基于分块非负矩阵分解人脸识别增量学习OA北大核心CSCDCSTPCD
Incremental learning of face recognition based on block non-negative matrix factorization
非负矩阵分解(NMF)算法可以提取图像的局部特征,然而NMF算法有两个主要缺点:a)当矩阵维数较大时,NMF算法非常耗时;b)当增加新的训练样本或类别时,NMF算法必须进行重复学习.为克服NMF算法这些缺点,提出了一种新的分块NMF算法(BNMF).特别地,该方法还可用于增量学习.通过在FERET和CMU PIE人脸数据库上进行实验,结果表明该算法均优于NMF和PCA算法.
潘彬彬;陈文胜;徐晨
深圳大学,数学与计算科学学院,智能计算科学研究所,广东,深圳,518060深圳大学,数学与计算科学学院,智能计算科学研究所,广东,深圳,518060深圳大学,数学与计算科学学院,智能计算科学研究所,广东,深圳,518060
信息技术与安全科学
非负矩阵分解局部特征提取人脸识别增量学习
《计算机应用研究》 2009 (1)
姿势和光照变化下的人脸识别核函数及核参数的研究
117-120,4
国家自然科学基金资助项目(60873168)广东省自然科学基金资助项目(06105776)
评论