基于局部非负矩阵分解的特征提取方法开题报告

1. 研究目的与意义

人脸是人最重要的外貌特征，由于脸部信息可以通过非接触的方式（如摄像头）取得，所以非常适合于作为身份鉴别的依据。

人脸识别技术在国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及民用等领域实际应用具有极广阔的前景。

而特征提取是人脸图像识别研究的最基本问题之一。

2. 国内外研究现状分析

特征提取有许多有效的方法，如PCA(或称K-L变换)和Fisher鉴别分析，组合类别信息的非负矩阵分解方法（CINMF），Li等人提出的局部非负矩阵分解图像表示方法（LNMF）等，这些方法的应用方面，分辨率的提高和识别速度的加快一直是数学工作者的研究的热点问题

3. 研究的基本内容与计划

首先，就特征提取算法中的几种不同的方法作了数值方面的比较与研究，并编制了matlab程序。

具体是对pca(或称k-l变换)和fisher鉴别分析，li等人提出的局部非负矩阵分解图像表示方法（lnmf），组合类别信息的非负矩阵分解方法（cinmf）做比较，就其分辨率以及识别速度做比较和研究。

侧重对局部非负矩阵分解图像表示方法（lnmf）进行研究，探讨能否通过增加约束条件，从而使其分辨率和识别速度有所改进，探讨了lnmf方法的优化,增加或改变约束条件，使得其识别率和识别速度得到提高,最后对局部非负矩阵分解（lnmf）方法做一些积极的探索和优化。

4. 研究创新点

对非负矩阵分解的特征提取有许多有效的方法进行了Matlab实现，做了相应的比较，探讨了LNMF方法的优化,增加或改变约束条件，使得其识别率和识别速度得到提高。