基于图嵌入的稀疏非负矩阵分解研究及其在特征提取中的应用

Since computer image understanding and perception far less than human and processing efficiency can not meet the development needs of today's society, how to extract the key features for dimensionality reduction and recognition is a hot topic with difficulties in current researches for image recognition. The projection mainly will be combining sparse mechanisms of human perception image, non-negative matrix factorization and graph embedding of manifold learning to enrich and develop the theoretical system of pattern recognition, feature extraction techniques; Designing the image feature selection and image feature extraction algorithm with sparse, localized, ability to differentiate and robustness to improve the understanding and perception of computer image and to provide better technical support for image recognition in the application of information and related fields.The expected results of this project is based on graph embedding in-depth analysis of the sparse representation:(1)non-negative matrix factorization to provide sparse non-negative matrix factorization based on graph embedding linear model of features extraction algorithm; (2) On this basis, the above research results are extended to the Hilbert space and tensor data space to establish the diagram of sparse non-negative matrix factorization based on graph embedding kernel model and tensor model, respectively; (3) Finally, this project intends to three models which be used to solve the problem of face recognition in complex situations.

在图像识别中，由于计算机对图像的理解和感知能力远逊于人类且处理效率远不能满足当今社会的发展需求，如何提取关键特征进行维数压缩与识识别是当前研究的一个难点与热点问题。本项目主要将人类感知图像的稀疏性机制、非负矩阵分解与流形学习的图嵌入方法研究结合起来，丰富和发展模式识别的特征提取技术理论体系；在技术上设计出具有稀疏性、局部性、鉴别能力和鲁棒性的图像特征选择和图像特征提取算法，提高计算机对图像的理解和感知能力，为图像自动识别在信息及相关领域的应用提供更好的技术支撑。本项目研究的内容包括: (1)在图嵌入方法基础上深入分析当前稀疏表示和非负矩阵分解，提出基于图嵌入的稀疏非负矩阵分解线性模型特征提取算法; (2)将上述研究成果扩展到Hilbert空间和张量数据空间，分别建立基于图嵌入的稀疏非负矩阵分解核模型和张量模型特征提取算法; (3)将上述三个模型特征提取算法用于解决复杂情况下的人脸识别问题。

众所周知，特征提取是模式识别领域中最基本和最重要的问题之一，而提取模式中的内蕴特征(即有效特征)是提高识别率的一种捷径。在基于图像的对像识别领域，特别是在人脸图像识别中，由于原始的样本图像数目较少而维数相当高，如何提取关键特征进行维数压缩与识识别是当前研究的一个难点与热点问题。子空间学习、图嵌入和稀疏表示是近年来计算机视觉和模式识别领域的研究热点。我们就子空间学习、图嵌入和稀疏表示在特征抽取等方面开展了深入研究，研究内容主要包括： (1) 针对最大间距准则(MMC)算法进行特征提取时，提取的是全局的特征，而局部的特征不能有效的抽取。首先对图像矩阵进行分块，然后对分块后的矩阵进行MMC特征抽取，对每一子块抽取的特征进行整体融合。分别提出了一种基于分块最大间距准则(MMMC)和分块二维最大间距准(M2DMMC)的特征抽取方法，并将其运用在人脸识别中。(2) 针对人脸图像由于光照、表情、姿态等变化导致的人脸识别率下降的现象，分别提出了基于模糊的差分嵌入投影(FDEP)和基于模糊二维的局部图嵌入(F2DLGEA)特征抽取方法。在这两种方法中，首先根据模糊K近邻算法得到数据样本隶属度信息，然后利用样本隶属度信息重新定义数据样本的拉普拉斯散布矩阵分别构造来FDEP和F2DLGEA的目标函数，最后通过求解广义方程找到它们的最优投影矩阵并将其运用在人脸识别中。 (3) 针对二维局部保持投影(2DLPP)是非监督的算法，没有考虑样本的类别信息。提出一种新的二维最大嵌入差分(2DMED)特征提取方法，该方法同时考虑类内图、内间图和边缘图，并将其运用在人脸识别中。 (4) 针对图规则非负矩阵分解算法(GNMF）在特征提取时没有考虑类别信息，提出了一种基于鉴别的图规则非负矩阵分解算法(DGNMF)的特征抽取方法，并将其运用在人脸识别中。