1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等

在图像识别中，主成分分析pca（principalcomponent analysis）的主要思想是：利用一组为数不多的特征脸(eigenface)去尽可能精确地表示图像矢量，pca方法的训练是非监督学习。非负矩阵分解nmf^](non-negative matrix factorization,nmf)是一种新的特征提取方法。与pca的思想类似，在图像识别中，nmf的主要目的是为了寻找低维子空间的一组基图像矢量，并通过基图像矢量的线性组合来表示一幅图像矢量。nmf方法也是一种无监督的学习方法。nmf方法与pca不同的是：在nmf方法中基图像矢量的元素和线性组合的权系数全都为非负实数。近几年来，非负矩阵分解算法成为国际上研究的一个热点。li等人提出了局部非负矩阵分解图像表示方法（lnmf），也就是附加一些局部约束条件，便可得到更具有局部化的基图像矢量，并发现lnmf方法可提高识别率。针对pca不能利用训练样本的类别信息，s. c. chen等人^[8]提出一种名为cipca的方法，它主要是直接利用了训练样本的类别信息构建含有类别信息的协方差矩阵。

作为一种无监督的方法，pca和nmf并没有充分使用训练样本的类别信息，因此，它很可能丢失许多对分类有用的鉴别信息。为了尽可能的利用训练样本的类别信息，本课题主要研究：名为组合类别信息的的非负矩阵分解(cinmf)方法和组合类别信息的主成分分析(cipca)方法。cinmf方法和cipca方法的主要思想是将训练样本矢量和它相对应的类别标签信息相结合，构造出含有类别标签的训练样本矢量并以此构建非负矩阵进行非负矩阵分解。另外本文提出基于两种特征融合的分类策略以便进一步提高cinmf方法的识别率。在orl人脸库和yale人脸库上，对pca, nmf, cipca和cinmf进行识别率的比较实验。

具体要求：

2. 参考文献（不低于12篇）

1.边肇祺，张学工. 模式识别(第二版). 北京: 清华大学出版社，1999

2.郭跃飞, 黄修武, 杨静宇等, 一种求解fisher最佳鉴别矢量的新方法及人脸识别, 中国图象图形学报, 1999, 4(a) 2: 95-98.

3.李勇智，杨静宇，一种组合类别信息的非负矩阵分解方法及其应用，系统仿真学报2008, vol.20 no.7 pp:10611066