EigenfacesforRecongnition算法分析初步.docVIP

Eigenfaces for Recongnition算法流程 Eignenfaces for Recongnition是人脸识别中的经典文章，它提出了使用PCA方法对图片训练集进行特征值提取，从而达到人脸识别的目的。这篇文档基于Truk与Pentland在1991年时发表的论文，对其识别的算法进行较为详细的描述。 PCA方法，其全称为Principal Component Analysis，即主成分分析法。在引述的论文中，人脸识别被分为两个阶段进行，即训练阶段与识别阶段。 在训练阶段，我们需要一定的人脸样本。我们设为我们训中的图像样本集，样本个数为m，则对应的二维图像展开为的向量编号分别为。 以下为训练阶段的主要步骤： （1）遍历图像样本空间，求得所有图像样本的平均图，因其为人脸图片，我们在下文中将这样样本图像称作样本脸，平均图称作平均脸，记平均脸为，则显然可得，又可知各样本脸与平均脸的差异向量。 （2）为了能将所有的样本脸投影到一个人脸特征空间，我们需要求出一系列标准正交向量，使之能很好地描述当前样本脸在特征空间内的位置。于是我们需要得到一个协方差阵。我们设，则。注意到C是一个矩阵，则其必定存在个特征向量，其维度为，根据能量集中定律，我们按其特征值大小选取前个作为特征空间的基准向量。注意到矩阵的计算量相当大，而且对于n稍微大的样本脸几乎无法处理，于是我们考虑是否能简化其求解方程。我们设特征向量为，特征值为，考虑方程，由于A的维度为，当时，我们可以在可能的时间内很方便地求得各与的值。注意到原方法的求解，，原方程可化作，其中显然为原方程的特征向量，如果我们能够快速求得，则也可以快速求得，效率远高于原方法。 （3）根据得到的特征向量标准化后组成特征向量阵v，设特征脸为，则。由此我们可以将所有的样本脸投影到由正交标准特征向量所确定的空间内。但在通常情况下我们只需要m个正交标准向量中的一部分，则根据能量集中原理，选取特征值前大的正交特征向量即可。 由此样本的训练阶段告一段落，后面我们将进行测试阶段，利用手上的图像，要求计算机得到对该图像的一种判定，其主要过程如下： （1）设判定图像为X，则通过正交变化，将X投影于特征空间内，设X图像在特征空间内的位置为，样本脸分类后在特征空间内的位置为，我们可以求出两个位置的欧几里德距。 （2）对于，当，我们判定该图像的类别属于i分类，将新图加入样本集，判定结束。 （3）计算图像与平均脸的差异向量，同时重建原样本的投影，求得，并计算两者的欧几里德距。 （4）根据我们可以判定X是否为人脸，若为人脸，因为它未匹配于原始分类，则将新图加入样本集，并重新回到训练阶段进行计算。 以上为该论文关于人脸识别与分类算法的简要分析，其主要优点在于降低了原本特征向量求解方法的高复杂度，使其变的容易求解，PCA方法又根据能量集中定理选取了主要影响的特征向量，获得了一个比较满意的识别率。不足之处在于，该模型的假设关系是线性的，用了大量线性算法进行特征提取，但有时候的图像并不一定满足线性分布，虽然这是实际上是非常小的概率。另外模型假设主元间是正交的，以及使用方差进行统计，但是基于一定的分布，并不具有普遍的适用性。