没有合适的资源?快使用搜索试试~ 我知道了~
首页正交非负CP分解提升人脸表情识别的高效性和精度
本文档主要探讨了"正交非负CP分解的图像表示和识别"这一主题,发表于2011年的《电子科技大学学报》第40卷第6期。论文由刘昶、周激流、何坤和张健四位作者合作完成,他们分别来自成都大学信息科学与技术学院、成都大学模式识别与智能信号处理四川省高校重点实验室以及四川大学计算机学院和电子信息学院。 正交非负CP分解是一种新颖的算法,它将图像库看作是三阶张量,并采用非负分解方法进行处理。传统非负分解强调的是数据的非负特性,而该研究在此基础上增加了正交约束。这种约束确保了图像的低维表示保持非负性,这对于许多应用场景,如图像处理和数据分析,是非常重要的,因为它保留了原始数据的积极特征。 通过实验,研究者发现正交非负CP分解相较于其他非负分解方法,有显著优势。它能够减少基图像的冗余性,提高基图像的稀疏性,这有利于提取更有效的特征,降低模型复杂度。此外,正交约束的引入增强了特征的独立性和解释性,使得算法在人脸表情识别中的表现更加出色,具有较高的识别精度。 值得注意的是,这个算法具有良好的收敛性,即使在有限次迭代次数内也能达到理想效果。其适用性不仅限于人脸表情识别,还可以扩展到任意阶张量的分析,体现了其广泛的应用潜力。这篇论文不仅介绍了正交非负CP分解的基本原理和技术细节,还展示了其在实际问题中的实用价值,为图像处理和机器学习领域的研究者提供了有价值的方法论参考。
资源详情
资源推荐
第 40 卷 第 6 期 电 子 科 技 大 学 学 报 Vol.40 No.6
2011年11月 Journal of University of Electronic Science and Technology of China Nov. 2011
正交非负CP分解的图像表示和识别
刘 昶
1,2
,周激流
3
,何 坤
3
,张 健
4
(1. 成都大学信息科学与技术学院 成都 610106; 2. 成都大学模式识别与智能信号处理四川省高校重点实验室 成都 610106;
3. 四川大学计算机学院 成都 610065; 4. 四川大学电子信息学院 成都 610065)
【摘要】提出了一种正交非负CP分解算法。将图像库视为三阶张量,进行非负分解,并对非负因子增加了正交约束,保
证了图像低维表示的非负性。实验结果表明,较之其他非负分解算法,正交非负CP算法通过增加基图像的正交约束,减少了
基图像的冗余性,进一步提高了基图像的稀疏性,同时保证了低维特征的非负性;将其用于人脸表情识别,该算法具有较高
的识别率,在有限次迭代次数内能够达到收敛,并且该算法可以推广到任意阶张量。
关 键 词 表情识别; 非负CANDECOMP/PARAFAC分解; 正交约束; 稀疏表示; 张量分解
中图分类号 TP391.41 文献标识码 A doi:10.3969/j.issn.1001-0548.2011.06.019
Orthogonal Nonnegative CP Factorization for Image
Representation and Recognition
LIU Chang
1,2
, ZHOU Ji-liu
3
, HE Kun
3
, and ZHANG Jian
4
(1. College of Information Science and Technology, Chengdu University Chengdu 610106;
2. Key Laboratory of Pattern Recognition and Intelligent Information Processing, Chengdu University Chengdu 610106;
3. School of Computer Science, Sichuan University Chengdu 610065;
4. School of Electronics and Information Engineering, Sichuan University Chengdu 610065)
Abstract An orthogonal non-negative CANDECOMP/PARAFAC factorization algorithm (ONNCP) is
proposed. With the orthogonal constrain, the low-dimensional presentations of samples are kept non-negative in
ONNCP. The relationship between NNCP and NMF is analyzed theoretically. The solution process and the
convergence of the algorithm are discussed. The experiments indicate that, compared with other non-negative
factorization algorithms, ONNCP can reduce the redundancy of the base images and enhance the sparseness of the
base images due to its orthogonality. It also ensures the low-dimensional feature is non-negative. The algorithm can
achieve better recognition rate in facial expression recognition and will convergence a fixed point. Furthermore, the
algorithm can be generalized to any order tensor.
Key words facial expression recognition; non-negative CANDECOMP/PARAFAC factorization;
orthogonal constraint; sparseness representation; tensor decomposition
收稿日期:
2010 03 08; 修回日期:2010 05 11
基金项目:四川省科技厅项目(2010JQ0032)
作者简介:刘 昶(1982 ),女,博士,主要从事计算机视觉和模式识别等方面的研究.
近年来,非负矩阵分解
[1]
(non-negative matrix
factorization,NMF)及其扩展方法已广泛用于图像表
示和识别。NMF将图像表示为基图像的加权线性组
合,并要求基图像及其权重值都是非负的,如对于
一幅人脸图像,其中基图像对应人脸的各个部分,
因此NMF的基是局部化特征。非负约束导致表示的
稀疏性,可节约存储空间。为了加强图像的局部化
表示,提出了各种稀疏表示的NMF算法
[2-5]
。为了发
现数据空间的本征几何结构,文献[6-7]分别提出了
图正则化NMF和保局NMF。为了进一步增加NMF
算法的判别能力,还有监督NMF被提出
[8-9]
。
NMF要求所有的样本向量化,但在实际应用中
数据是多维结构,如视频序列、图像等。多维数据
的向量化必然导致数据空间信息的丢失;其次,NMF
分解通常是不唯一的
[10]
。为了解决以上问题,NMF
被扩展为非负CANDECOMP/PARAFAC分解,简
称为非负CP分解(non-negative cp factorization,
NNCP)
[11-14]
。NNCP将多维数据看作是高阶张量,避
免向量化操作,保留了数据的空间结构,并且在某
些较弱的约束下能够保证分解的唯一性
[15]
。尽管如
下载后可阅读完整内容,剩余5页未读,立即下载
weixin_38664427
- 粉丝: 3
- 资源: 924
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 李兴华Java基础教程:从入门到精通
- U盘与硬盘启动安装教程:从菜鸟到专家
- C++面试宝典:动态内存管理与继承解析
- C++ STL源码深度解析:专家级剖析与关键技术
- C/C++调用DOS命令实战指南
- 神经网络补偿的多传感器航迹融合技术
- GIS中的大地坐标系与椭球体解析
- 海思Hi3515 H.264编解码处理器用户手册
- Oracle基础练习题与解答
- 谷歌地球3D建筑筛选新流程详解
- CFO与CIO携手:数据管理与企业增值的战略
- Eclipse IDE基础教程:从入门到精通
- Shell脚本专家宝典:全面学习与资源指南
- Tomcat安装指南:附带JDK配置步骤
- NA3003A电子水准仪数据格式解析与转换研究
- 自动化专业英语词汇精华:必备术语集锦
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功