%0 Journal Article
%T Using Improved Non-negative Matrix Factorization with Projected Gradient for Single-Trial Feature Extraction<br>改进投影梯度非负矩阵分解的单训练样本特征提取研究
%A Gao Tao
%A He Ming-yi
%A <br>高涛
%A 何明一
%J 电子与信息学报
%D 2010
%I 
%X 人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系，可用于单样本特征提取，但时间复杂度较高。投影梯度(Projected Gradient，PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度，但是单训练样本存在对本类信息量描述不足的缺点。为此，该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization，IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前，先将训练样本作Gabor分解，分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征，最后将各个Gabor子图像的PGNMF特征进行融合，作为最终的识别特征。在对人脸库ORL，YEL与FERET的识别实验中，与经典的特征提取方法比较，证明了可以有效地解决单训练样本人脸识别的问题。
%K Face recognition
%K Non-negative Matrix Factorization(NMF)
%K Projected gradient NMF
%K RBF network<br>人脸识别
%K 非负矩阵分解
%K 投影梯度非负矩阵分解
%K 径向基网络
%U http://www.alljournals.cn/get_abstract_url.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=1319827C0C74AAE8D654BEA21B7F54D3&jid=EFC0377B03BD8D0EF4BBB548AC5F739A&aid=98321C6BBBC94FE871AE5C3AF2E3D295&yid=140ECF96957D60B2&vid=9971A5E270697F23&iid=94C357A881DFC066&sid=F88EF6DD822B0FF5&eid=D3CBA54FACB30BD9&journal_id=1009-5896&journal_name=电子与信息学报&referenced_num=1&reference_num=10