资源详细信息
改进投影梯度非负矩阵分解的单训练样本特征提取研究 - 资源详细说明
摘 要：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。
立即下载 改进投影梯度非负矩阵分解的单训练样本特征提取研究
提示：下载后请用压缩软件解压，推荐使用 WinRAR 或 7-Zip
下载说明与使用指南
下载说明
- 本资源需消耗 2积分
- 24小时内重复下载不扣分
- 支持断点续传功能
- 资源永久有效可用
使用说明
- 下载后使用解压软件解压
- 推荐使用 WinRAR 或 7-Zip
- 如有密码请查看资源说明
- 解压后即可正常使用
积分获取方式
- 上传优质资源获得积分
- 每日签到免费领取积分
- 邀请好友注册获得奖励
- 查看详情 →