改進的鑒別性非負矩陣分解方法研究.pdf

1、海量數(shù)據(jù)處理是目前科學研究亟待解決的關鍵技術問題，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)的某種潛在結構變得清晰是研究的熱點和難點。非負矩陣分解(Non-negative Matrix Factorization, NMF)是一種非負限制下的矩陣分解方法，能夠極大地降低表達數(shù)據(jù)的維數(shù)，分解特性符合人類感知事物的直觀體驗，分解結果可解釋性強，并具有算法簡單、易于實現(xiàn)等優(yōu)點，目前已在維數(shù)約減、特征提取和模式識別等多領域獲得了廣泛應用。本文在對

2、現(xiàn)有NMF方法進行深入分析和研究的基礎上，提出了以下兩種改進的非負矩陣分解方法。
　?。ㄒ唬┮环N改進的加權鑒別非負矩陣分解（WeightedDiscriminant Non-negative Matrix Factorization, WDNMF）方法。為克服目標對象中的大面積連續(xù)遮擋引起的局部信息缺失從而降低識別準確率的問題，本文首先根據(jù)目標對象中的遮擋區(qū)域構造出一個權矩陣，并利用該矩陣對廣義KL散度（GKLD）進行擴展，形成了

3、加權廣義KL散度（Weighted GKLD, WGKLD）目標函數(shù)，以弱化甚至忽略遮擋區(qū)域對特征提取的影響，著重訓練未遮擋區(qū)域的數(shù)據(jù)；同時，為了得到更加局部化的特征，在包含WGKLD以及對系數(shù)矩陣施加的鑒別約束項的目標函數(shù)中添加對基矩陣施加的稀疏約束正則項；最后使用了簡單有效的乘性迭代算法對基矩陣和系數(shù)矩陣的迭代規(guī)則進行了推導。將本方法應用于人臉識別，實驗結果表明，相比同類其它方法，本方法對大面積連續(xù)遮擋具有較強魯棒性，能夠更有效、更

4、準確地提取到人臉局部特征信息，分類準確性得到了很好的改善。
　?。ǘ┮环N改進的分塊鑒別非負矩陣分解（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，降低特征提取時不同局部特征之間的干擾，以更準確地提取人臉局部特征，提升方法對遮擋的魯棒性和適應性，本文首先通過構造樣本的類間相異度權矩陣提出了一種優(yōu)化的類間散度約束項，

5、力圖更大限度地利用數(shù)據(jù)類別信息，并將該約束項引入基本的鑒別非負矩陣分解（Discriminant NMF, DNMF）模型中，且結合圖像分塊預處理，實現(xiàn)了一種改進的分塊鑒別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，以達到降低特征提取時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行了人臉識別。實驗結果表明，相比同類其它方法，本方法對大面積連續(xù)遮擋具