论文研究-保持拓扑性非负矩阵分解法在人脸识别的应用.pdf

所需积分/C币:15 2019-09-11 07:56:27 594KB .PDF
17
收藏 收藏
举报

提出了一种用于人脸识别新的保持拓扑性非负矩阵分解方法。该方法通过将梯度距离最小化来发现人脸模式内在的流型结构。与PCA、LDA和最初的NMF方法相比较,保持拓扑性非负矩阵分解法发现一种嵌入来保留局部拓扑信息,比如边缘和质地。该文提出的保持拓扑性非负矩阵分解法对在有光照下的面部表情的变化有效。实验结果表明该方法提供了一种更好的脸部表示模式,同时也提高了人脸识别正确率。
2042010,46(14) Computer Engineering and Applications计算机工程与应用 持了局部拓扑结构。 16000 14000 TNME 图3Yale数据库包括165幅在表情或外形变化下的图像 12000 0.40 ≥3三 IPNMF results 8000 0.30 033 esults baseline(0.033 3 000 0.25 4000 0.20 2000 0.15 30405060708090100 0.10 Eigenvalues of subspace 图1 TPNMF与NMF特征值对比 0.05 102030405060708090100110120130140150 4 TPNME脸部流型学习 Dimensionality 如前所述,许多最近的研究表明脸部图像空间中可能 图4Yale数据库中维度变化时的识别精度 隐藏一个非线性子流型结构。因此,一种有效的脸部识别法应 表1Yale数据库的实验结果比较 该能够发现非线性子流型结构。由于 TPNMF是基于约束梯度 距离的极小化,能确定地考虑高维空间的流型结构和极大程度 Method Reduced Space Error Rate/(%o) Eigenfaces 24.40 地获取到嵌入在高维脸部空间的内在低维流型结构。在表1里 Fisherfaces[ll 7.30 第一组呈现10张用Yale数据库计算得到的脸部图像,包括 NMF 5.33 NMF Faces和 Eigenfaces, Fisherfaces,以及 TPNMF faces可以 TPNMF 110 3.33 看出,与NMF相比, TPNME能够发现面部的表情流型结构,与 Eigenfaces和 Fisherfaces相比,它捕获了面部表情,眼镜和光照 结论 流型结构。 提出了一种新的拓扑性保存NMF法用于人脸表示和识 写圜盟国国盟别、它能够明确地考虑脸部空间的流型结构。尤其是保存局部 (eIgenfaces 拓扑信息时采用约束梯度距离的极小化,找到内在的流型结构 圖圖圖圈■國圖闓圖■ 表示。因为局部流型结构对于模式识别和分类很重要, TPNMF 比起原来的NMF就更加有效。实验的结果表明提出的 TPNMF (b)Fisherfaces 方法能够更好地表示脸部模式,在有光照和脸部变化时具有更 高的识别率。 (c)NMF脸 圖凰圈國國國國参考文献: ( d TPNMF脸 [1 Belhumeur P, Hespanha J, Kriegman D Eigenfaces vs. fisherfaces 图2不同方法人脸对比 Recognition using class specific linear projection[J.IEEE Trans Pattern Analysis and Machine Intelligence, 1997, 19(7): 711-720 5实验结果分析 2 Li S Z, Hou X, Zhang H J,et al. Learning spatially localized, parts 实验的结果显示,提出的用Yale数据库的 TPNMF法进行 based representation[J].IEEE Computer Vision and Pattern Recog- 人脸识别的有效性。最主要的目的是测试 TPNMF在变化的光 nition. 2001 照和面部表情下的有效性。在这个实验中应用一种3-NN的分3 Turk m, Pentland A Eigenfaces for recognition[.Journal of Cogni- 类作为精确控制,欧氏距离用于相似度的度量 tive Neuroscience, 1991, 3(1): 71-86 Yale脸部数据库叫包括15个类别的165个灰度级图像。4 Zhao W Y, nellappa, Rosenfe, et al. Face recognition a lit- 这种图像包括了以下的表情或光线变化:灯光、有无眼镜以及 erature survey[J. ACM Computing Survey, 2003, 35(4): 399-458 面部表情。最初图像的大小是320×243像素。为了与 Eigenfaces [5 Lee DD, Seung H S Learning the parts of obiects by non-mega 和 Fisherfaces做相关对比的演示,与文献[相似,所有的图像 tive matrix factorization(J.Nature, 1999,401: 788-791 16 Lee dD, Seung H S Algorithms for non-negative matrix factoriza 都用人工裁剪,包括像眉毛、眼睛、鼻子和嘴这些内在的结构, 但是不扩充嘴唇的轮廓。图3显示了一个主题裁剪的11幅图 tion( Cy/Advances in Neural Information Processing, 2000 7] Belkin M, Niyogi P Laplacian eigenmaps for dimensionality reduc- 像。在最后,误差比率被固定在平均5轮(一轮相当于一个不同 tion and data representation[J]. Neural Computation, 2003, 15(6): 的测试图像)。这种识别结果在表1和图3中展示。 TPNME法 1373-1396 识别正确率明显优于 Eigenfaces, Fisherfaces和原先的NMF方8 Henderson d w Differential geomet: A geometric introduction M 法。误差比率小于 Eigenfaces和 Fisherfaces的一半。可以看出 S.I. ] Prentice Hall, 1997 提出的方法在灯光、面部表情变化和眼镜存在时效果更好。 (下转230页)

...展开详情
试读 3P 论文研究-保持拓扑性非负矩阵分解法在人脸识别的应用.pdf
立即下载 身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-保持拓扑性非负矩阵分解法在人脸识别的应用.pdf 15积分/C币 立即下载
1/3
论文研究-保持拓扑性非负矩阵分解法在人脸识别的应用.pdf第1页

试读结束, 可继续阅读

15积分/C币 立即下载