非负矩阵分解和RBF网络的人脸识别方法.pptVIP

非负矩阵分解与RBF网络的人脸识别方法 导师：贾云得 答辩人：王缘 大纲 课题的意义 人脸识别方法总述 基于Fisher NMF 的人脸识别方法 基于Kernel RBF网络的人脸识别方法 总结 1.课题意义 应用前景 人机交互 安全防范 视频监控 理论价值 人脸识别涉及了模式识别、图象处理、认知科学、生理学、心理学等多门学科的知识，具有很高的研究价值。 2.人脸识别方法总述 2.1难点 人脸的旋转 人脸表情的变化 不同的光照条件 人的发型、饰物（如眼镜等） 不同的背景等 2.2前人贡献 子空间的人脸识别方法 主元分析（PCA） 独立元分析（ICA） Fisher 线性判别（FLDA） 非负矩阵分解（NMF） 局部非负矩阵分解（LNMF） 基于Kernel 空间的方法 Kernel PCA Kernel FDA 支持向量机（SVM） 基于神经网络的方法 BP网络 径向基函数网络（RBFNN） 3.基于Fisher NMF 的人脸识别方法 3.1矩阵分解 当有 m 张人脸图片 (每一张n 个像素)，则这 m 张人脸图片可以表示为 n?m 的矩阵 V, 这样我们可以得到下面的矩阵分解： W是基矩阵， H 是系数矩阵，这样人脸向量可以表示为基向量的线性累加。 3.2 非负矩阵分解（NMF）Lee 和 Seung在 1999年提出  NM