Using Improved Non-negative Matrix Factorization with Projected Gradient for Single-Trial Feature Extraction
改进投影梯度非负矩阵分解的单训练样本特征提取研究

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。