应用非负矩阵分解和RBPNN模型的掌纹识别方法

应用非负矩阵分解和RBPNN模型的掌纹识别方法

尚丽;崔鸣;杜吉祥

【摘要】提出一种基于非负矩阵分解(NMF)和径向基概率神经网络的掌纹识别方法.NFM是一种有效的图像局部特征提取算法,用于图像分类时能得到较高的识别率.考虑PolyU掌纹图像数据库,应用NMF、局部NMF(LNMF)、稀疏

NMF(SNMF)和具有稀疏度约束的NMF(NMFSC)算法分别对掌纹图像进行特征提取,并对提取到的局部特征基图像进行分析对比；在特征提取的基础上,应用径向基概率神经网络(RBPNN)模型对掌纹特征进行分类,分类结果表明了RBPNN模型对掌纹特征具有较好的识别能力.实验对比结果证明了基于RBPNN的NMF掌纹识别方法在掌纹识别中的有效性,具有一定的理论研究意义和实用性,%A palmprint recognition method based on Non-negative Matrix Factorization (NMF) and Radial Basis Probabilistic Neural Network(RBPNN) is proposed. NMF is an efficient local feature extraction algorithm of images, and it can obtain high recognition rate in image classification task. Considered PolyU palmprint image database, the palm features are extracted by using several algorithms, such as NMF, Local NMF(LNMF), Sparse NMF(SNMF), and NMF with Sparseness Constraints(NMFSC) et al. And these feature basis images extracted are analyzed and compared. On the basis of feature extraction, the RBPNN classifier is utilized to classify palmprint features, and the classification results show that the RBPNN model has better palmprint recognition property. Compared classification results obtained by different algorithms, it is clear to see that the palmprint recognition results based on RBPNN and NMF are indeed efficient, and these

algorithms behave certain theory research meaning and application in practice.

【期刊名称】《计算机工程与应用》

【年(卷),期】2012(048)004

【总页数】5页(P199-203)

【关键词】非负矩阵分解;局部特征提取;特征基图像;掌纹识别;径向基概率神经网络(RBPNN)分类器

【作者】尚丽;崔鸣;杜吉祥

【作者单位】苏州市职业大学电子信息工程系,江苏苏州215104;苏州市职业大学电子信息工程系,江苏苏州215104;中国科学技术大学自动化系,合肥230026;华侨大学计算机科学与技术系,福建泉州362021

【正文语种】中文

【中图分类】TN911.73

图像特征的选择将左右图像识别的结果，能否在高维的原始数据空间内恰当有效地进行特征的提取和选择关系到下一步的分类决策操作，因此特征提取在模式识别中一直占据着重要的地位。仅对掌纹图像而言，目前已涌现出大量的掌纹特征提取算法，特别是基于特征子空间的一些方法已成为研究者关注的主要内容，如线性判决分析（Linear Discriminant Analysis，LDA）[1]、主分量分析（Principal Component Analysis，PCA）方法[2]、独立分量分析（Independent Component Analysis，ICA）方法[2-3]、非负矩阵分解（Non-negative Matrix

Factorization，NMF）[4-5]、核主元分析（Kernel PCA，KPCA）方法[6]、核独立元分析（Kernel ICA，KICA）[7]等。其中，非负矩阵分解（NMF）是一种新兴的矩阵分解算法，能够提取图像的局部特征。该方法区别于上述提到的LDA、PCA、ICA 等方法，它使分解后的所有分量均为非负值，同时实现非线性的维数约减。在传统的NMF算法基础上，分解结果加入包括非负性限制在内的其他限制条件，则形成了一些改进的NMF 算法，如局部非负矩阵分解（Local NMF，LNMF）[8]算法、具有稀疏度约束的非负矩阵分解（NMF with Sparseness Constraints，NMFSC）[9-10]算法、稀疏非负矩阵分解（Sparse NMF，SNMF）[5，11]算法等。上述各类NMF算法的限制性条件和目标最小优化算法各不相同，但在约束条件下均能有效地提取出图像的特征，目前已被广泛应用于图像处理领域[1，5，10]，特别是目前较热门的生物特征识别技术领域，如人脸图像识别、指纹图像识

别和掌纹图像识别等研究领域[12-13]。

在上述各类NMF算法研究的基础上，本文针对掌纹图像数据，探讨各类NMF算法对掌纹图像特征提取的有效性；进一步地，利用距离和径向基概率神经网络（Radial Basis Probabilistic Neural Networks）分类器[14-15]来讨论和分析各种NMF 算法对掌纹识别的性能，简要概括了各种NMF算法在掌纹识别中的优缺点，为掌纹识别技术的研究提供一定的理论研究依据。

1 非负矩阵分解的定义

在数学上，从计算的观点看，矩阵分解结果中存在负值是正确的，但是由于许多数据本身就是非负的，如灰度图像、物质成分含量、文章中单词出现的次数和统计学中的概率转移矩阵等，如果采用传统的因子分析方法使得分解结果中存在负值，则会失去数据本身的物理意义，在实际问题中没有任何意义。因此，探索矩阵的非负分解方法一直是很有意义的研究问题。

非负矩阵分解是一种多变量分析方法。假设非负矩阵表示M 个N 维的样本集合，