改进非负矩阵分解的神经网络人脸识别
为了提高人脸识别正确率,提出基于改进非负矩阵分解的神经网络人脸识别算法.首先利用改进的非负矩阵分解对人脸图像进行特征提取,提高非负矩阵分解速度.接着将提取出的特征信息作为神经网络学习入口进行特征训练,由于神经网络在学习过程中,容易出现局部最小值且收敛速度慢等问题,为此采用改进的遗传算法对神经网络进行优化处理,获得最终的人脸识别结果.实验结果表明:利用改进的非负矩阵分解方法能够降低神经网络的分类训练负荷量和运算量,提高人脸识别识别率.通过和各种方法比较可知,本方法的人脸识别率都较高.本方法人脸特征分解速度快,提高了神经网络训练前期精度和收敛速度,使得人脸识别正确率高.当特征向量个数达到40以上时,人脸识别正确率保持95%以上.
机器视觉、人脸识别、非负矩阵分解、遗传算法、神经网络
32
TP391(计算技术、计算机技术)
吉林省科技发展计划项目No.20130303011GX,No.20140204050GX Supported by Project Agreement for Science & Technology Development of Jilin Province20130303011GX,20140204050GX
2017-04-14(万方平台首次上网日期,不代表论文的发表时间)
共6页
213-218