改进增量式非负矩阵分解算法及其在人脸识别中的应用

• 作者: 张嘉琪 蔡竞 钱康
• 来源期刊: 信息通信
• 学科: 工学
• 关键词: 人脸识别 子空间降维 非负矩阵分解 增量学习 初始化 类别信息
• 年，卷（期）: 2016,（7）
• 所属期刊栏目: 学术研究
• 页码范围: 4-7,8
• 页数: 5页
• 分类号: TP391.4
• 字数: 3386字
• 语种: 中文

摘要

非负矩阵分解(NMF)是一种有效的子空间降维方法，凭借其可解释性在人脸识别方面有着较好的应用。而增量式非负矩阵分解(INMF)利用近似的原则将上一步迭代寻优的运算结果参与后续计算，有效改善了NMF算法运算规模随训练样本增多而不断增大的现象。文章提出的改进增量式非负矩阵分解算法(Improved Incremental Non-negative Matrix Factorization)在INMF的基础上进一步利用了新加入样本的类别信息，优化了算法中参与迭代的增量系数向量的初始化值，使目标函数在迭代求解时具有更快的收敛速度和全局寻优能力。通过在ORL和YALE人脸数据库上的实验表明，该算法在运算速度和识别率上均优于传统的NMF算法和INMF算法。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蔡竞	浙江警察学院刑事科学技术系	13	14	3.0	3.0
5	张嘉琪	浙江警察学院刑事科学技术系	1	0	0.0	0.0
6	钱康	浙江警察学院刑事科学技术系	1	0	0.0	0.0