1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等
Lee 等人首先提出了非负矩阵分解(Non-negative Matrix Factorization，NMF)方法，基于非负矩阵分解的图像特征提取的方法是一种子空间法。NMF方法的基本思想可以简单描述为：对于任意给定的一个非负矩阵A，NMF 算法能够寻找到非负矩阵U和非负矩阵V，使得满足A=UV。如果矩阵A是由图象矢量X构成的，矩阵U的列矢量能被认为是子空间的基图像；V列矢量能被认为看作图像矢量X在低维特征空间的特征矢量。
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。Ioan Buciu等人将LNMF用于人脸表情识别，在两种不同的分类器下，进一步说明LNMF方法分类表现好于NMF，甚至有时好于PCA。X. Chen等人将LNMF成功应用人脸检测。S. Zafeiriou等人提出了NMFfaces方法，其本质是NMF plus LDA 的有监督的两阶段的特征提取方法，其在人脸的识别的效果上好于著名的Fisherfaces和Eigenfaces方法。
基于局部非负矩阵分解(LNMF)理论，针对LNMF特征提取性能（识别率、速度和稳定性）方面进行比较研究，给出相应的结论。仿真采用人脸库:Yale人脸库、ORL 人脸库或FERET200人脸库
2. 参考文献（不低于12篇）
[1] Lee D D, Seung H S. Leaming the parts of objects by non-negative matrix factorization[J].Nature(S0028-0836). 1999, 401:.788-791
[2] Turk M and Pentland A. Eigenfaces for Recognition[J]. Journal of Cognitive Neuroscience(S 0898-929X), 1991, 3(1): 71-86
[3] Turk M and Pentland A. Face Recognition Using Eigenfaces[C]// Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 1991, pp. 586-591.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
