NMF算法优化：人脸识别的精度提升策略

"基于NMF的人脸图像识别改进方法研究"是针对人脸识别领域的深入探讨，主要关注NMF（非负矩阵分解）算法在人脸识别中的应用。NMF是一种数据降维技术，它特别适合处理非负数据，如图像，因为它能够保留原始数据的非负特性，这对于处理像人脸图像这样含有丰富纹理信息的数据至关重要。 在研究中，小组成员海玉梅、樊俊彬和郭甜负责分析了NMF算法的基本原理，包括其在传统人脸识别方法中的应用。NMF算法的关键在于将高维的人脸图像数据分解为两个非负矩阵，一个表示数据的潜在因子，另一个表示这些因子的组合方式。然而，传统NMF存在缺陷，如人脸样本集维度过高导致计算复杂性增加，以及分解出的基矩阵非正交性可能导致欧氏距离在非欧氏空间中失效。 为解决这些问题，研究者们提出了一种结合小波变换的方法。小波变换允许对图像进行多尺度分析，提取出不同频率成分，这有助于提取人脸图像的特征并降低噪声的影响。通过对小波变换后的图像进行预处理，研究团队试图找出NMF算法中的局限，并通过调整参数、减少矩阵维数等方式优化算法，以提升人脸识别的准确性和效率。 实验部分在ORL数据库上使用MATLAB实现了传统NMF算法，并对基矩阵进行了正交化处理，以改善算法的性能。通过对小波变换和NMF的结合应用，研究者期望能够在处理具有遮挡物的人脸图像时，提高系统的识别率，尤其是在实际场景中，如职业、隐私或宗教等原因导致的面部遮挡。 总结来说，这项研究不仅介绍了人脸识别算法的重要性和当前面临的挑战，还详细阐述了NMF算法的基本原理及其在人脸识别中的改进策略，展示了小波变换如何作为有效的预处理工具来增强NMF的效果。通过这种方式，研究者们旨在提升人脸识别的实用性和鲁棒性，为实际应用提供更可靠的解决方案。"