论文部分内容阅读
在海量数据时代,如何有效处理视频等大规模数据,挖掘有效信息,是目前科学和工程领域亟待解决的问题。非负矩阵分解（Non-negative Matrix Factorization,NMF）作为一种有效的矩阵分解方法,在非负性约束下,能够有效地实现数据维数约减,分解结果符合人类认知过程的直观体验且具有较强的可解释性,目前已在模式识别、特征提取和信号处理等诸多领域获得广泛应用。本文在对现有NMF方法进行深入分析和研究的基础上,提出了以下两种改进的非负矩阵分解方法,并将其用于行为识别。（一）一种局部加权正交非负矩阵分解（Local Weighted Orthogonal Non-negative Matrix Factorization,LWONMF）方法。首先,通过构造局部加权算子,对系数矩阵元素进行加权,以此作为局部约束项并引入到目标函数中,然后,为了保证方法能够获得明确的聚类结构,对基矩阵引入了正交约束。通过引入这两种约束项,使得本文LWONMF方法在聚类时,聚类结构明确,聚类簇的簇内结构更加紧凑。而且本文使用乘性迭代更新算法对基矩阵和系数矩阵的迭代规则进行了推导。实验结果表明,本方法收敛性较快,在聚类对比实验中,可以看出,LWONMF方法能够较好地拟合运动显著区域,同时对背景中的离散轨迹也能较好的拟合,在此基础上获得运动显著区域能够削弱复杂背景对特征提取的影响。（二）一种多层NMF（Multilayer Non-negative Matrix Factorization,Multilayer NMF）方法。首先,提出一种时间平滑约束的非负矩阵分解（Temporal Smooth Constraint Non-negative Matrix Factorization,TSCNMF）方法。在这一方法中,构造时间平滑约束项并引入到目标函数中,考虑视频帧与帧之间的时间相关特性,以使方法能够提取视频数据的空时特征;再者,引入了稀疏约束项,有效地利用L2,1范数的特性来提高结果的表达性;同时,本文还推导了TSCNMF方法的更新规则。然后,借助层次特征提取策略,构造多层构架,提出了多层NMF方法,以提出的TSCNMF方法作为单元算法,将构造的非负矩阵作为输入,通过逐层分解,对特征进行了细化,而后各层结果的结合输出,对特征表达进行补充和丰富,以提高特征输出的表达性,有助于提升行为识别效果。同样在实验部分给出了利用多层NMF方法获得的特征进行行为识别的多个实验,结果验证了本文方法的有效性,能够获得比较出色的行为识别效果。