一种用于人脸识别的自适应图正则化非负矩阵分解方法技术

为了解决现有技术中针对人脸识别准确率低的问题，本发明专利技术提供一种用于人脸识别的自适应图正则化非负矩阵分解方法，包括以下步骤：先向量化处理人脸照片，再将数据矩阵X分解成基矩阵和系数矩阵的乘积，并对基矩阵和系数矩阵中的每个元素加上非负约束，然后对数据矩阵X的系数矩阵进行约束，得到处理后的相似矩阵，再利用对角矩阵与拉普拉斯矩阵对相似矩阵S进行处理，引入权重约束项λ，得到自适应图，最后将自适应图作为正则化约束项引入到数据矩阵X的非负矩阵分解目标函数中，对人脸照片进行识别。本发明专利技术通过引入权重约束项，权重矩阵不再保持不变，去除了大量噪声和离群值，使局部邻域结构信息完整，提升了识别准确率。

An Adaptive Graph Regularization Nonnegative Matrix Decomposition Method for Face Recognition

In order to solve the problem of low accuracy of face recognition in the existing technology, the present invention provides an adaptive graph regularization non-negative matrix decomposition method for face recognition, which includes the following steps: firstly, the face photos are processed by vectorization, then the data matrix X is decomposed into the product of the base matrix and the coefficient matrix, and each element in the base matrix and the coefficient matrix is added with non-negative constraints; After that, the coefficient matrix of data matrix X is constrained, and the processed similarity matrix is obtained. Then, the diagonal matrix and Laplacian matrix are used to process the similarity matrix S. The weight constraint term lambda is introduced to obtain the adaptive graph. Finally, the adaptive graph is introduced into the objective function of non-negative matrix decomposition of data matrix X as a regularization constraint term to recognize face photos. By introducing weight constraints, the weight matrix is no longer unchanged, a large number of noise and outliers are removed, the local neighborhood structure information is complete, and the recognition accuracy is improved.

【技术实现步骤摘要】
一种用于人脸识别的自适应图正则化非负矩阵分解方法
本专利技术涉及数字表示领域，具体涉及一种用于人脸识别的自适应图正则化非负矩阵分解方法。
技术介绍
随着现实世界中科学技术的发展，各种设备产生大量的数据，人脸识别技术越来越普遍，需要对这些数据进行分析和处理，以获得有用的信息。然而，数据通常具有高维度和大量冗余。这些数据在实际应用中会引起一系列问题，如计算时间长和所需空间大。因此，如何有效地处理这些高维数据已经成为一个热点问题。特征选择可以很好地解决这个问题。特征选择要求人们从高维特征空间中选择有用的子集，用于后续处理。特征选择大致可分为三类：监督学习、半监督学习和无监督学习。由于现实世界中几乎没有标签信息，所以不需要标签信息的无监督学习更为实用。作为一种经典的无监督学习，非负矩阵分解NMF引入了非负约束，满足了现实世界的需求，提高了问题的解释能力。如今，NMF广泛应用于图像聚类、数据挖掘、文本分析甚至医学应用。到目前为止，有许多种基于NMF的算法。通过加入鉴别信息，Wang等人提出了DiscriminantNMF(DNMF)orFisher-NMF(FNMF)，它将类内散度与类间散度的本文档来自技高网...

【技术保护点】
1.一种用于人脸识别的自适应图正则化非负矩阵分解方法，其特征在于：包括以下步骤：S1.将C组人脸照片均进行向量化处理，得到数据矩阵X；S2.将数据矩阵X分解成基矩阵和系数矩阵的乘积，并对基矩阵和系数矩阵中的每个元素加上非负约束，通过数据矩阵X与基矩阵和系数矩阵乘积之差的欧氏距离值的平方逼近数据矩阵X；S3.设置相似矩阵，对数据矩阵X分解后的S2步骤的系数矩阵进行约束，得到处理后的相似矩阵S；其中数据矩阵X分解后的系数矩阵中两个数据点Vi和Vj间的相似度为Sij；S4.利用对角矩阵与拉普拉斯矩阵对相似矩阵S进行处理，使相似矩阵S中的任何数据点都有C个连通分量；S5.引入权重约束项λ，利用Ky F...

【技术特征摘要】
1.一种用于人脸识别的自适应图正则化非负矩阵分解方法，其特征在于：包括以下步骤：S1.将C组人脸照片均进行向量化处理，得到数据矩阵X；S2.将数据矩阵X分解成基矩阵和系数矩阵的乘积，并对基矩阵和系数矩阵中的每个元素加上非负约束，通过数据矩阵X与基矩阵和系数矩阵乘积之差的欧氏距离值的平方逼近数据矩阵X；S3.设置相似矩阵，对数据矩阵X分解后的S2步骤的系数矩阵进行约束，得到处理后的相似矩阵S；其中数据矩阵X分解后的系数矩阵中两个数据点Vi和Vj间的相似度为Sij；S4.利用对角矩阵与拉普拉斯矩阵对相似矩阵S进行处理，使相似矩阵S中的任何数据点都有C个连通分量；S5.引入权重约束项λ，利用KyFan’sTheorem，得到带有权重约束项λ的相似矩阵S，得到自适应图；S6.对S5步骤得到的自适应图作为正则化约束项引入到数据矩阵X的非负矩阵分解目标函数中，最终迭代求解得到的系数矩阵对人脸照片进行识别。2.权利要求1所述的一种用于人脸识别的自适应图正则化非负矩阵分解方法，其特征在于：数据矩阵X＝[X1,X2,.....

【专利技术属性】
技术研发人员：刘中华，张琳，王京京，王晓红，邱涌，肖春宝，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：河南,41