《表3 不同算法在Orl＿face数据库分类精确度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于隐式低秩非负矩阵分解模型的人脸识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由表1～表4可知，在不同k值情况下，各算法对Orl＿face数据库的分类效果整体最好，对MultiPIE数据库分类效果的变异度最大，对其他两个数据库的分类效果也较高。而且多数情况下，分类的效果随着k值的增大而减小，但能表明隐式低秩非负矩阵分解（non-negative latent low-rank representation matrix factorization，Nlat MF）模型、NMF、稀疏非负矩阵分解（sparse non-negative matrix factorization，SNMF）和GNMF等结合KNN均能实现对各数据库中图像数据的分类，说明各算法均能有效解决矩阵分解问题，只是分类效果各有不同。从各个算法控制效果对比角度讲，可以看出Nlat MF模型在各数据库分类效果普遍优于NMF，SNMF和GNMF等算法，因此，基于Nlat MF模型是一种新的很有效的矩阵分解手段。