在不同维特征空间下识别率的对比。结果证实，新算法的识别效果较其余三种非负矩阵分解算法鲁棒性更强。