"该文研究了自适应非负矩阵分解(Adaptive Non-negative Matrix Factorization, ANMF)在人脸识别中的应用,旨在解决在样本数量有限的环境下提高识别精度的问题。传统NMF方法虽能提取非负特征,但在处理图像潜在结构信息时存在局限。文章提出了一种新的ANMF方法,通过构建不同矩阵维度和迭代次数下的重构样本,结合QR分解的稀疏表示进行人脸分类。通过优化参数选择和调整重构样本,该方法能在ORL、Yale和AR三个数据库上实现更好的分类效果。"
在当前大数据时代,人脸识别技术已经广泛应用,如机场安检、安全监控、电子身份验证等多个领域。然而,基于大数据的人脸识别方法往往面临大规模样本标记、模型参数优化和长时间训练的挑战,限制了其实战效能。非负矩阵分解(NMF)作为一种无监督学习的特征提取工具,因其能保持数据的非负特性而被广泛用于人脸识别领域。
尽管NMF在降维和特征提取上具有优势,但其在处理图像潜在结构信息时存在缺陷。为了克服这些限制,一些研究者提出结合Gabor变换和二维NMF的方法,利用Gabor变换先提取特征,再通过二维NMF进行降维,以保留图像的原始结构。然而,NMF方法在学习高维数据时可能忽视数据的几何结构。
针对这一问题,本文提出了一种自适应非负矩阵分解的人脸识别方法。该方法首先在NMF分解过程中生成不同参数下的重构样本,这些参数包括矩阵维度和迭代次数。然后,利用QR分解的稀疏表示技术,将重构样本用于人脸分类。通过不断优化参数组合并调整重构样本,可以达到最佳分类性能。实验证明,这种方法在ORL、Yale和AR三个标准人脸识别数据库上表现优秀,尤其在处理小样本或单样本人脸识别问题时,能显著提升分类的准确性。
本文提出的ANMF方法为解决人脸识别中的样本稀缺问题提供了一个创新的解决方案,通过动态调整和优化,能够更好地捕捉和利用人脸图像的特征,从而提高识别系统的性能。这一研究对于推动人脸识别技术的发展,尤其是在资源有限的场景下,具有重要的理论价值和实践意义。