一种组合类别信息的非负矩阵分解方法及其应用

基于非负矩阵分解理论,提出一种新的有监督的特征提取方法,它具有二个特点: 一是在特征提取过程中它直接利用训练样本的类别信息,二是在计算上仍然采用与非负矩阵分解方法相同数学公式,因此这种新特征提取方法被称为组合类别信息的非负矩阵分解(CINMF)方法.另外,在分类时本文提出了基于两种特征融合的分类策略进一步提高CINMF方法的识别率.通过在YALE人脸库和ORL人脸库上进行实验,结果表明本文提出的新方法在识别率方面整体上好于原非负矩阵分解方法,甚至超过常用的主成分分析法(PCA).     

基于最大间距准则(MMC)新的有效特征提取方法

基于最大间距准则(Maximum Margin Criterion,MMC)下,提出一组具有标准正交性的最佳鉴别矢量的计算方法和一组具有统计不相关性的最佳鉴别矢量的计算方法。这种方法的目的是寻求一组最佳鉴别矢量既要使投影变换后的特征空间的类间散度最大,而类内散度最小;又要减小最佳鉴别矢量间的统计相关性。与原MMC特征提取方法相比,新的特征提取方法降低了甚至消除了最佳鉴别矢量间的统计相关性,提高了识别率。通过分别在ORL人脸库和NUST603人脸库上实验结果表明提出的具有统计不相关性的MMC特征提取方法在识别率方面整体上好于原MMC特征提取方法和常用的主成分分析(PCA)法。另外,揭示了MMC准则特征提取与Fisher准则特征提取的内在关系。     

一种新颖的基于NMF的人脸识别方法

提出了一种新颖的基于非负矩阵分解(NMF)进行人脸识别的方法,读方法首先对人脸图像作NMF得到由人脸基图像组成的子空间矩阵及其对应的系数矩阵,然后将其重构获得NMF重构人脸图像,进而从原始图像中减去重构图像以获取残差图像.最后对残差图像作局部非负矩阵分解(LNMF)以提取其非负子空间及其系数矩阵,并将两次得到的系数矩阵混合,根据最近邻原则进行识别.在ORL标准人脸数据库上的实验表明,该方法具有更好的识别率.     

基于Cholesky分解的K2DPCA人脸识别研究

K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL~T来解决该问题.并只需计算小规模矩阵L~TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.     

正交指数约束的平滑非负矩阵分解方法及应用

提出了一种正交指数约束的平滑非负矩阵分解方法,该方法将非负矩阵分解为基矩阵、列归一化平滑矩阵和系数矩阵之积,同时在目标函数中加入了正交指数约束,保证了低维特征的非负性和局部化,减小了分解误差,提高了稀疏性的调节能力。将该方法应用于数据降维、特征稀疏性比较、有遮挡人脸识别和视频运动特征提取。实验结果表明,该方法比同类方法具有更好的性能。     

广义判别正交非负矩阵分解及其应用

提出了一种广义判别正交非负矩阵分解算法。与传统非负矩阵分解算法不同,该算法对目标函数加入了正交约束,保证了低维特征的非负性;也不同于以往的判别非负矩阵分解算法将判别约束加于低维权重上,该算法将判别约束推广到低维特征中,使得低维特征参与模式识别,进一步提高了识别精度。本文给出了算法的推导过程,并将其应用于人脸验证和人脸表情识别。实验结果表明,该算法提高了低维特征的判别能力,具有更好的性能。     

约束线性描述分析与人脸识别

针对高维,小样本模式识别中的特征提取问题,提出了一种约束线性描述分析方法(CLDA).以线性变换后样本的类内距离与类间距离之比最小作为准则函数,同时加上约束条件使变换后的样本中心沿着特定的正交方向,通过白化变换、Gram-Schimdt正交化和正交子空间投影求解约束准则函数得到最优变换矩阵.针对入脸识别的小样本问题,根据奇异值分解定理实现白化变换.对ORL.和UMIST人脸库进行了仿真研究,结果表明CLDA方法的性能接近于某些Fisher描述分析万法如直接Fisher描述分析(DDA)和改进的Fisher描述分析(R-LDA).     

基于差准则的二维非参数特征分析的SAR目标识别

提出一种基于差准则的二维非参数特征分析(2 dimensional nonparametric feature analysis based on difference criterion,2DDNFA)的图像特征提取方法,它结合了二维线性判决分析(2-dimensional linear discriminant analysis,2DLDA)、最大散度差(maximum scatter difference,MSD)、非参数判决分析(nonparametric feature analysis,NFA)3种方法的思想。首先利用二维图像样本的近邻样本构造类内、类间散布矩阵,再基于差准则计算投影矩阵,最后将二维图像向投影矩阵投影得到特征矩阵。基于实测合成孔径雷达(synthetic aperture radar,SAR)数据的实验结果表明,方法的性能优于基于Fisher准则的2DLDA、二维非参数特征分析(2 dimension nonparametric feature analysis, 2DNFA)方法、也优于基于差准则的二维最大散度差(2-dimensional maximum scatter difference,2DMSD)鉴别分析方法。     

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国“运动和静止目标获取与识别计划”公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。     

极化SAR图像中的弱小舰船目标检测

结合最新的子空间数据分析方法--非负矩阵分解(nonnegative matrix factorization, NMF),对极化合成孔径雷达(synthetic aperture radar, SAR)图像中的弱小舰船目标提出一种全新的有效检测方法。该方法利用极化协方差矩阵分解,得到包含极化图像能量的特征值组,组成满足NMF要求的非负矩阵;然后采用稀疏限制的NMF来提取其中的主要特征,以此将舰船目标检测出来。采用国内全极化和双极化实测海洋数据进行实验,验证了本文方法的有效性。     

二维最大散度差图像投影鉴别分析

提出了一种新的二维散度差图像投影鉴别分析方法。该方法利用类间离散度与类内离散度之差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题时。所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大提高了特征抽取的速度。在ORL人脸数据库和AR标准人脸库上的仿真试验结果表明，所提出的方法不仅在识别性能上优于传统的散度差鉴别分析，特征抽取的速度有了较大幅度的提高。     

无训练样本的伪画像生成及识别

基于照片的伪画像生成及识别是人脸识别领域的一个新研究方向,在刑侦方面有着重要用途。但目前的方法都需要大量的训练样本以生成伪画像,对此提出将双边滤波器用于提取人脸的纹理及形状特征,并利用颜色恒常性对重要特征区域进行增强,基于香港大中文学人脸画像（Chinese University of Hongkong face sketch, CUFS）数据库的实验结果表明,利用该方法生成的伪画像能有效提高画像的识别性能,是一种可行的伪画像生成方法。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

Nonnegative matrix factorization with Log Gabor wavelets for image representation and classification

1.INTRODUCTION Inpatternanalysisandcomputervision,visualrecog nitionofobjectsisoneofthemostchallengingprob lems.Approachestoovercomesuchproblemshavefo cusedonusingseveralmethodologies.Appearance basedrepresentationandrecognitionisoneofthe mostsuccessfullyusedtoday.Itinvolvespreprocess ingofmultidimensionalsignals,suchasimagesof facesandcharactersorspectrogramsofspeech.In fact,thecoreofthepreprocessingisthesocalleddi mensionalityreduction.Thedimensionalityreductionaimstocompress thehighdi…