自适应非负矩阵分解在人脸识别中的新应用

"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。